扩展非负矩阵因子化用于fMRI数据的动态功能连接性分析

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 大脑动力学 分析 分析

背景情况:

• 使用功能磁共振成像 (fMRI) 的动态功能连接 (DFC) 分析对于理解大脑动态至关重要.
• 传统的非负矩阵因子化 (NMF) 在DFC分析中存在局限性,因为它对输入数据的非负约束.

研究的目的:

• 引入一种扩展的NMF (eNMF) 方法,适应DFC分析的输入和分解矩阵中的负值.
• 与K-means相比,评估eNMF在分析模拟和真实静止状态fMRI数据中的性能.

主要方法:

• 扩展非负矩阵因子化 (eNMF) 算法的开发和应用.
• 模拟和真实静止状态fMRI数据的分析.
• 对eNMF与K-means集群进行DFC分析的比较.

主要成果:

• 在模拟数据中,eNMF成功地将混合符号矩阵分解为正符号和混合符号组件.
• eNMF提取了比K-means更准确的大脑状态模式,并估计了优越的DFC时间性质.
• 真实fMRI数据分析显示,eNMF提供了更丰富的时间DFC测量和更高的灵敏度对跨组差异.

结论:

• 拟议的eNMF方法为DFC分析提供了显著的改进,克服了传统NMF的局限性.
• 在从fMRI数据中识别大脑状态及其时间动态方面,eNMF比K-means更有效.
• 初步发现表明DFC可能存在基于性别的差异,女性表现出改变的放松和认知过程模式.