一个通过深度学习丰富的框架来分析大脑的功能连接

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:

• 大脑功能依赖于区域之间的定向通信,利用不对称的连接.
• 深度学习模型擅长解码大脑状态,但难以描述功能网络中的信息流.
• 分析光谱定向功能连接对于理解复杂的大脑过程至关重要.

研究的目的:

• 开发一个深度学习丰富的框架来分析光谱定向功能连接.
• 为大脑网络创建新的,非线性流入和流出指标.
• 为了确定大脑状态的信息频率内容和连接模式.

主要方法:

• 设计了"功能连接网络" (FCNet),一个可解释的卷积神经网络,训练它从功能连接区分大脑状态.
• 使用DeepLIFT来解释网络决策并识别关键频率和连接特性.
• 在运动成像任务中将框架应用于头皮和皮质的EEG功能连接数据.

主要成果:

• FCNet的解释与运动成像期间已知的光谱连接变化保持一致.
• 基于网络的新型测量有效地捕捉了连接变化,与图形理论指标相似.
• 该框架成功地确定了信息频率和连接性流入/流出.

结论:

• 拟议的深度学习框架增强了对光谱定向功能连接的分析.
• 它为大脑功能网络的可预测性和信息组件提供了宝贵的见解.
• 这种方法有助于理解认知和运动任务期间的大脑状态和信息流.