提供背景:从大脑活动中提取非线性和动态时间动机

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 精神疾病 精神疾病

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 对于研究大脑动态至关重要.
• 时间解决的功能连接 (tr-FC) 是一种常见的分析方法,但通常依赖于线性方法.
• 现有的方法可能无法完全捕捉大脑活动的复杂时间动态.

研究的目的:

• 开发一种非线性深度学习模型来分析rs-fMRI动态.
• 调查模型是否能够区分精神分裂症患者和健康对照人群.
• 探索模型输出与临床特征 (如年龄和症状严重程度) 之间的关系.

主要方法:

• 采用了解变异自编码器 (DSVAE),是一种生成的非线性深度学习模型.
• DSVAE将特定于窗口 (上下文) 和特定于时间步骤 (本地) 的信息分解为因子,以捕捉多个尺度的时间差异.
• 将模型的性能与基线模型和标准线性tr-FC方法进行了比较.

主要成果:

• 与基线和tr-FC方法相比,DSVAE模型的上下文在低维空间中更准确地将精神分裂症患者与对照组分开.
• 该模型的嵌入显示了与精神分裂症患者的年龄和症状严重程度的显著相关性.
• 确定了三个不同的患者特定的大脑活动集群,具有不同的功能网络连接 (FNC) 模式.

结论:

• 拟议的DSVAE模型提供了一种新的,非线性方法来分析rs-fMRI时间动态.
• 这种方法提高了区分患者群体和识别临床相关特征的能力.
• 通过提供更敏感的神经成像分析工具,DSVAE模型有可能改善精神疾病研究.