个人认知特征可以从基于任务的动态功能连接中预测,使用深度卷积循环模型
Erick Almeida de Souza1, Bruno Hebling Vieira2,3, Carlos Ernesto Garrido Salmon1,4
1InBrain Lab, Departamento de Física, FFCLRP, Universidade de São Paulo, Prof. Aymar Batista Prado Street, Vila Monte Alegre, Ribeirão Preto - SP, 14040-900, Brazil.
Cerebral cortex (New York, N.Y. : 1991)
|October 24, 2024
概括
深度学习模型使用功能性磁共振成像 (fMRI) 任务的功能性大脑连接来预测一般智能. 基于任务的连接提供了比静止状态更高的预测能力,智能在整个大脑中均分布.
科学领域:
- 神经成像是一种神经成像.
- 认知神经科学 认知神经科学
- 人工智能的人工智能
背景情况:
- 了解智能的神经基础是一个日益增长的研究领域.
- 神经成像技术,特别是功能磁共振成像 (fMRI),为大脑功能提供了洞察力.
- 深度学习模型显示出从复杂的神经成像数据预测认知措施的前景.
研究的目的:
- 使用深度学习模型预测通用和流动智能分数.
- 在特定的认知任务 (语言和工作记忆) 中调查动态功能连接的预测能力.
- 为了比较基于任务的功能连接与休息状态连接,用于智能预测.
主要方法:
- 利用神经成像和874名来自人类结合体项目的行为数据.
- 采用了深度学习模型,具有多尺度卷积和长期短期记忆层.
- 分析了源自语言和工作记忆fMRI任务状态的动态功能连接,控制混变量.
主要成果:
- 该模型解释了工作记忆任务的17.1%的一般智力变异,以及语言任务的16%.
- 与静止状态连接相比,基于任务的动态功能连接显示出更高的预测能力.
- 控制诸如年龄和性别等混因素显著降低了预测性能.
结论:
- 在认知任务期间的动态功能连接是一般智力的重要预测因素.
- 智能似乎是一个跨越皮层网络的空间均构造.
- 基于任务的fMRI分析为预测智能提供了比静止状态分析更有效的方法.
更多相关视频
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
11.6K
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.2K
