在fMRI数据中探索精神分裂症分类:用于增强特征提取和分类的共同空间模式 (CSP) 方法

科学领域:

• 神经成像和计算神经科学
• 脑连接分析 脑连接分析

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 的传统分析侧重于全脑连接.
• 目前用于分析rs-fMRI和脑电图 (EEG) 的时间序列数据的现有方法存在局限性.
• 对于EEG有效的共同空间模式 (CSP) 方法尚未广泛应用于fMRI.

研究的目的:

• 探索共同空间模式 (CSP) 方法对静止状态功能磁共振成像 (rs-fMRI) 数据的新应用.
• 在rs-fMRI中对CSP与主要组件分析 (PCA) 进行时间变化的网络连接的有效性进行比较分析.
• 为了验证CSP方法使用rs-fMRI数据从精神分裂症患者队列和健康对照.

主要方法:

• 电脑电图 (EEG) 运动图像任务和rs-fMRI信号的比较分析.
• 将共同空间模式 (CSP) 监督学习技术应用于rs-fMRI数据集.
• 使用主要组件分析 (PCA) 作为性能比较的无监督基准.

主要成果:

• 与主要组件分析 (PCA) 和其他评估技术相比,共同空间模式 (CSP) 方法表现出更高的性能.
• 在rs-fMRI数据中,CSP在分析时间变化的网络连接方面被证明是有效的.
• 该研究成功验证了CSP与fMRI数据集在临床环境 (精神分裂症) 中的整合.

结论:

• 共同空间模式 (CSP) 方法显示了在rs-fMRI数据中分析动态网络连接的巨大潜力.
• 在神经成像中,CSP在信号转换方面比传统方法,包括深度学习,具有优势.
• 这项研究将CSP的适用性扩展到EEG之外,强调其在通过fMRI了解大脑功能方面的实用性.