多重约束网络分类揭示了功能性大脑网络,区分了0-back和2-back任务.

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 人工智能的人工智能

背景情况:

• 工作记忆对于复杂的认知任务和一般智力至关重要.
• 传统的神经成像分析可能会错过非线性或分布式的大脑活动模式.
• 现有的方法通常依赖于线性模型,可能限制检测微妙的大脑功能.

研究的目的:

• 将深度学习分类器的多变量模式分析应用于儿童的全脑BOLD活动.
• 识别大脑激活模式和功能连接,区分不同的工作记忆负载 (0-back vs. 2-back).
• 探索不同的功能网络如何在不同的内存需求下为任务性能做出贡献.

主要方法:

• 利用多重约束深度学习分类器对来自20名儿童的全脑BOLD数据进行了分析.
• 训练有素的神经网络来分类任务类别 (0-back vs. 2-back) 和激活同时发生的概率 (功能连接).
• 采用排列分析,模型重量检查和社区检测来确定预测区域和网络.

主要成果:

• 成功识别了全球激活模式和区域间的协同激活,使记忆负载条件有所不同.
• 精确指定的大脑区域最能预测记忆负载和整合它们的功能网络.
• 发现了每个内存负载的不同功能网络激活模式,在双回任务中集中注意力网络激活.

结论:

• 基于深度学习的多变量模式分析增强了与工作记忆相关的大脑活动模式的检测.
• 特定的功能网络根据工作内存负载进行差异化参与.
• 研究结果表明,对于更高的记忆需求,注意力网络参与度更为集中.