Copula-Linked Parallel ICA: A Method for Coupling Structural and Functional MRI brain Networks
Tri-institutional Center for Translational Research in Neuroimaging & Data Science (TReNDS)（三机构神经影像与数据科学转化研究中心（TReNDS））；Georgia State University（佐治亚州立大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文提出 CLiP-ICA 方法，结合深度学习、copula 与 ICA 融合 sMRI 和 fMRI 网络，在 ADNI 数据上有效识别强弱连接网络并揭示认知衰退中的功能连接变化。
2024-11-19 cs.AI cs.CV cs.LG
4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis
提出M2M-AlignNet，利用几何感知多模态协同注意力与潜在对比对齐融合sMRI和fMRI，实现早期阿尔茨海默病诊断，并验证跨模态生物标志物对应性。
2025-04-23 cs.CV cs.LG cs.MM
Brain tumor MRI image classification with feature selection and extraction using linear discriminant analysis
Sudharsan Engineering College（苏达尔桑工程学院）
特征提取是捕获图像的视觉内容的方法。特征提取是以其简化形式表示原始图像以便于诸如模式分类之类的决策的过程。我们试图通过创建一个强大的，更准确的分类器，可以作为一个专家助理的医疗从业者来解决分类MRI脑图像的问题。本文的目的是提出一种新的特征选择和提取方法。该方法结合了基于强度、纹理、形状的特征，并将肿瘤分类为白质、灰质、CSF、异常和正常区域。实验是在来自互联网脑分割库的140个包含肿瘤的脑MR图像上进行的。所提出的技术已经进行了一个更大的数据库相比，任何以前的工作，是更强大和有效的。PCA和线性判别分析（LDA）应用于训练集。支持向量机（SVM）分类器作为非线性技术与线性技术的比较。PCA和LDA方法用于减少所使用的特征的数量。使用该技术的特征选择是更有益的，因为它分析的数据，根据分组类变量，并给出了减少的特征集，具有较高的分类精度。
2012-08-10 cs.CV cs.LG
Information Theoretic Feature Transformation Learning for Brain Interfaces
Northeastern University（东北大学）
目的：用于大脑接口中的模型训练的各种模式分析技术利用基于特征排序和选择算法的神经特征降维。根据广泛的证据表明，潜在的次优的排名为基础的特征选择的任何标准，我们建议扩展这一重点与信息理论学习驱动的特征变换的概念。研究方法：我们提出了一个最大互信息线性变换（MMI-LinT），和一个非线性变换（MMI-NonLinT）的框架，由特征变换学习问题的一般定义。基于在四级运动想象脑机接口（BCI）任务期间记录的脑电图（EEG）数据进行经验评估。利用国家的最先进的方法进行初始特征向量的建设，我们提出的方法与传统的特征选择为基础的降维技术，广泛用于大脑接口进行比较。此外，对于多类问题，我们提出并开发了一个基于层次图模型的BCI解码系统。结果：二进制和多类解码分析表明，显着更好的性能与所提出的方法。结论：信息理论特征变换能够在各种环境中处理传统方法的潜在混淆因素。重要性：我们认为，这一概念提供了重要的见解，以扩大对特征选择算法的关注，以更广泛的定义，在大脑接口的特征转换学习。
2019-04-05 cs.HC cs.IT cs.LG
Understanding Brain Dynamics for Color Perception using Wearable EEG headband
York University（约克大学）
颜色知觉是人脑的一个重要认知特征。冲击人眼的各种颜色可以触发大脑活动的变化，这些变化可以使用脑电图（EEG）捕获。在这项工作中，我们设计了一个多类分类模型来检测原始EEG信号的特征的原色。与以往的研究相比，我们的方法采用频谱功率特征，统计特征以及相关性特征从连续Morlet小波变换而不是原始EEG的信号频带功率，分类任务。我们已经应用了降维技术，如前向特征选择和堆叠自动编码器，以减少数据的维度，最终提高模型的效率。我们提出的方法，使用正向选择和随机森林分类器给出了最好的整体准确率为80.6%的主题内分类。我们的方法在开发使用颜色线索的认知任务技术方面显示出了希望，例如通过查看运动能力受限的个人的原色来控制物联网（IoT）设备。
2020-08-17 cs.LG q-bio.NC stat.ML
BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications
Department of Neurology and Neurosurgery, University Medical Center Utrecht Brain Center, Utrecht University（神经学与神经外科学系，乌得勒支大学医学中心脑研究中心，乌得勒支大学）；Donders Institute for Brain, Cognition and Behaviour, Radboud University（脑、认知与行为研究所，拉德堡德大学）
本文提出BCI-sift工具箱，通过整合先进优化方法，为脑机接口任务提供自动化特征选择解决方案，提升了分类准确性和解释性。
2026-05-19 cs.LG q-bio.NC
Subject-Specific Abnormal Region Detection in Traumatic Brain Injury Using Sparse Model Selection on High Dimensional Diffusion Data
我们提出了一种方法来估计一组大脑区域的扩散张量特征的多变量高斯分布的基础上，一个小样本的健康人，并使用此分布来识别轻度创伤性脑损伤的受试者的成像异常。多变量模型接收以施加在精度矩阵上的邻域图的形式的{ \em先验}知识和附加的$L_1$稀疏性约束，所述邻域图对大脑区域相互作用进行建模。然后使用图形LASSO算法估计模型，并使用健康和TBI受试者与分布均值的马氏距离来评估模型的区分能力。我们的实验表明，除了{ \em先验}邻域图的结果在分类性能的显着改善相比，不考虑大脑区域的相互作用或使用一个完全连接的先验图的模型。此外，我们描述了一种方法，使用我们的模型，以检测区域，最有助于整体异常的受试者的大脑的DTI配置文件。
2017-04-21 stat.AP
Mining Brain Networks using Multiple Side Views for Neurological Disorder Identification
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Worcester Polytechnic Institute（伍斯特理工学院）；Tsinghua University（清华大学）；Northwestern University（西北大学）
近年来，从图数据中挖掘有区别的子图模式引起了人们极大的兴趣。它在疾病诊断、神经影像学等方面有着广泛的应用。然而，在许多实际应用中，边信息与图形数据一起可用。例如，对于神经障碍识别，除了从神经成像数据导出的脑网络之外，还可以记录每个受试者的数百种临床、免疫学、血清学和认知测量。这些措施组成多个侧视图编码的诊断目的的大量补充信息，但往往被忽略。在本文中，我们研究了使用多个侧视图的判别子图选择问题，并提出了一种新的解决方案，通过探索多个侧视图来找到一组最佳的子图特征用于图分类。我们推导出一个特征评价标准，命名为gSide，估计有用的子图模式的基础上的侧视图。然后，我们开发了一个分支定界算法，称为gMSV，有效地搜索最佳的子图特征，通过集成的子图挖掘过程和判别特征选择的过程。基于脑网络的神经系统疾病图分类实验表明，多视角引导子图选择方法所选择的子图模式能够有效提高图分类性能，并与疾病诊断相关。
2015-08-19 cs.CV cs.CY cs.LG
Outlier-based Autism Detection using Longitudinal Structural MRI
Amrita School of Engineering（阿姆里塔工程学院）；Amrita Vishwa Vidyapeetham（阿姆里塔大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；University of Canberra（堪培拉大学）
使用临床评估（认知测试）诊断自闭症谱系障碍（ASD）具有挑战性，因为个体之间存在很大差异。由于没有有效的治疗方法，及时和可靠的ASD诊断可以使治疗方案的有效准备。本文提出了一种基于结构磁共振成像（sMRI）的ASD诊断通过离群值检测方法。为了学习大脑结构连接的时空模式，生成对抗网络（GAN）专门使用健康受试者的sMRI扫描进行训练。给定三个相邻切片的堆叠作为输入，GAN生成器重建接下来的三个相邻切片;然后，GAN生成器将ASD sMRI扫描重建识别为离群值。将该模型与其他两个基线进行比较-一个更简单的UNet和一个复杂的Self-Attention GAN。使用来自多部位ABIDE II数据集的轴向、冠状和骶椎MRI切片进行评价。大量的实验表明，我们的ASD检测框架可以用更少的训练数据与最先进的技术进行比较。此外，纵向数据（每个受试者随时间扫描两次）的准确性比横截面数据（每个受试者扫描一次）高17-28%。在其他发现中，用于模型训练的度量以及重建损失计算影响检测性能，并且发现冠状模态最好地编码ASD检测的结构信息。
2022-03-10 cs.CV cs.LG eess.IV
Finding neural signatures for obesity through feature selection on source-localized EEG
University of Otago（奥塔哥大学）
本研究利用EEG的alpha频段功能连接特征和机器学习模型识别肥胖女性的脑网络，达到0.937的分类准确率，发现肥胖大脑存在处理自我参照和环境信息区域受损的功能失调网络。
2023-06-22 cs.LG eess.SP q-bio.NC
Whole-brain Prediction Analysis with GraphNet
多变量机器学习方法越来越多地用于分析神经成像数据，通常取代更传统的"质量单变量"技术，一次拟合一个体素的数据。在功能性磁共振成像（fMRI）文献中，这导致了“现成的”分类和回归方法的广泛应用。这些通用的方法允许研究人员使用现成的算法来准确地从神经活动的分布式模式中解码感知，认知或行为状态。然而，当应用于相关的全脑功能磁共振成像数据，这些方法遭受系数不稳定，是敏感的离群值，并产生密集的解决方案，很难解释没有任意阈值。在这里，我们开发了图约束弹性网（GraphNet）的变体，.我们（1）扩展GraphNet以包括对离群值不敏感的鲁棒损失函数，（2）为它们配备渐进地保证正确变量选择的"自适应"惩罚，以及（3）开发一种新的稀疏结构的支持向量GraphNet分类器（SVGN）。当应用于以前发表的数据时，这些有效的全脑方法显着提高了分类准确性，超过了以前报道的基于VOI的分析，同时发现了原始VOI方法中没有记录的任务相关区域。至关重要的是，GraphNet的估计值可以很好地推广到三年多后在同一任务中收集的样本外数据，但使用的是不同的主题和刺激。通过实现从多个时间点（> 100，000个"特征"）获取的全脑数据中对重要体素的鲁棒且高效的选择，这些方法实现了对准确预测个体内和个体间的单次试验行为的脑区域的数据驱动的选择。
2012-12-26 stat.AP
Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets
Institute of Biomedical Engineering, University of Toronto（多伦多大学生物医学工程研究所）；Bloorview Research Institute, Holland Bloorview Kids Rehabilitation Hospital（霍兰德布卢维尤儿童康复医院布卢维尤研究所）
脑机接口（Brain-computer interface，BCI）旨在建立和改善人机交互。人们越来越关注设计新的硬件设备，以促进通过各种技术收集大脑信号，例如湿和干脑电图（EEG）和功能性近红外光谱（fNIRS）设备。机器学习方法的有希望的结果吸引了研究人员将这些方法应用于他们的数据。然而，有些方法可以被忽略，仅仅是因为它们对特定数据集的性能较差。本文展示了如何相对简单而强大的特征选择/排名方法可以应用到语音图像数据集，并产生显着的结果。为此，我们介绍了两种方法，水平和垂直设置，使用任何特征选择和排名方法的语音图像BCI数据集。我们的主要目标是提高支持向量机，$k$ -最近邻，决策树，线性判别分析和长短期记忆递归神经网络分类器的分类精度。我们的实验结果表明，使用一个小的通道子集，我们可以保留，并在大多数情况下，提高分类精度，无论分类器。
2020-08-17 cs.LG eess.SP
svReg: Structural Varying-coefficient regression to differentiate how regional brain atrophy affects motor impairment for Huntington disease severity groups
对于亨廷顿舞蹈症，识别与运动障碍相关的脑区可用于开发干预措施以减轻运动症状，该疾病的主要症状。然而，大脑区域对运动障碍的影响可能因患者的不同而不同。因此，我们的兴趣不仅是识别大脑区域，而且还要了解它们对运动障碍的影响如何因患者群体而异。这可以看作是变系数回归的模型选择问题。然而，当变量之间存在预先指定的组结构时，这是具有挑战性的。我们提出了一种新的变量选择方法的变系数回归这样的结构变量。经验表明，我们的方法可以始终如一地选择相关变量。此外，我们的方法筛选不相关的变量比现有的方法更好。因此，我们的方法导致一个模型具有更高的灵敏度，较低的错误发现率和更高的预测精度比现有的方法。最后，我们发现，从大脑区域运动障碍的影响不同的疾病严重程度的患者。据我们所知，我们的研究是第一个确定疾病严重程度和大脑区域之间的这种相互作用的影响，这表明需要根据疾病严重程度进行定制干预。
2020-07-12 stat.ME
Online Optimization of Stimulation Speed in an Auditory Brain-Computer Interface under Time Constraints
University of Freiburg（弗赖堡大学）；Radboud University（拉德堡德大学）
对大脑信号的解码记录，例如，使用机器学习的脑电图是脑机接口（BCI）的关键。BCI协议的刺激参数或其他实验设置通常根据文献来选择。解码性能直接取决于参数的选择，因为它们影响所引发的大脑信号，并且最佳参数是受试者依赖的。因此，一个快速和自动化的实验参数选择程序可以大大提高BCI的可用性。我们评估了一个独立的随机搜索和贝叶斯优化与随机搜索相结合的闭环听觉事件相关电位协议。我们的目标是找到单独的最佳刺激速度-也称为刺激起始速度（SOA）-最大限度地提高正则化线性判别分析的分类性能。为了使贝叶斯优化在噪声和在线BCI实验带来的时间压力下可行，我们首先使用离线模拟来初始化和约束内部优化模型。然后，我们在线评估了13名健康受试者的方法。我们可以证明，对于13个受试者中的8个，所提出的使用贝叶斯优化的方法成功地从多个评估的SOA值中选择了单独的最优SOA。然而，我们的数据表明，受试者的SOA参数的影响程度非常不同。这使得自动参数选择对于影响有限的受试者是不可行的。我们的工作提出了一种方法来利用个性化的实验方案的好处，并在听觉BCI评估。当应用于其他实验参数时，我们的方法可以增强BCI对不同目标群体的可用性-特别是如果个别疾病进展可能阻止使用标准参数。
2021-08-26 cs.LG q-bio.NC stat.AP
Nonparametric Group Variable Selection with Multivariate Response for Connectome-Based Modeling of Cognitive Scores
在这篇文章中，我们使用多响应非参数回归模型来研究结构连接体和认知特征之间的关联。结构连接体由无向图表示。这些图的连通性属性是可用的节点属性。节点中心性的集合可以编码大脑网络中不同的连接模式。在本文中，我们为每个大脑区域考虑了九个这样的属性，这些节点图度量可以自然地为每个节点分组在一起，激励我们引入组稀疏度进行特征选择。我们提出了高斯RBF网络与一个新的组稀疏诱导之前建模的未知均值函数。多元响应的协方差结构的特征在于线性因子建模框架。对于后验计算，我们提出了一种有效的马尔可夫链蒙特卡罗采样算法。我们表明，所提出的方法比它的所有竞争对手表现得更好。将我们提出的方法应用于人类连接组计划（HCP）数据集，我们识别了认知功能的重要大脑区域和节点属性，并在认知相关测试分数中识别出有趣的低维依赖结构。保留字：因子模型;组变量选择;高维;人类连接组计划;马尔可夫链蒙特卡罗;神经网络;非参数推断;径向基网络;尖峰-平板先验;变量选择。
2022-12-04 stat.ME
An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization
University of Science and Technology of China（中国科学技术大学）；The Ohio State University（俄亥俄州立大学）
早期准确诊断阿尔茨海默病（AD）及其前驱期轻度认知功能损害（MCI），对于延缓疾病进展、提高患者生活质量至关重要。新兴的将深度学习与结构磁共振成像（sMRI）相结合的计算机辅助诊断方法取得了令人鼓舞的成果，但其中一些方法存在数据泄漏和无法解释的诊断等问题。在这项研究中，我们提出了一种新的端到端深度学习方法，用于自动诊断AD，并从sMRI数据中定位与疾病相关的重要大脑区域。该方法基于二维单模型策略，与现有方法的区别在于：1）对不同结构和容量的卷积神经网络（CNN）模型进行系统评价，选择最适合AD诊断的模型; 2）两阶段随机扩充（TRRA）提出了一种新的分类方法，以缓解由于训练数据有限而导致的过拟合问题，提高AD诊断中的分类性能; 3）Grad-CAM++的解释方法是为了生成视觉上可解释的热图，这些热图可以定位和突出显示我们的模型所关注的大脑区域，并使我们的模型更加透明。我们的方法已经在两个公开访问的数据集上进行了评估，用于AD与认知正常（CN）和进行性MCI（pMCI）与稳定MCI（sMCI）的两个分类任务。实验结果表明，我们的方法优于国家的最先进的方法，包括使用多模型和3D CNN方法。从我们的方法得到的定位热图还突出了侧脑室和一些疾病相关的皮质区域，与AD发展过程中常见的受影响区域一致。
2021-07-28 cs.CV cs.LG eess.IV
Analysis of MRI Biomarkers for Brain Cancer Survival Prediction
Indian Statistical Institute（印度统计学院）；University of South Florida（南佛罗里达大学）
通过多模态MRI预测脑癌患者的总生存期（OS）是一个具有挑战性的研究领域。大多数现有的生存预测文献都基于放射组学特征，没有考虑非生物因素或患者的功能性神经状态。此外，选择适当的生存截止值和删失数据的存在产生了进一步的问题。深度学习模型在OS预测中的应用也受到限制，因为缺乏大型注释的公开可用数据集。在这种情况下，我们分析了两个新的神经影像学功能家族的潜力，从大脑包裹地图集和空间栖息地提取，以及经典的放射组学和几何特征;研究其综合预测能力分析总体生存。提出了一种基于网格搜索的交叉验证策略，根据特征子集的预测能力同时选择和评估最具预测性的特征子集。采用Cox比例风险（CoxPH）模型进行单变量特征选择，然后通过三个多变量简约模型（即Coxnet，随机生存森林（RSF）和生存SVM（SSVM））预测患者特异性生存函数。用于本研究的脑癌MRI数据来自癌症成像档案馆（TCIA）的两个开放获取集合TCGA-GBM和TCGA-LGG。从癌症基因组图谱（TCGA）下载每个患者的相应生存数据。使用具有最佳$24$选择特征的RSF实现了$0.82\pm.10$的高交叉验证$C-index$评分。年龄被认为是最重要的生物学预测因素。分别从地块、生境、辐射组和基于区域的特征组中选择了$9$、$6$、$6$和$2$特征。
2021-09-03 cs.CV cs.LG eess.IV
Multivariate functional group sparse regression: functional predictor selection
在本文中，我们提出了方法的功能预测选择和光滑的功能系数估计同时在标量函数回归问题下的高维多元函数数据设置。特别是，我们开发了两种方法的功能组稀疏回归下的一般希尔伯特空间的无限维。我们证明了算法的收敛性和一致性的估计和选择（预言性质）在无限维Hilbert空间。仿真研究表明，该方法在函数系数的选择和估计方面都是有效的。功能磁共振成像（fMRI）的应用揭示了人类大脑中与ADHD和智商相关的区域。
2021-07-08 math.ST q-bio.NC stat.AP
Incorporating Prior Information with Fused Sparse Group Lasso: Application to Prediction of Clinical Measures from Neuroimages
从全脑神经图像预测临床变量是一个高维问题，需要某种类型的特征选择或提取。惩罚回归是一种流行的高维数据嵌入式特征选择方法。对于神经成像应用，使用图像梯度的$\ell_1$或$\ell_2$范数的空间正则化已经显示出良好的性能，在空间连续的脑区域中产生平滑的解决方案。然而，最近大量的资源已被投入到建立结构和功能的大脑连接网络，可用于定义空间分布的相关组的体素。我们建议使用融合的稀疏组套索惩罚，鼓励结构化的，稀疏的，可解释的解决方案，通过将先验信息的空间和组之间的体素结构。提出了利用乘子算法的交替方向法对融合稀疏群套索惩罚回归进行优化的步骤。与模拟研究和应用程序，真正的功能磁共振成像数据从自闭症脑成像数据交换，我们展示的条件下，融合和组惩罚条款一起优于他们单独。本文的补充材料可在线获取。
2018-02-23 stat.ME
Regularized regression on compositional trees with application to MRI analysis
合成树是指一组随机变量上的树结构，其中每个随机变量是一个节点，并且合成发生在树的每个非叶节点处。作为组成数据的概括，组成树处理随机变量之间更复杂的关系，出现在许多学科中，例如脑成像、基因组学和金融学。我们考虑与组合树相关的数据的稀疏回归问题，并提出了一种基于无变换树的正则化回归方法用于组件选择。正则化惩罚是基于树结构设计的，并鼓励稀疏树表示。我们证明了我们所提出的回归系数的估计是相容的和模型选择相容的。在仿真研究中，我们的方法显示出更高的精度比竞争的方法在不同的情况下。通过分析来自阿尔茨海默病研究的脑成像数据集，我们的方法确定了记忆衰退与大脑区域体积之间的有意义的关联，这与目前的理解是一致的。
2021-04-16 stat.AP stat.ME
Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images
Georgia State University（佐治亚州立大学）
本文提出空间序列注意力网络，结合预训练DenseNet提取结构MRI特征，用于精神分裂症自动分类，并在临床数据上优于Squeeze & Excitation Network。
2024-06-18 cs.CV cs.LG
Machine learning techniques for the Schizophrenia diagnosis: A comprehensive review and future research directions
NIT Silchar（锡尔恰尔国立理工学院）；Indian Institute of Technology Indore（印度理工学院印多尔分校）；Nantong University（南通大学）
精神分裂症（SCZ）是一种大脑疾病，不同的人会经历不同的症状，如幻觉，妄想，说话平淡，思维混乱等，从长远来看，这可能会导致严重的影响，并减少预期寿命超过十年。因此，SCZ的早期和准确的诊断是普遍的，并且诸如结构磁共振成像（sMRI）、功能磁共振成像（fMRI）、扩散张量成像（DTI）和脑电图（EEG）等方式有助于见证患者的脑部异常。此外，为了准确诊断SCZ，研究人员在过去十年中使用机器学习（ML）算法，使用MRI和fMRI图像区分健康和SCZ大脑的大脑模式。本文旨在使SCZ研究人员熟悉ML，并讨论其在SCZ研究领域的最新应用。本文全面回顾了最先进的技术，如ML分类器，人工神经网络（ANN），深度学习（DL）模型，方法学基础和应用与以前的研究。本文的动机是从寻找可能导致开发新模型用于准确诊断SCZ的研究空白中获益。最后，本文总结了研究结果，并指出了未来的研究范围，直接有助于新的研究方向。
2023-01-16 cs.LG
DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI
National University of Sciences and Technology（国立科技大学）；Middle East Technical University（中东技术大学）
本文提出DuSCN-FusionNet，通过双通道结构协方差网络捕捉区域间形态关系，结合强度和异质性描述符，利用晚阶段融合提升性能，在ADHD-200数据集上达到80.59%的平衡准确率和0.778的AUC。
2026-03-27 cs.CV cs.LG
Brain EEG Time Series Selection: A Novel Graph-Based Approach for Classification
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Macquarie University（麦考瑞大学）；Suzhou University（宿州学院）
脑电分类是近年来被广泛应用于脑部疾病分析的一种方法。不幸的是，无效/嘈杂的EEG降低了诊断性能，大多数以前开发的方法忽略了EEG选择分类的必要性。为此，本文提出了一种新的基于最大权值聚类的脑电选择方法mwcEEGs，将脑电选择映射为从一个同时考虑边权值和顶点权值的改进的Fréchet距离加权无向脑电图中搜索最大相似权团.我们的mwcEEG通过选择具有相似性阈值$δ$的团内成对相似和团间区分EEG来提高分类性能。在真实脑电数据集上的实验结果表明，与现有的时间序列选择算法相比，该算法是有效的。
2018-02-09 cs.LG q-bio.NC stat.ML
Feature Space Selection and Heterogeneous Effect Estimation for Blood-Brain Barrier Permeability: A Random Forest to the Generalized Random Forest Pipeline
University of Pretoria（比勒陀利亚大学）；Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
本研究利用MoleculeNet BBBP数据集，通过系统消融特征空间并应用广义随机森林与双重机器学习，发现特征表示与算法耦合影响预测性能，且校正混杂后LogP-BBB关联的异质性证据不足。
2026-09-25 cs.LG stat.ML
Residual Embedding Similarity-Based Network Selection for Predicting Brain Network Evolution Trajectory from a Single Observation
Istanbul Technical University（伊斯坦布尔理工大学）；University of Sousse（苏塞大学）
虽然现有的预测框架能够处理欧几里德结构化数据（即大脑图像），但它们可能无法推广到几何非欧几里德数据，如大脑网络。此外，这些都植根于样本选择步骤中使用欧几里得或学习向量化训练和测试大脑网络之间的相似性度量。这样的样本连接组表示可能包括可能误导训练样本选择步骤的不相关和冗余特征。毫无疑问，这未能利用和保护大脑连接体的拓扑结构。为了克服这个主要缺点，我们提出了基于残差嵌入相似性的网络选择（RESNets），用于从单个时间点预测大脑网络的进化轨迹。RESNets首先使用对抗性连接体嵌入网络学习每个训练和测试样本的紧凑几何嵌入。这很好地降低了大脑网络的高维性，同时通过图卷积网络保留了它们的拓扑特性。接下来，为了计算受试者之间的相似性，我们引入了连接大脑模板（CBT）的概念，这是一个固定的网络参考，我们进一步将每个训练和测试网络表示为嵌入空间中与参考CBT的偏差。因此，我们通过比较他们相对于预定义的CBT的学习残差嵌入，选择与基线测试对象最相似的训练对象。一旦在基线选择了最佳训练样本，我们只需在后续时间点对其相应的大脑网络进行平均，即可预测测试网络的进化轨迹。我们在健康和紊乱的大脑网络上的实验表明，与RESNets消融版本和传统方法相比，我们提出的方法是成功的。
2020-09-23 cs.CV cs.LG
Source Data Selection for Brain-Computer Interfaces based on Simple Features
Lund University（隆德大学）；Blekinge Tekniska Högskola（布莱金厄理工学院）
本文提出基于协方差矩阵和黎曼距离的简单特征进行源数据选择，通过迁移性能预测器方法提升脑机接口对新用户的迁移学习性能，并在公开运动想象数据集上验证其优于其他方法。
2024-10-03 cs.HC cs.LG
Frequency selection for the diagnostic characterization of human brain tumours
Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学（UPC））
本文针对脑肿瘤磁共振波谱数据的高维问题，提出一种专门的谱频率选择方法并结合非线性分类，在国际脑肿瘤数据库上进行分析，以辅助脑肿瘤诊断。
2025-03-11 cs.CV cs.LG eess.IV
Mixed-norm Regularization for Brain Decoding
Université de Nice（尼斯大学）；Gipsa Lab（Gipsa实验室）；Université de Rouen（鲁昂大学）
本文研究了基于事件相关电位（ERP）的脑机接口（BCI）中传感器选择的混合范数正则化方法。分类问题被铸造作为一个歧视性的优化框架，传感器的选择是通过使用混合规范诱导。该框架被扩展到多任务学习的情况下，几个类似的分类任务相关的不同的主题是同时学习。在这种情况下，多任务学习有助于利用数据稀缺问题，从而产生更强大的分类器。为此，我们引入了一个正则化，诱导传感器选择和分类器的相似性。在三个ERP数据集上比较了不同的正则化方法，显示了混合范数正则化在传感器选择方面的兴趣。多任务的方法进行评估时，少量的学习实例产生显着的性能改善，特别是对科目表现不佳。
2014-03-14 cs.LG
Harnessing XGBoost for Robust Biomarker Selection of Obsessive-Compulsive Disorder (OCD) from Adolescent Brain Cognitive Development (ABCD) data
Columbia University（哥伦比亚大学）
本研究基于ABCD模拟数据比较多种机器学习模型，发现XGBoost在高相关神经信号中能更稳健地选择强迫症相关预测特征，为神经影像分析提供方法选择依据。
2024-05-14 cs.LG q-bio.NC stat.AP
Brain-Aligned Multi-Stream Video Transformers with Sparse Self-Selection
University of Tehran（德黑兰大学）
研究针对现代视频变换器忽视灵长类视觉原理及缺乏神经数据评估的问题，提出含稀疏胜者全得令牌选择模块的脑对齐多流视频变换器，经实验其在精度与推理时间上表现优且鲁棒性强，脑模型相关性高，优于基线。
2026-07-21 cs.CV cs.LG
Recommender Engine Driven Client Selection in Federated Brain Tumor Segmentation
Turku University of Applied Sciences（图尔库应用科学大学）
本文针对联邦脑肿瘤分割提出基于非负矩阵分解的推荐引擎客户端选择协议及谐波相似度权重聚合方法，有效解决冷启动问题并在外部验证集上取得优异分割性能。
2024-12-28 cs.CV cs.LG
Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization
Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经成像与数据科学转化研究中心（TReNDS））；Georgia State University（佐治亚州立大学）；K.N Toosi University of Technology（K.N. 图西理工大学）；Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）
本文针对运动想象脑机接口中的EEG通道选择问题，提出结合正则化CSP与SPEA-II多目标优化的通道子集选择策略，并引入集成学习缓解过拟合，从而提升EEG信号分类性能与用户舒适度。
2024-04-26 cs.LG eess.SP
Interpretable Sparsification of Brain Graphs: Better Practices and Effective Designs for Graph Neural Networks
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Georgia State University（佐治亚州立大学）；University of North Carolina, Charlotte（北卡罗来纳大学夏洛特分校）；Dartmouth College（达特茅斯学院）
针对密集脑图计算成本高且可解释性差的问题，提出可解释图稀疏化模型IGS，通过在GNN训练中联合学习跨图共享边选择并利用任务相关梯度，在减少55.0%边的同时将分类性能提升5.1%，且保留边具神经科学解释性。
2023-06-26 cs.LG q-bio.NC
EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD Diagnosis via Inter-regional Relation Learning
Korea University（高丽大学）
针对现有rs-fMRI的ASD诊断方法信息不足、忽略个体差异及不可解释的问题，提出EAG-RS框架，通过脑区间关系学习等三步选择信息型ROI，在ABIDE数据集上性能优于对比方法，还识别出相关ASD亚型。
2023-10-05 cs.LG
Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation
Middle East Technical University（中东技术大学）；Neuroscience and Neurotechnology Center of Excellence（神经科学与神经技术卓越中心）
大型、多样化和跨国数据集的可用性对于在医学成像领域开发有效和临床适用的AI系统至关重要。然而，通过将这些数据集集中在一个中心位置来形成一个全球模型，会带来各种数据隐私和所有权问题。为了缓解这些问题，最近的几项研究集中在联邦学习范式上，这是一种用于分散数据的分布式学习方法。联邦学习利用所有可用的数据，而无需相互共享协作者的数据或将其收集在中央服务器上。研究表明，联邦学习可以提供与传统中央训练有竞争力的性能，同时具有良好的泛化能力。在这项工作中，我们研究了几种联邦学习方法对脑肿瘤分割问题。我们探索了不同的策略，以实现更快的收敛和更好的性能，这些策略也可以用于强非IID情况。
2022-04-12 cs.AI cs.CV cs.DC
Predicting cognitive scores with graph neural networks through sample selection learning
Zuse Institute Berlin（柏林祖斯研究所）；Istanbul Technical University（伊斯坦布尔技术大学）；Ecole Polytechnique de Tunisie（突尼斯理工学院）；University of Dundee（邓迪大学）
分析智力和神经活动之间的关系对于理解健康和疾病中人脑的工作原理至关重要。在现有文献中，功能性脑连接组已成功用于使用机器学习模型预测健康和紊乱队列中的认知测量，例如智商（IQ）分数。然而，现有的方法诉诸于使脑连接体变平（即，图）通过忽略其拓扑性质的向量化。为了解决这一局限性，并从新兴的图神经网络（GNNs）的启发，我们设计了一种新的回归GNN模型（即RegGNN）预测智商分数从大脑连接。最重要的是，我们引入了一种新颖的，完全模块化的样本选择方法，以选择最好的样本来学习我们的目标预测任务。然而，由于这种深度学习架构在训练时计算成本很高，因此我们进一步提出了一种\emph{learning-based sample selection}方法，该方法学习如何选择对未知样本具有最高预期预测能力的训练样本。为此，我们利用了连接体（即，它们的邻接矩阵）位于对称正定（SPD）矩阵锥中。我们的研究结果在自闭症谱系障碍队列中的全面和言语智商预测优于比较方法，并使用3倍交叉验证实现了神经型受试者的竞争力表现。此外，我们还证明了我们的样本选择方法可以推广到其他基于学习的方法，这表明它的实用性超出了我们的GNN架构。
2022-02-15 cs.LG q-bio.NC
Emotional Brain State Classification on fMRI Data Using Deep Residual and Convolutional Networks
Columbia University（哥伦比亚大学）；New York State Psychiatric Institute（纽约州精神病学研究所）
基于功能磁共振成像（fMRI）数据的情绪脑状态分类的目标是识别实验期间受试者执行的特定情绪任务相关的脑活动模式。使用功能磁共振成像数据区分情绪大脑状态和其他大脑状态已经被证明是具有挑战性的，这是由于两个因素：难以在短时间内生成快速而准确的预测，以及难以提取概括到看不见的主体的情绪特征。为了应对这些挑战，我们进行了一项实验，让22名受试者观看旨在刺激消极、中性或休息情绪反应的图片，同时使用功能磁共振成像测量他们的大脑活动。然后，我们开发了两种不同的基于卷积的方法来解码情感大脑状态，只使用来自单个最小预处理（切片定时和重新排列）fMRI卷的空间信息。在我们的第一种方法中，我们训练了一个1D卷积网络（准确率为84.9%;机会水平为33%），使用单向方差分析（ANOVA）体素选择结合超对齐对3种情绪状况进行分类。在我们的第二种方法中，我们训练了一个3D ResNet-50模型（准确率为78.0%;概率水平为50%），直接从单个3D fMRI体积中分类2种情绪状况。我们的卷积和残差分类器成功地学习了组级别的情感特征，并可以在毫秒内从fMRI卷中解码情感条件。这些方法有可能用于脑机接口和实时功能磁共振成像神经反馈研究。
2022-10-31 cs.CV cs.LG eess.IV
Transfer learning to decode brain states reflecting the relationship between cognitive tasks
Southern University of Science and Technology（南方科技大学）
迁移学习通过利用特定源任务的数据来提高目标任务的性能：源任务和目标任务之间的关系越密切，迁移学习的性能提高就越大。在神经科学中，认知任务之间的关系通常由激活的大脑区域或神经表征的相似性来表示。然而，没有研究将迁移学习和神经科学联系起来，以揭示认知任务之间的关系。在本研究中，我们提出了一个迁移学习框架来反映认知任务之间的关系，并比较了迁移学习和大脑区域重叠（例如，neurosynth）。我们的迁移学习的结果创建了认知任务学，以反映认知任务之间的关系，这与来自neurosynth的任务关系非常一致。如果源认知任务和目标认知任务激活相似的脑区，迁移学习在使用fMRI数据进行任务解码时表现更好。该研究揭示了多个认知任务之间的关系，为基于小样本数据的神经解码迁移学习中的源任务选择提供了指导。
2022-08-30 cs.AI cs.LG q-bio.NC
Forecasting Whole-Brain Neuronal Activity from Volumetric Video
Google Research（谷歌研究院）；Harvard University（哈佛大学）；HHMI Janelia（霍华德·休斯医学研究所珍妮亚研究园区）
本文研究直接从体积视频预测全脑神经元活动，设计了具有大感受野的深度学习模型以捕捉长程依赖，并在ZAPBench基准上证明其优于基于轨迹的方法，凸显了保留空间结构的优势。
2025-02-27 cs.CV cs.LG q-bio.NC
