GEMReg:一个时空灰色顺序集成建模框架,用于从静止状态fMRI预测任务激活图
Sasideep Pasumarthi1, Satwik Bathula1, Nitya Tiwari1
1School of Electrical and Computer Sciences, Indian Institute of Technology, Bhubaneswar, India.
Frontiers in neuroscience
|December 19, 2025
概括
这项研究引入了一种新的Grayordinate Ensemble Modeling for Regression (GEMReg) 框架,用于使用休息状态功能性MRI (rs-fMRI) 数据预测大脑活动图. 时空GEMReg通过整合rs-fMRI的时间和空间特征来实现最先进的性能.
科学领域:
- 神经成像是一种神经成像.
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 休息状态功能磁共振成像 (rs-fMRI) 越来越多地被用作基于任务的fMRI的替代方案,因为它的效率和适合于不同的人群.
- 从rs-fMRI数据中预测任务激活地图仍然是一个挑战,特别是在利用rs-fMRI固有的丰富的时间信息方面.
研究的目的:
- 引入一个新的框架,Grayordinate Ensemble Modeling for Regression (GEMReg),用于仅从rs-fMRI数据中预测任务激活地图.
- 为了独特地利用rs-fMRI的时间动态进行任务激活地图预测.
- 开发一个时空方法,整合时间和空间特征,以提高预测准确度.
主要方法:
- 开发了一种新的Grayordinate Ensemble Modeling for Regression (GEMReg) 框架. 开发了一个新的GEMReg框架.
- 制定了任务激活地图预测作为时间序列回归,利用rs-fMRI的各种时间特征和表示,包括基于全息图的新特性.
- 通过在GEMReg框架内选择最佳特征回归组合,训练了59,412个个性化模型,并通过选择最佳特征回归组合来优化预测.
- 集成的时间特征与传统的功能连接基于地图的空间特征,以创建一个时空GEMReg.
主要成果:
- 拟议的时空GEMReg在预测rs-fMRI数据的任务激活地图方面始终优于现有方法.
- 在标准评估指标上实现了新的最先进的性能.
- 证明了将时间 rs-fMRI 信息与空间特征集成的有效性,以改善预测.
结论:
- 时空GEMReg框架代表了使用rs-fMRI预测任务激活地图的重大进步.
- 这种新的方法为大脑活动绘制提供了更高效和有效的方法,特别有利于基于任务的fMRI具有挑战性的群体.
- 该研究强调了利用rs-fMRI中的时间动态在神经科学中的预测建模方面的潜力.
