通过将非线性因素和频段选择与机器学习模型相结合,优化功能性大脑网络分析.
Kaixing Hu1, Baohua Zhong2, Renjie Tian1
1School of Information Science and Engineering, Chongqing Jiaotong University, Chongqing, China.
Medicine
|February 28, 2025
概括
这项研究引入了一种新的方法,将波波变换和相互信息结合起来,以分析大脑功能网络. 该方法揭示了隐藏的非线性模式,显著提高了大脑连接评估的准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
- 数据科学数据科学数据科学
背景情况:
- 准确评估大脑功能网络对于理解复杂的大脑区域关系至关重要.
- 像皮尔森相关性 (PC) 这样的传统线性方法忽略了关键的非线性因素和不同频段的隐藏信息.
- 现有的方法无法完全捕捉大脑网络中的复杂的非线性动态.
研究的目的:
- 开发一种新的方法,结合快速连续波量变换和正常化相互信息 (NMI),以克服传统方法的局限性.
- 通过揭示不同频段的隐藏信息来准确评估大脑功能网络.
- 整合脑区相互作用的线性和非线性方面,进行全面的分析.
主要方法:
- 分解休息状态功能磁共振成像 (fMRI) 时域信号到不同的频域使用快速连续波形变换.
- 构建了相邻矩阵,以增强大脑区域之间的特征分离.
- 集成复杂的相关系数和NMI用于对线性和非线性相互作用的全面分析,利用极端梯度增强来提取特征.
主要成果:
- 这种新方法的表现优于基线方法 (PC和NMI),在曲线下的面积为0.9054.
- 结合非线性因子,精度提高了14.25%,回忆率提高了17.14%.
- 该方法优化了原始数据,而没有显著改变特征拓,证明了稳定性.
结论:
- 开发的方法通过结合非线性动力学,可以更准确地评估大脑功能网络.
- 这项创新推动了对大脑功能和连接性的理解.
- 这种方法对未来的神经科学研究和临床应用具有重大潜力.


