通过Graph-GCCA与对比学习进行脑认知指纹识别
Yixin Wang1, Wei Peng2, Yu Zhang3
1Department of Bioengineering, Stanford University, Stanford, CA, USA.
Machine learning in clinical neuroimaging : 7th international workshop, MLCN 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, proceedings. MLCN (Workshop) (7th : 2024 : Marrakesh, Morocco)
|January 28, 2025
概括
这项研究介绍了CoGraCa,这是一种新的无监督学习模型,用于分析随时间推移的大脑功能和认知. 它创建了独特的脑认知指纹,改善了神经成像研究中的个人差异检测.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 纵向神经成像研究对于理解大脑衰老和疾病至关重要.
- 需要准确地编码大脑功能与认知之间的多维关系.
- 在这些分析中,必须考虑个人随时间的变化.
研究的目的:
- 提出一个无监督学习模型,CoGraCa,用于编码大脑功能和认知之间的动态关系.
- 使用对比学习创建个性化和多式模式的大脑认知指纹.
- 为了捕捉每个人的独特的神经和认知表型.
主要方法:
- 开发了基于对比学习的图形通用化法典相关性分析 (CoGraCa).
- 采用图表注意力网络和通用的法典关系分析来编码关系.
- 利用个性化和多式模式的对比学习来创建指纹.
主要成果:
- 应用 CoGraCa 纵向静止状态 fMRI 和健康个体的认知数据.
- 生成的指纹有效地捕获了显著的个体差异.
- 在确定性别和年龄方面,CoGraCa的表现优于现有的单模和基于CCA的多模模型.
结论:
- CoGraCa提供了一种有效的方法,用于创建可解释的大脑认知指纹.
- 该模型增强了对大脑衰老和疾病中的个体变异性的理解.
- CoGraCa提供了对大脑功能和认知之间的相互作用的可解释的见解.
更多相关视频
08:43Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
7.8K
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
1.4K
