从整个生命周期的脑连接数据预测口头能力,使用机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 脑部成像 脑部成像
• 机器学习 机器学习

背景情况:

• 语言能力通常比非语言认知保持更长时间的稳定性,但特定的语言过程可能在整个生命周期中存在差异.
• 大脑网络架构的变化,特别是在前端对象网络 (FPN) 和默认模式网络 (DMN) 中,是不同的语言功能轨迹的潜在解释.
• 关于从大脑连接 (功能连接 - FC和结构连接 - SC) 预测语言能力的先前研究产生了混合的结果.

研究的目的:

• 通过使用DMN,FPN和整个大脑的脑连接数据来调查口语流和词汇知识的可预测性.
• 将不同认知能力 (口头与非口头),数据模式 (FC与SC),特征集 (网络特定与整个大脑) 和年龄组 (总,年轻,年长) 的预测性能进行比较.

主要方法:

• 利用机器学习 (ML) 方法对1000BRAINS研究中的寿命样本 (N=717,年龄18-85) 进行了研究.
• 分析了静止状态功能连接 (FC) 和结构连接 (SC) 数据.
• 系统地比较各种参数的口语流,词汇知识,处理速度和视觉工作记忆的预测性能.

主要成果:

• 在所有测试的特征集和年龄组中,无法从FC和SC数据中可靠地预测口头能力 (口头流利和词汇知识).
• 非语言能力 (处理速度和视觉工作记忆) 从连接数据中可以适度预测,特别是SC,在总和年轻成年人群中.
• 在老年人群中,对非语言功能的预测性能并不令人满意.

结论:

• 与整个生命周期的非语言能力相比,从总域大脑连接网络中预测语言功能似乎更具挑战性.
• 这些发现突出了大脑网络架构与不同认知功能的可预测性之间的关系中的潜在差异.
• 需要进行进一步的研究,以探索跨认知领域和年龄组的可预测性差异.