认知网络和任务执行对基于fMRI的状态分类使用DNN模型的影响
Murat Kucukosmanoglu1, Javier O Garcia2, Justin Brooks1,3,4
1D-Prime LLC, McLean, VA, 22101, USA.
Scientific reports
|July 2, 2025
概括
可解释深度神经网络 (DNN) 从fMRI数据中成功分类认知状态,将分类准确性与个人任务性能联系起来. 视觉网络是区分认知状态的关键.
科学领域:
- 认知神经科学 认知神经科学
- 机器学习 机器学习
- 神经成像是一种神经成像.
背景情况:
- 深度神经网络 (DNN) 提供强大的数据分析,但在认知神经科学中缺乏可解释性.
- 有限的解释性阻碍了DNN的应用,以从神经成像数据中理解认知机制.
研究的目的:
- 从fMRI数据中应用可解释的DNN来对认知任务状态进行分类.
- 通过使用DNNs来调查认知基础和任务执行的个体变化.
主要方法:
- 采用1D卷积神经网络 (1D-CNN) 和双向长短期记忆 (BiLSTM) 网络.
- 从fMRI数据中分类认知任务状态,分析特征重要性和模型性能.
- 与个人认知表现指标相关的分类准确性.
主要成果:
- 1D-CNN获得了81%的准确性 (宏观AUC=0.96),BiLSTM获得了78%的准确性 (宏观AUC=0.95).
- 两种模型都显示了预测准确度和个人认知表现之间的显著相关性 (1D-CNN的p<0.05,BiLSTM的p<0.001).
- 功能的重要性突出显示了视觉网络,注意力和控制网络也显示出高度相关性. 较低的精度与较差的性能相关.
结论:
- 可解释的DNN可以有效地从fMRI数据中分类认知状态.
- 与任务相关的神经活动,特别是在视觉网络中,对于状态分类至关重要.
- DNN揭示了神经活动,认知表现和个体差异之间的关系.
