一个基本的fMRI模型来表示连续的大脑状态

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 现有的模型因固定的时间窗口而难以处理大脑信号的时间复杂性.
• 了解大脑状态动态对于推进神经科学和临床应用至关重要.

研究的目的:

• 开发一种新的功能磁共振成像 (fMRI) 基础模型,BrainSN (大脑状态网络),能够代表连续的大脑状态信息.
• 为了实现各种下游任务,包括临床诊断和精神状态解码.

主要方法:

• 利用BrainSN的基于变压器的架构来重建和预测多个时间尺度上的大脑状态.
• 集成了多个嵌入式和一个通道门模块,具有用于特征提取的注意力机制.
• 在1256小时的休息状态和自然刺激fMRI数据上训练 BrainSN.

主要成果:

• 在没有微调,匹配领先模型的诊断任务中取得了高准确性 (75.23%的自闭症,75.82%的注意力障碍).
• 在没有微调的情况下实现了95.31%的心理状态解码精度,优于基于任务的fMRI数据训练的模型.
• 演示了BrainSN在电影刺激分析期间从fMRI信号中捕获语义内容和序列灵敏性的能力.

结论:

• 脑SN有效地模拟大脑状态动态,捕捉短期和长期依赖.
• 该模型显示了临床诊断,治疗评估和认知神经科学研究的巨大潜力.
• 通过学习大规模的大脑动态而不是基于任务的范式,BrainSN比现有模型提供了优势.