人类大脑功能的高阶连接学揭示了任务解码,个体识别和行为行为的局部拓特征
Andrea Santoro1,2, Federico Battiston3, Maxime Lucas4,5
1Neuro-X Institute, EPFL, Geneva, Switzerland. andrea.santoro@centai.eu.
Nature communications
|November 26, 2024
概括
高级大脑活动模型揭示了超越对对相互作用的复杂功能网络. 这些先进的方法显著改善了任务解码,大脑行为关联和功能磁共振成像 (fMRI) 数据中的个人识别.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 数据科学数据科学数据科学
背景情况:
- 传统的人类大脑活动模型侧重于区域之间的双对相互作用.
- 最近的研究探讨了时间大脑信号中更高层次的相互作用 (三个或更多区域).
- 高阶方法对fMRI分析的双向方法的优越性仍然不清楚.
研究的目的:
- 为了调查更高阶相互作用方法是否在分析功能磁共振成像 (fMRI) 数据时优于传统的对联方法.
- 探索超越对对关系的fMRI时间序列的组织结构.
主要方法:
- 利用了来自人类结合体项目的100名无关受试者的fMRI时间序列数据.
- 应用并比较了高阶交互推理方法与传统的双向方法.
- 分析了任务之间的动态解码,功能子系统的识别,以及大脑活动-行为关联.
主要成果:
- 高阶方法显著增强了动态任务解码.
- 观察到单模和跨模功能子系统的个体识别得到了改进.
- 使用高阶方法,大脑活动和行为之间的关联得到了实质性的加强.
结论:
- 高阶相互作用分析提供了对fMRI时间序列组织的更全面的理解.
- 这些方法揭示了休息和任务期间的动态群体依赖性,以前是双向方法隐藏的.
- 人类功能性大脑数据中的庞大的尚未探索的结构空间可以通过更高阶的分析来访问.
