从使用循环神经网络的时间序列来估计大脑的有效连接性
Peishan Dai1, Zhuang He2, Yilin Ou2
1School of Computer Science and Engineering, Central South University, Changsha, 410083, China. daipeishan@csu.edu.cn.
Physical and engineering sciences in medicine
|May 22, 2025
概括
这项研究引入了一种新的循环神经网络模型,即时间序列到有效连接 (TS2EC),用于从fMRI数据中预测大脑有效连接网络 (ECN). TS2EC显著优于现有方法,为大脑功能分析提供了一个新的工具.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 有效的连接 (EC) 对于理解精神疾病中的大脑功能和功能障碍至关重要.
- 目前的EC估计方法在fMRI数据的深度特征提取方面扎.
研究的目的:
- 开发一个新的模型,时间序列到有效连接 (TS2EC),用于直接从fMRI时间序列预测有效连接网络 (ECN).
- 解决深度特征提取现有的EC估计方法的局限性.
主要方法:
- 提出了一个基于循环神经网络的模型 (TS2EC) 来从fMRI时间序列直接预测EC.
- 引入了一种使用电皮层刺激fMRI (es-fMRI) 数据生成EC标签的新方法.
- 在es-fMRI和模拟数据集上评估TS2EC.
主要成果:
- 在es-fMRI数据集上,TS2EC实现了0.0057的平均平方误差,超过了现有的方法.
- 在准确性,回忆力,结构性哈明距离和模拟数据集上的F1分数方面表现出卓越的性能.
- 与当前的EC分析方法相比,EC预测性能显著提高.
结论:
- TS2EC是一个有前途的新工具,用于分析大脑中的有效连接网络 (ECN).
- 该模型有效地从fMRI数据中提取深度特征,而不依赖于固定的模型顺序.
- 在EC估计中使用es-fMRI代表了该领域的新方法.
