深度学习和全脑网络用于生物标志物发现:模拟休息状态和认知任务中大脑波动的动态
Facundo Roffet1,2, Gustavo Deco3,4, Claudio Delrieux1,2
1Electric and Computer Engineering Department, Universidad Nacional del Sur, Bahía Blanca, Argentina.
Scientific reports
|November 20, 2025
概括
大脑网络模型可以使用分叉参数预测大脑状态. 这些参数区分休息和基于任务的大脑活动,显示了神经疾病的生物标志物的潜力.
科学领域:
- 计算神经科学是一种计算神经科学.
- 神经成像分析分析神经成像分析
- 发现生物标志物的发现.
背景情况:
- 大脑网络模型为神经动力学提供了洞察力.
- 从这些模型中使用分叉参数作为生物标志物的可能性在很大程度上尚未被探索.
- 区分休息状态和基于任务的脑活动对于理解认知功能和神经障碍至关重要.
研究的目的:
- 评估从全脑网络模型中得出的分支参数作为潜在的生物标志物.
- 使用这些参数,区分休息状态和基于任务的认知条件.
- 评估分叉参数对表征大脑状态的有用性.
主要方法:
- 使用超临界的Hopf大脑网络模型生成合成BOLD信号.
- 训练深度学习模型,从合成数据中预测分叉参数.
- 将受过训练的模型应用于人类连接器项目数据 (休息状态和基于任务的条件).
- 利用统计分析来比较跨条件的分叉参数分布.
主要成果:
- 两叉参数分布显示了任务和静止状态条件之间的显著差异.
- 基于任务的大脑状态表现出比休息状态更高的分叉值.
- 一个机器学习模型在根据预测的分叉值对个体大脑状态进行分类时取得了62.63%的准确性,明显超过了机会水平.
结论:
- 分叉参数有效地区分认知 (基于任务) 和休息大脑状态.
- 这些参数显示出作为用于大脑状态表征的新生物标志物的前景.
- 需要进一步研究它们在评估神经系统疾病中的应用.
