大脑网络状态变压器:利用状态功能连接来增强大脑网络分析

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.
• 机器学习 机器学习

背景情况:

• 功能性磁共振成像 (fMRI) 研究越来越多地关注动态功能连接 (DFC) 而不是静态方法.
• 现有的DFC方法在平衡时间分辨率与大脑网络模式的可解释性方面面临挑战.

研究的目的:

• 引入大脑网络状态变压器 (BNST),这是使用fMRI进行增强大脑网络分析的新框架.
• 通过识别和建模不同的大脑状态来提高DFC分析的解释性和预测能力.

主要方法:

• BNST框架使用深度聚类来识别从DFC矩阵中重复出现的大脑状态.
• 它使用基于状态的重组来根据已识别的状态重组基于BOLD的时间序列.
• 基于变压器的特征提取机制为预测任务建模了州内和州际关系.

主要成果:

• 在ABCD和HCP fMRI数据集上,BNST在分类和回归任务中都表现出有效性.
• 该框架成功地捕获了大脑活动中的结构化时间动态.
• 与现有的DFC方法相比,BNST提高了预测性能.

结论:

• 通过识别不同的大脑状态及其功能意义,BNST提供了对大脑活动的结构化表示.
• 这种方法提高了DFC的解释性,使网络动态与认知和神经过程保持一致.
• 在分析神经成像研究的动态大脑连接方面,BNST代表了重大进展.