同时捕捉基础神经活动的过度变化和平稳动态,使用时空基础扩展和多个主体fMRI数据

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 字典学习 (DL) 越来越多地用于功能磁共振成像 (fMRI) 中的盲源分离 (BSS),超过了独立组件分析 (ICA).
• 在DL中,一个关键的挑战是模型匹配,特别是过度匹配,这可能会通过损害跨主题源多样性来阻碍多主体 (MS) 分析.

研究的目的:

• 为了解决多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性多发性
• 提出一种新的算法,联合分析和合成DL (JASDL),同时捕捉跨主题的多样性并保持模型的稳定性.

主要方法:

• 该JASDL算法整合了空间时间 (ST) 预先信息 (PI),包括生物和数学先验,通过稀疏ST BSS (ssBSS) 估计的MS-ST组件.
• 它采用了分析/合成成本函数,用于矩阵近似的三和四因素化.
• 该方法模拟了虚假阳性的时间平滑性和空间减少,同时保留了MS变异.

主要成果:

• JASDL有效地平衡了以数据为中心的跨主题多样性和模型复杂性的规范化.
• 与传统的DL技术相比,该算法在保留多个主体变异方面表现得更好.
• 对比分析显示,JASDL综合词典的[公式:参见文本]平均相关性和F分数高于最先进的学科顺序DL (swsDL).

结论:

• 拟议的JASDL算法为MS fMRI分析中基于DL的BSS提供了一个强大的解决方案.
• JASDL成功地减轻了过度捕捞,同时保持了关键的跨主题来源多样性.
• 这种新的方法提高了fMRI信号分解在多主体研究中的准确性和可靠性.