使用功能近红外光谱学和图形卷积网络预测皮质 - thalamic 功能连接.

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 功能近红外光谱 (fNIRS) 测量皮层的血液动力活动,但无法访问皮层下结构,如乳头.
• 丘陵体对几个功能性大脑网络至关重要,因此对其连接性评估对于理解大脑功能至关重要.

研究的目的:

• 开发和验证一种机器学习方法,用于仅使用皮质fNIRS数据来预测皮质 - thalamic功能连接.
• 评估图形卷积网络 (GCN) 的性能与传统机器学习方法相比,用于此预测任务.

主要方法:

• 应用图形卷积网络 (GCN) 到两个数据集 (健康成年人,早期脑损伤的新生儿) 使用fNIRS连接数据.
• 训练有素的GCN模型使用功能磁共振成像 (fMRI) 连接数据作为基本真相.
• 研究了将主体间连接和噪声弹性纳入GCN模型的影响.

主要成果:

• 在二进制分类和连接强度回归方面,GCN模型显著优于支向量机和前神经网络.
• 整合主题间的连接提高了GCN模型的性能.
• 在fNIRS数据中,GCN模型证明了对fNIRS数据中存在的噪声的弹性.

结论:

• 通过使用机器学习,可以从皮质fNIRS记录中预测皮质下活动,特别是皮质-thalamic连接,这是可行的.
• 这种方法可以扩大fNIRS的临床实用性,用于监测重症患者,包括新生儿的大脑活动.