在一个庞大的fMRI数据集中,个别自回归模型的基准

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 密集的功能磁共振成像 (fMRI) 数据集使大脑活动的先进自回归建模成为可能.
• 个体大脑活动模式通常被群体模型所掩盖,但可以通过具有足够数据的个性化模型来捕捉.

研究的目的:

• 为了比较 BOLD 时间序列的时间自回归的深度和浅度个体模型.
• 根据数据要求,学科特异性和时空动态分析模型性能.

主要方法:

• 对于 BOLD 时间序列自动回归的各种深度和浅度个体模型的比较.
• 对Chebnets (图形卷积神经网络) 和线性模型的分析.
• 对数据要求,概括,主题特异性和预测动态的模型评估.

主要成果:

• 切布内特在时间BOLD自回归方面表现最好,其次紧随其后的是线性模型.
• 随着数据量增加,Chebnet的性能提高了,在9小时后没有显示和.
• 模型捕获了内在的大脑动态,将其概括为新刺激和静止状态数据,并在短时间内表现出对象特异性.

结论:

• 大量的个人fMRI数据集可以训练有效的纯个人自回归大脑活动模型.
• 切本网的优势在于它们能够高效地整合空间和时间的相互作用.
• 奇贝内特的线性版本令人惊地胜过非线性版本,这表明非线性对于这个任务来说并不至关重要.