Resting state-fMRI approach towards understanding impairments in mTLE
颞叶内侧癫痫（mTLE）是最常见的癫痫形式。虽然它的特点是在内侧颞叶癫痫灶，它越来越被理解为一个网络障碍。因此，在网络层面上理解损伤的性质对于其诊断和治疗至关重要。在这项工作中，我们回顾了最近的作品，应用静息态功能磁共振成像提供关键的见解mTLE的功能架构的损害。我们讨论了区域和全球范围内的变化。最后，我们描述了如何将机器学习应用于rs-fMRI数据，以提取特定于mTLE的静息状态网络，并用于这种疾病的自动诊断。
2020-09-24 eess.IV q-bio.NC
Simple 1-D Convolutional Networks for Resting-State fMRI Based Classification in Autism
University of Amsterdam（阿姆斯特丹大学）；UvA（阿姆斯特丹大学）
深度学习方法越来越多地用于神经成像数据，如结构和功能磁共振成像（MRI），以预测神经精神和神经系统疾病的诊断。特别是对于精神疾病，人们认为最有前途的方式之一是静息态功能性MRI（rsfMRI），它捕获大脑区域之间的内在连接。由于rsfMRI数据点本质上是高维的（~ 1 M），因此不可能以原始形式处理整个输入。在本文中，我们提出了一个非常简单的变换的rsfMRI图像，捕捉所有的时间动态的信号，但子采样其空间范围。因此，我们使用了一个非常简单的一维卷积网络，它可以快速训练，需要最少的预处理，并且在自闭症谱系障碍的分类上与最先进的技术不相上下。
2019-07-02 cs.LG eess.IV q-bio.NC
Evaluation of augmentation methods in classifying autism spectrum disorders from fMRI data with 3D convolutional neural networks
a Division of Medical Informatics, Department of Biomedical Engineering b Division of Statistics \& Machine Learning, Department of Computer；Information Science c Center for Medical Image Science；Visualization (CMIV) \ \" o ping University, Sweden
在过去的10年里，使用神经成像数据将受试者分类为健康或患病已经得到了很多关注。在这里，我们将深度学习应用于静息状态fMRI数据的衍生物，并研究不同的3D增强技术如何影响测试精度。具体来说，我们使用来自ABIDE预处理的1，112个受试者的静息状态导数来训练3D卷积神经网络（CNN）以执行分类。我们的研究结果表明，增强只提供轻微的改善测试的准确性。
2021-10-20 cs.CV eess.IV q-bio.NC
Deep reinforcement learning for fMRI prediction of Autism Spectrum Disorder
Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；New York University Langone Medical Center（纽约大学朗格尼医学中心）；Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）
目的：由于功能性MRI（fMRI）数据集一般都很小，我们寻求一种数据有效的方法来静息状态fMRI分类自闭症谱系障碍（ASD）与神经型（NT）控制。我们假设深度强化学习（DRL）分类器可以在小的fMRI训练集上有效地学习。研究方法：我们在自闭症脑成像数据交换（ABIDE）数据库中的100个图形标签对上训练了深度强化学习（DRL）分类器。为了进行比较，我们在相同的训练集上训练了一个监督深度学习（SDL）分类器。结果：DRL显著优于SDL，p值为2.4 x 10^（-7）。DRL在各种分类器性能指标方面都取得了优异的结果，包括F1得分76，而SDL为67。虽然SDL快速过拟合训练数据，但DRL以渐进的方式学习，并推广到单独的测试集。结论：DRL可以学习以数据有效的方式对ASD与NT进行分类，这样做是为了一个小的训练集。未来的工作将涉及优化神经网络的数据效率，并将该方法应用于其他功能磁共振成像数据集，即脑癌患者。
2022-06-17 cs.AI cs.LG eess.IV
Deriving reproducible biomarkers from multi-site resting-state data: An Autism-based example
静息态功能磁共振成像（R-fMRI）有望揭示神经精神疾病的功能生物标志物。然而，提取这样的生物标志物是具有挑战性的复杂的多方面的神经病理学，如自闭症谱系障碍。大型多站点数据集增加了样本量以补偿这种复杂性，代价是不受控制的异质性。这种异质性提出了新的挑战，类似于现实诊断应用中面临的挑战。在这里，我们证明了网站间分类的神经精神状态的可行性，自闭症脑成像数据交换（ABIDE）数据库，一个大的（N=871）多站点自闭症数据集的应用程序。为此，我们研究了从数据中提取最具预测性的生物标志物的管道。这些R-fMRI管道从功能定义的大脑区域构建参与者特定的连接体。然后，在参与者之间比较连接体，以学习区分典型控制与自闭症个体的连接模式。我们预测这种神经精神状态的参与者从相同的收购网站或不同的，看不见的，的。良好的方法选择的各个步骤的管道导致67%的预测准确率的完整ABIDE数据，这是显着优于以前报道的结果。我们对不同纳入标准定义的多个数据子集进行了广泛的验证。这些使得能够详细分析有助于成功的基于连接体的预测的因素。首先，预测准确性随着我们包括更多的受试者而提高，直到可用的受试者的最大量。其次，功能性脑区的定义对于生物标志物的发现至关重要：从大型R-fMRI数据集中提取的脑区在分类任务中优于参考图谱。
2016-11-18 q-bio.NC stat.ML
Brain Network Diffusion-Driven fMRI Connectivity Augmentation for Enhanced Autism Spectrum Disorder Diagnosis
Lehigh University（里海大学）
本文提出基于Transformer的潜在扩散模型生成fMRI功能连接以增强数据，从而提升自闭症谱系障碍诊断性能，并验证了生成质量与特征可解释性。
2024-09-11 cs.CV q-bio.NC
Functional voxel hierarchy and afferent capacity revealed mental state transition on dynamic correlation resting-state fMRI
该研究结合k核渗流、体积熵与Markov有向图建模，分析静息态fMRI动态功能连接，揭示并量化心理状态转换及传入模块交换。
2024-06-12 q-bio.NC
Rest2Visual: Predicting Visually Evoked fMRI from Resting-State Scans
The University of Sydney（悉尼大学）；The University of Western Australia（西澳大学）
提出条件生成模型Rest2Visual，利用静息态fMRI和2D视觉刺激预测视觉诱发fMRI，证明个性化自发神经活动可转化为刺激对齐表征，支持下游图像重建并开辟无任务脑建模新途径。
2025-09-17 cs.CV q-bio.NC
Towards precise resting-state fMRI biomarkers in psychiatry: synthesizing developments in transdiagnostic research, dimensional models of psychopathology, and normative neurodevelopment
寻找生物标志物一直是精神病学领域的主要追求。为此，研究已经将几乎所有形式的精神障碍的候选静息状态生物标志物编目。然而，越来越清楚的是，这些生物标志物缺乏特异性，限制了它们产生临床影响的能力。我们讨论了克服这一局限性的三种研究途径：（i）采用跨诊断研究设计，包括研究和明确比较精神病学不同诊断轴的多种疾病;（ii）绘制精神病学全谱并跨越传统障碍边界的精神病理学维度模型;（iii）在整个发展过程中对个体独特的功能连接体进行建模。我们提供了一个将这些子领域联系在一起的框架，该框架借鉴了机器学习和网络科学的工具。
2020-06-08 q-bio.NC
Data Integration with Fusion Searchlight: Classifying Brain States from Resting-state fMRI
Department of Psychiatry and Psychotherapy, University of Regensburg（精神病学与心理学系，雷根斯堡大学）
提出 Fusion Searchlight（FuSL）框架，通过融合多种静息态 fMRI 指标并结合可解释 AI，提升药物治疗预测、镇静相关脑区识别及探照灯分析的空间特异性。
2025-05-12 cs.LG q-bio.NC
Altered structural balance of resting-state networks in autism
除了网络的规模之外，使网络复杂的是元素之间相互关联的相互作用，破坏这些相互作用不可避免地导致功能障碍。同样，大脑网络的复杂性来自于配对连接之外的相互作用，因为假设在复杂网络中，链接的状态仅根据其两个组成节点独立确定是过于简单的。这在遗传复杂的脑损伤中特别值得注意，例如自闭症谱系障碍（ASD），其表现具有令人惊讶的异质性，没有明确的神经病理学。因此，结构平衡理论（SBT）证实，在现实世界的签署网络中，一个链接显着影响其两个节点中的每一个与第三个节点的相互作用在三元相互关系。因此，这是合理的问ASD是否与改变结构平衡所造成的非典型三元相互作用。换句话说，积极和消极相互作用的异常相互作用在ASD中很重要，除了和超越亚（超）对连接性。为了解决这个问题，我们探索三元互动的基础上SBT在加权签署的静息态功能磁共振成像网络的参与者与ASD相对于健康对照（CON）。我们证明了平衡的三合会在ASD和CON网络中的代表性过高，而不平衡的三合会则代表性不足，为大脑网络结构平衡的强烈概念提供了首次经验证据。我们进一步分析了频率和能量分布的不同的黑社会，并提出了一种替代的描述减少功能的整合和分离的ASD大脑网络。此外，结果显示，在发育过程中，ASD网络的全脑网络能量变化的范围更窄。
2021-10-14 q-bio.NC
BOLDSimNet: Examining Brain Network Similarity between Task and Resting-State fMRI
Hanyang University（汉阳大学）；Luleå University of Technology（吕勒奥理工大学）；Hankuk University of Foreign Studies（韩国外国语大学）
本文提出BOLDSimNet框架，利用多变量传递熵测量不同认知状态下的因果连接与脑网络相似性，发现儿童与青少年在任务态和静息态网络重构上存在显著发育差异。
2025-04-02 cs.CV q-bio.NC
VarCoNet: A variability-aware self-supervised framework for functional connectome extraction from resting-state fMRI
Department of Biomedical Engineering and Biotechnology, and the Health Engineering Innovation Group (HEIG), Khalifa University（生物医学工程与生物技术系，以及健康工程创新小组（HEIG），卡利法大学）；Department of Electrical and Computer Engineering, Aristotle University of Thessaloniki（电气与计算机工程系，阿尔基洛斯大学）
本研究提出变异性感知自监督框架VarCoNet，将个体间功能变异视为有效数据，结合新型信号分段增强、1D-CNN-Transformer编码器与贝叶斯优化，从静息态fMRI提取功能连接组，在个体指纹识别和ASD分类任务上优于现有13种深度学习方法。
2025-10-03 cs.AI cs.LG cs.NE
Alternating Diffusion Map Based Fusion of Multimodal Brain Connectivity Networks for IQ Prediction
为了解释个体在发育、行为和认知方面的差异，以往的研究主要集中在通过线性降维技术将静息状态下基于功能磁共振成像（fMRI）的功能连接（FC）数据投影到低维空间，然后执行分析操作。然而，线性维度分析技术可能无法捕捉脑神经活动的非线性。此外，除了静息态FC，FC基于任务的功能磁共振成像可以提供补充信息。出于这些考虑，我们非线性融合的静息状态和基于任务的FC网络（FCNs），以寻求更好的表示在本文中。我们提出了一个框架的基础上交替扩散映射（ADM），提取几何保持低维嵌入，成功地参数化的内在变量驱动感兴趣的现象。具体来说，我们首先分别建立静止状态和任务为基础的FCN的对称正定矩阵使用稀疏逆协方差估计为每个主题，然后利用ADM融合它们，以提取显着的低维嵌入，这是用来作为指纹识别个人。在费城神经发育队列数据上，我们对静息态和分形$n$ -back任务fMRI用于智商（IQ）分类进行了广泛的实验研究。融合的静息状态和$n$回任务的fMRI所提出的框架实现了更好的分类精度比任何单一的fMRI，和所提出的框架被证明优于其他几种数据融合方法。据我们所知，本文是第一个成功的扩展ADM融合静息状态和任务为基础的功能磁共振成像数据准确预测智商。
2018-10-30 q-bio.NC
Classification of Resting-State fMRI using Evolutionary Algorithms: Towards a Brain Imaging Biomarker for Parkinson's Disease
神经退行性疾病的准确早期诊断和监测对于有效的疾病管理以及药物和治疗的提供至关重要。本研究通过考虑进化算法的新应用，开发了用于检测帕金森病（PD）脑成像临床前生物标志物的自动方法。这项工作的一个基本的新元素是使用进化算法来映射和预测患者的功能连接，使用从PPMI获取的静息状态功能MRI数据来识别PD进展生物标志物。具体而言，笛卡尔遗传编程用于分类DCM数据以及时间序列数据。研究结果进行了验证，使用其他两种常用的分类方法（人工神经网络和支持向量机），并采用k折交叉验证。在DCM和时间序列分析中，结果显示早期（前驱）PD患者与健康对照组的最大准确度为75.21%，PD患者与前驱PD患者的最大准确度为85.87%，PD患者与健康对照组的最大准确度为92.09%。前驱PD患者以高准确度从健康对照中分类-这是值得注意的，并且代表了本研究的关键发现，因为目前诊断前驱PD的方法具有低可靠性和低准确性。此外，笛卡尔遗传编程提供了相当的性能精度相对于ANN和SVM。进化算法使我们能够在理解所使用的数据输入方面解码分类器，比ANN和SVM更容易。因此，这些研究结果强调了DCM分类分析和CGP作为脑成像数据的新型分类工具的相关性，其对疾病诊断具有医学意义，特别是在早期和无症状阶段。
2019-10-11 cs.NE q-bio.NC
Signal Fluctuation Sensitivity: an improved metric for optimizing detection of resting-state fMRI networks
无任务连接分析已经成为功能神经成像的一个强大工具。因为作为连接性度量基础的互相关对时间序列的失真敏感，所以在这里，我们使用了一种新的动态模型来为血氧水平依赖（BOLD）样输入和fMRI输出之间的动态保真度提供基础事实。我们发现，无任务功能磁共振成像的实际质量指标，时间信噪比（tSNR），与动态保真度成反比;因此，针对tSNR优化的研究实际上产生了显示信号动态失真最大的时间序列。相反，体模显示动态保真度通过与tSNR不同的将信号动态与扫描仪伪影分离的测量合理地近似。然后，我们测试了这一措施，信号波动灵敏度（SFS），对人类的静息状态数据。正如模型所预测的那样，SFS-而不是tSNR-与大脑默认模式网络中局部和远程连接的敏感性增强有关。
2015-11-13 q-bio.NC
Construction of embedded fMRI resting state functional connectivity networks using manifold learning
National Technical University of Athens（雅典国立理工大学）；Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）
我们构建嵌入式功能连接网络（FCN）的基准静息状态功能磁共振成像（rsfMRI）数据采集精神分裂症患者和健康对照组的基础上线性和非线性流形学习算法，即多维标度（MDS），等距特征映射（ISOMAP）和扩散地图。此外，基于嵌入式FCN的关键全局图论属性，我们使用机器学习技术比较它们的分类潜力。我们还评估了两个指标的性能，被广泛用于建设FCN从功能磁共振成像，即欧几里得距离和滞后的互相关度量。我们证明了用扩散映射和滞后互相关度量构造的FCN优于其他组合。
2020-05-25 cs.LG cs.NA math.NA
Hierarchical feature extraction on functional brain networks for autism spectrum disorder identification with resting-state fMRI data
针对ASD现有诊断主观性强易误诊的问题，提出基于rs-fMRI的ASD-HNet分层神经网络模型，从ROI、社区、全局三层提取脑功能网络特征，在ABIDE-I数据集上表现优于现有方法。
2025-03-20 q-bio.NC
Cost efficiency of fMRI studies using resting-state vs task-based functional connectivity
本研究采用网络科学驱动的贝叶斯连接组预测方法，对比静息态与任务态fMRI的成本效率，发现任务条件与神经心理学结果存在最优配对，为神经影像研究设计提供参考。
2024-11-02 q-bio.NC stat.AP
Deep Learning Inductive Biases for fMRI Time Series Classification during Resting-state and Movie-watching
School of Electrical and Computer Engineering, University of Tehran（埃特瓦尔大学电气与计算机工程学院）；School of Cognitive Sciences, Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM）认知科学学院）
该研究在HCP 7-Tesla小样本fMRI数据上比较CNN、LSTM和Transformer的归纳偏置，发现CNN在静息态与观影性别分类中表现最佳，判别信息主要来自局部空间模式与区域间依赖。
2025-09-21 cs.LG q-bio.NC
Extracting Root-Causal Brain Activity Driving Psychopathology from Resting State fMRI
University of Pittsburgh（匹兹堡大学）
本文提出SOURCE方法，通过双层结构性因果模型从静息态fMRI中提取驱动心理障碍的根因性脑活动，提升症状维度的可解释性和解剖特异性。
2026-02-06 cs.CV cs.LG eess.IV
A blind deconvolution approach to recover effective connectivity brain networks from resting state fMRI data
我们从功能磁共振成像数据中获得的对大脑功能的洞察力的一个巨大改进可以来自有效的连接分析，其中即使是遥远的大脑区域之间的信息流也可以通过预测动力学模型的参数来推断。与生物启发模型相反，格兰杰因果关系（GC）等一些技术纯粹是数据驱动的，依赖于统计预测和时间优先。虽然功能强大，广泛适用，这种方法可能会受到两个主要的限制时，适用于BOLD功能磁共振成像数据：混杂效应的血流动力学反应函数（HRF）和条件反射的存在下，短时间序列的大量变量。对于任务相关的功能磁共振成像，神经元群体动态可以通过建模信号动力学与明确的外源性输入捕获;另一方面，对于静息态功能磁共振成像，没有明确的输入使这项任务更加困难，除非依赖于一些特定的先验生理假设。为了克服这些问题，并允许一个更一般的方法，在这里，我们提出了一个简单而新颖的盲反卷积技术BOLD-fMRI信号。对于第二个限制，具有短且有噪声的数据的完全多变量调节由于过拟合而导致计算问题。此外，在存在冗余的情况下会产生概念问题。因此，我们应用部分条件的信息理论的框架中的变量的一个有限的子集，最近提出的。结合这两种改进，我们比较了BOLD和去卷积BOLD水平有效网络之间的差异，并得出一些结论。
2012-08-18 q-bio.NC q-bio.QM
Deriving Autism Spectrum Disorder Functional Networks from RS-FMRI Data using Group ICA and Dictionary Learning
Middle Tennessee State University（中田纳西州立大学）；St. Ambrose University（圣安布罗斯大学）
本研究的目的是获得自闭症谱系障碍（ASD）人群的功能网络，使用组ICA和字典学习模型在一起，并分类ASD和典型发展（TD）的参与者使用功能连接计算从派生的功能网络。在我们的实验中，ASD功能网络来自静息态功能磁共振成像（rs-fMRI）数据。我们总共下载了120个训练样本，包括58个ASD和62个TD参与者，这些样本来自公共存储库：自闭症脑成像数据交换I（ABIDE I）。我们的方法和结果有五个主要部分。首先，我们利用组ICA模型从ASD组中提取功能网络，并对前20个感兴趣区域（ROI）进行排名。其次，我们利用字典学习模型从ASD组中提取功能网络，并对前20个ROI进行排名。第三，我们从两个模型中选择40个ROI合并在一起作为ASD功能网络。第四，我们基于从组ICA中选择的20个ROI、从字典学习中选择的20个ROI以及从两者中选择的40个组合ROI生成三个相应的掩码。最后，我们使用上述三个掩模提取所有训练样本的ROI，并将计算的功能连接用作ASD和TD分类的特征。分类结果表明，由ICA和字典学习共同产生的功能网络优于由单一ICA模型或单一字典学习模型产生的功能网络。
2021-06-07 cs.LG eess.IV q-bio.NC
Coevolutionary balance of resting-state brain networks in autism
Institute for Cognitive and Brain Sciences, Shahid Beheshti University（认知与脑科学学院，沙希德贝赫什提大学）；Department of Physics, Shahid Beheshti University（物理系，沙希德贝赫什提大学）
研究通过共进化平衡分析发现自闭症患者静息态脑网络存在异常，但结果受预处理方法影响。
2026-02-13 physics.bio-ph q-bio.NC
Fractal-driven distortion of resting state functional networks in fMRI: a simulation study
分形是一种自相似且尺度不变的模式，在自然界中无处不在。在静息态fMRI时间序列中也观察到了大量的分形特征，如1/f功率谱。为了解释rs-fMRI中的分形行为，我们提出了基于分形的静息态血流动力学反应函数（rs-HRF）模型，其性质可以用分形指数来概括。在这里，我们表明，通过模拟研究，脑血流动力学的分形行为可能会导致显着的神经元活动和BOLD信号之间的网络属性的失真。基于猕猴脑网络的随机神经场模型模拟神经元群体活动，并将其与rs-HRF滤波器卷积得到相应的BOLD信号。基于传递熵、互信息和Pearson相关性的3种网络中，各节点中心性估计的精度整体变差，尤其是传递熵的失真对分形指数的标准差更为敏感.具有高中心性的节点在所有频率上都对非线性分形动力学具有弹性，而具有小中心性的节点在低频上表现出小波相关性和中心性的巨大失真。这一理论预期表明，不同脑区分形指数的差异导致了神经元活动与BOLD信号之间统计网络特性的差异，特别是在中心性较小的节点处，传统的静息态功能连接定义可能不能有效地反映神经元自发活动的动力学特性。
2012-08-04 q-bio.NC stat.AP
Community-Aware Transformer for Autism Prediction in fMRI Connectome
The University of British Columbia（不列颠哥伦比亚大学）
针对现有Transformer模型在fMRI脑连接组ASD预测中忽略ROI群落关联的问题，提出分层局部-全局架构Com-BrainTF，共享参数加专属提示token平衡性能与效率，在ABIDE数据集上达SOTA且具高可解释性。
2023-06-24 cs.LG eess.IV q-bio.NC
Multi-Site rs-fMRI Domain Alignment for Autism Spectrum Disorder Auxiliary Diagnosis Based on Hyperbolic Space
针对多站点rs-fMRI数据异质性导致的ASD辅助诊断准确率低和可解释性不足问题，提出基于双曲空间嵌入和HMMD域对齐的域自适应算法，实现平均准确率提升4.03%，并验证了泛化能力。
2025-07-10 q-bio.NC
Explainable and Scalable Machine-Learning Algorithms for Detection of Autism Spectrum Disorder using fMRI Data
自闭症谱系障碍（ASD）的诊断是一个具有挑战性的问题，并且纯粹基于行为学的描述（DSM-5/ICD-10），并要求被调查者在不同的环境（例如家庭，学校）中观察患有障碍的儿童。许多限制（例如，提供信息者的差异、缺乏对评估指南的遵守、提供信息者的偏见）对当前诊断实践的影响有可能导致对该疾病的过度诊断、诊断不足或误诊。神经影像学技术的进步为更客观地评估这种疾病迈出了关键的一步。先前的研究提供了强有力的证据表明，从ASD患者中收集的结构和功能磁共振成像（MRI）数据表现出在局部和全局空间以及大脑时间神经模式方面不同的显著特征。我们提出的深度学习模型ASD-DiagNet在ASD脑扫描与神经扫描的分类方面表现出一贯的高准确性。我们首次整合了传统的机器学习和深度学习技术，使我们能够从MRI数据集中分离ASD生物标志物。我们的方法称为Auto-ASD-Network，使用深度学习和支持向量机（SVM）的组合来将ASD扫描与神经典型扫描进行分类。这种可解释的模型将有助于解释深度学习技术所做的决定，从而为神经科学家带来知识发现，并为临床医生提供透明的分析。
2020-03-02 cs.LG q-bio.NC stat.ML
Diurnal variations of resting-state fMRI data: A graph-based analysis
昼夜节律使各种生理过程同步，从神经活动和激素分泌到睡眠周期和进食习惯。尽管存在显着的昼夜变化，但在人脑研究中很少记录或分析一天中的时间（TOD）。此外，睡眠-觉醒模式、昼夜偏好和白天警觉性因人而异，称为睡眠时间类型。在这里，我们进行了图论网络分析的休息状态功能磁共振成像（rs-fMRI）数据，以探讨拓扑结构的差异，全脑功能网络之间的上午和晚上的会议（TOD效应），极端的早晨型和晚上型的时间类型。为此，62名受试者（31名极端早晨型，31名晚上型）接受了两次功能性磁共振成像（fMRI）：起床时间（早晨）后约1小时，之后10小时，根据他们宣布的习惯性睡眠-觉醒模式进行安排。TOD显著改变了功能连接（FC）模式，但在时间型类别中没有显著差异。与上午的会议相比，我们发现相对增加的小世界，模块化，非线性，和同步在晚上的会议，表明更有效的功能拓扑结构。当地措施在白天主要是在涉及躯体运动，腹侧注意，以及默认模式网络的领域发生了变化。此外，连接性和枢纽分析表明，躯体运动、腹侧注意和视觉网络分别是两个阶段中连接最紧密的大脑区域，前者在晚上更活跃，后者在早上更活跃。总的来说，这些研究结果表明，TOD可以影响人类神经影像学中使用的经典分析，如功能连接，并应记录并纳入功能神经影像学数据的分析。
2021-10-12 q-bio.NC
Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and Other Tasks
University of Cambridge（剑桥大学）；University of Granada（格拉纳达大学）
用于MRI分类的深度学习模型面临两个反复出现的问题：它们通常受到低样本量的限制，并且被其自身的复杂性所抽象（“黑箱问题”）。在本文中，我们使用有史以来最大的多源功能MRI（fMRI）连接组数据集（由43，858个数据点组成）训练卷积神经网络（CNN）。我们将这个模型应用于自闭症（ASD）与典型发育（TD）对照的横截面比较，这已被证明很难用推理统计来解释。为了将这些发现置于背景中，我们还对性别和任务与休息进行了分类。采用类平衡来构建训练集，我们在集成模型中训练了3个$\times$ 300修改的CNN来分类fMRI连接矩阵，ASD与TD，性别和任务与休息的总体AUROC分别为0.6774，0.7680和0.9222。此外，我们的目标是解决黑箱问题，在这种情况下，使用两种可视化方法。首先，类激活图显示了我们的模型在执行分类时关注的大脑功能连接。其次，通过分析隐藏层的最大激活，我们还能够探索模型如何组织大型混合中心数据集，发现它将隐藏层的特定区域用于处理不同的数据协变量（取决于分析的自变量），其他区域用于混合来自不同来源的数据。我们的研究发现，区分ASD和TD控制的深度学习模型广泛关注颞叶和小脑连接，特别关注右侧尾状核和中央旁沟。
2020-05-27 cs.LG eess.IV q-bio.NC
Connectopic mapping with resting-state fMRI
大脑区域通常是拓扑连接的：一个大脑区域内的附近位置与另一个区域内的附近位置相连。绘制这些连接拓扑图，或者简称为“连接”，对于理解信息在大脑中是如何处理的至关重要。在这里，我们提出了原则性的，完全数据驱动的方法映射connectopies使用功能性磁共振成像（fMRI）的数据在休息时通过结合光谱嵌入的体素连接的“指纹”与一种新的方法来空间统计推断。我们将该方法应用于人类初级运动皮层和视觉皮层，并表明它可以跟踪生物学上合理的，重叠的连接在个体受试者遵循这些区域的躯体和视网膜的地图。作为一种通用的机制，以执行推理的connectopies，新的空间统计方法，使严格的统计测试的假设有关的细粒度的空间配置文件的功能连接和配置文件是否是不同的科目之间或实验条件。结合的框架提供了一个基本的替代现有的方法来调查功能连接在大脑中，从体素或种子对明智的功能协会的特征，对一个完整的，多变量的空间地形特征。
2017-07-17 q-bio.NC q-bio.QM
Heritability estimates on resting state fMRI data using the ENIGMA analysis pipeline
大数据计划，如通过荟萃分析联盟（ENIGMA）增强神经影像遗传学，结合了全球独立研究收集的数据，以实现更准确的效应大小估计和更可靠和可重复的结果。这种努力需要协调的分析方案，以一致地提取表型。即便如此，挑战包括功能磁共振成像协议和扫描仪平台的广泛变化;这导致质量，分辨率和时间信噪比（tSNR）的站点到站点的差异。有效的统一应能为不同质量的数据提供最佳衡量标准。我们开发了一个多站点rsfMRI分析管道，使世界各地的研究小组能够以协调的方式处理rsfMRI扫描，提取一致的定量连接测量值，并执行协调的统计测试。我们使用基于无模型Marchenko-Pastor PCA去噪的单模态ENIGMA rsfMRI管道来验证和复制静息状态网络中测量的显著遗传性的发现。我们分析了两个独立的队列，GOBS（大脑结构遗传学）和HCP（人类连接组计划），收集数据使用传统的和连接组学导向的功能磁共振成像协议。我们使用基于种子的连接和双回归方法来证明rsfMRI信号在20个主要功能网络测量中是一致可遗传的。在两个队列中观察到20-40%的遗传率值。
2017-09-13 q-bio.NC q-bio.PE
Artificial Intelligence in Fetal Resting-State Functional MRI Brain Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models
Rush Medical College（拉什医学院）；Rush University Medical Center（拉什大学医学中心）；University of Washington（华盛顿大学）
本研究针对胎儿静息态fMRI脑分割准确率低的问题，利用160例开源数据集，通过5折交叉验证比较了3D UNet、VNet和HighResNet三种AI模型，并使用Optuna进行超参数调优，发现VNet模型表现最佳，为后续AI在胎儿脑fMRI分割中的应用研究奠定了基础。
2023-11-17 cs.AI q-bio.NC
Extraction of hierarchical functional connectivity components in human brain using resting-state fMRI
University of Pennsylvania（宾夕法尼亚大学）
人类大脑网络中的层次结构的研究已经引起了研究人员的极大兴趣，因为许多研究已经指出了人类大脑的功能层次组织。本文提出了一种利用静息态fMRI提取人脑层次连接成分的新方法。该方法建立在稀疏连接模式（SCP）之前的工作，通过引入稀疏重叠模式的层次结构。通过fMRI生成的相关矩阵的深度因式分解来估计分量。本文的目标是使用相关矩阵提取可解释的层次模式，其中低秩分解由高秩分解的线性组合形成。我们制定的分解作为一个非凸优化问题，并解决它使用梯度下降算法与自适应步长。我们还提供了一种方法，使用奇异值分解的梯度下降的热启动。我们证明了所开发的方法在两个不同的现实世界的数据集上的有效性，通过显示多尺度分层SCP子样本之间是可重复的，并且与单尺度模式相比更具可重复性。我们还比较了我们的方法与现有的分层社区检测方法。我们的方法还提供了新的洞察人类大脑的功能组织。
2020-12-07 cs.LG eess.IV q-bio.NC
Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification
Shanghai Jiao Tong University（上海交通大学）；City University of Hong Kong（香港城市大学）
针对现有静息态fMRI分类方法存在的脑连接拓扑约束缺失、未结合下游任务等问题，提出ST-DAGCN模型，以DAG建模脑网络，端到端联合学习有效连接与分类，在公开数据集上性能提升显著且具生物学可解释性。
2023-12-16 cs.AI cs.LG q-bio.NC
Spectral Dynamic Causal Modelling of Resting-State fMRI: Relating Effective Brain Connectivity in the Default Mode Network to Genetics
我们进行了一项成像遗传学研究，以探索默认模式网络（DMN）中的有效大脑连接如何与阿尔茨海默病和轻度认知障碍背景下的遗传学相关。我们开发了一个纵向静息态功能磁共振成像（rs-fMRI）和遗传数据的分析，从111名受试者的样本中获得的，共有319个rs-fMRI扫描阿尔茨海默病神经影像学倡议（ADNI）数据库。一个动态因果模型（DCM）是适合的rs-fMRI扫描，以估计有效的大脑连接的DMN内，并与一组单核苷酸多态性（SNP）包含在一个经验性的疾病约束集，这是从663 ADNI受试者只有全基因组数据的样本外获得。我们研究了4区域和6区域网络中的纵向数据，并使用线性混合效应（LME）模型和标量函数回归（FSR）将使用光谱DCM估计的纵向有效脑连接网络与SNP联系起来。在前一种情况下，我们实现了一个参数的bootstrap测试SNP系数，并与从卡方零分布获得的p值进行比较。我们还实现了一个参数引导的方法来测试FSR中的回归函数，我们从参数引导获得的p值之间的比较，使用F-分布的自由度的基础上Satterthwaite的近似获得的p值。在这两个网络中，我们报告的探索性模式的协会具有相对较高的排名，表现出稳定性的不同假设FSR和LME。
2020-06-02 q-bio.NC q-bio.QM
The Dynamics of Triple Interactions in Resting fMRI: Insights into Psychotic Disorders
本研究提出利用动态三重交互分析静息态fMRI数据，揭示了精神分裂症和情感分裂性障碍在多尺度脑网络交互中的特异性与共性状态，首次将动态高阶功能连接应用于精神病性障碍研究。
2024-11-05 q-bio.NC stat.CO
State-transition dynamics of resting-state functional magnetic resonance imaging data: Model comparison and test-to-retest analysis
本研究将EEG微状态分析的聚类方法拓展至静息态fMRI数据以提取状态转换动力学，验证了聚类质量与EEG分析相当，并提出重测信度检验方法，发现被试内重测信度更高，为个体指纹分析提供了新工具。
2024-03-05 q-bio.NC
The role of noise modeling in the estimation of resting-state brain effective connectivity
University of Padova（帕多瓦大学）
本文研究了静息态fMRI数据中有效连接性估计中噪声建模对网络估计质量的影响，探讨了内源性波动对神经活动建模的方法。
2018-02-13 cs.SY eess.SY q-bio.NC
Self-similar correlation function in brain resting-state fMRI
适应性行为、认知和情感是大脑时空活动模式多样性的结果。神经科学中的一个重要问题是了解人类大脑的1000亿个神经元和100万亿个突触如何以灵活的方式产生如此庞大的皮层配置。此外，人们认识到，这种配置之间的时间相关性不能是任意的，但它们需要满足两个相互冲突的要求：虽然不同的皮层区域应该在功能上保持相互隔离，但它们仍然必须作为一个集体执行，即，它们在功能上是一体化的。在这里，我们调查这些大规模的动力学特性，通过检查的字符的时空相关性的大脑静息态活动。在物理系统中，通过测量在两个不同时间在空间中的两个不同点处记录的信号之间的相关系数来捕获空间和时间中的这些相关性。我们发现，这两点相关函数提取的静息态功能磁共振成像数据表现出自相似性的空间和时间。在空间上，通过考虑三个连续的空间粗粒化步骤来揭示自相似性，而在时间上，通过功率谱的1/f频率行为来揭示自相似性。未被发现的动力学自相似性意味着大脑自发地处于两个极端之间的连续变化（在空间和时间上）的中间状态，一个是过度的皮层整合，另一个是完全分离。这种动态特性可以被视为健康和疾病中大脑健康的重要标志。
2010-03-18 cond-mat.stat-mech q-bio.NC
Resting state fMRI-based temporal coherence mapping
本研究提出基于静息态fMRI的时间相干性映射（TCM）方法，通过相空间过渡态相关性分析量化大脑长程时间相干性，经仿真和人类连接组计划数据验证，该方法有效且指标与生理、认知特征相关。
2024-07-09 q-bio.NC q-bio.QM
Synergetic and redundant information flow detected by unnormalized Granger causality: application to resting state fMRI
目的：我们开发了一个框架，用于分析复杂网络的子系统之间的信息流模式的协同和冗余。研究方法：多变量时间序列数据中冗余和/或协同作用的存在使得难以估计从每个驱动变量到给定目标的信息的整齐流动。我们表明，采用非规范化的格兰杰因果关系的定义，一个可以把证据冗余的多重变量影响的目标，最大限度地提高总格兰杰因果关系到一个给定的目标，在所有可能的分区的驱动变量集。因此，我们引入了一个成对指数的协同作用，这是零时，两个独立的源添加剂影响系统的未来状态，不同于以前的定义的协同作用。结果如下：我们报告的应用程序所提出的方法，从人类连接组项目的静息状态fMRI数据，显示冗余对区域的出现主要是由于空间的连续性和半球间的对称性，而协同作用主要发生在非同源对的区域在相对的半球。结论：在健康的静息脑中，Reddish和协同作用显示出所提出的方法所揭示的特征模式。重要性：这里引入的成对协同指数将系统的信息特征映射到加权复杂网络中：同样的方法可以应用于其他复杂系统，其正常状态对应于冗余和协同电路之间的平衡。
2016-05-16 cs.IT math.IT physics.data-an
Assessing the neurocognitive correlates of resting brain entropy
人类大脑表现出大规模的自发波动，占其总能量代谢的大部分。独立于任何明显的功能，这种巨大的持续活动可能会创造或维持一个潜在的功能性大脑储备，以促进正常的大脑功能。自发脑活动的一个重要特性是长程时间相干性，其特征可以通过基于静息状态fMRI的脑熵图（BEN）来表征，这是一种相对较新的方法，已获得越来越多的研究兴趣。本研究的目的是利用大型静息状态fMRI和行为数据公开从人类连接体项目，以解决三个重要的，但仍然未知的问题：时间稳定性的rsfMRI衍生的BEN;静息BEN的关系，潜在的功能储备;协会的静息BEN神经认知。我们的研究结果表明，rsfMRI衍生的BEN是高度稳定的，随着时间的推移;静息BEN在默认模式网络（DMN）和执行控制网络（ECN）与大脑储备呈负相关的教育年数;和较低的DMN/ECN BEN对应于较高的流体智力和更好的任务性能。这些结果表明，静息BEN是一种暂时稳定的大脑特征; DMN/ECN中的BEN可能提供了一种测量潜在功能储备的方法，该功能储备赋予更好的大脑功能，并可能通过教育来增强。
2020-04-28 q-bio.NC
What kind of noise is brain noise: anomalous scaling behavior of the resting brain activity fluctuations
“静息”脑区之间的持续相互作用定义了所谓的静息状态网络（RSN），其可以通过分析功能磁共振成像（fMRI）数据来重建。什么样的动力机制允许RSN的灵活的大规模组织仍然是一个重要的挑战。在这里，RSN的三个关键的新特性被发现。首先，相关长度（即，两个区域之间的相关性消失的长度）随着所考虑的集群的大小而发散。第二，这种分歧也被观察到的互信息的措施。第三，fMRI平均信号的方差在观察到的簇大小的整个范围内保持恒定，与天真的期望相反。揭示的尺度不变性揭示了RSN在非常不同的网络大小，架构和功能中的最佳信息共享特性，这可能是健康大脑动力学的重要标志。
2012-08-09 q-bio.NC
Multi-Scale Graph Theoretical Analysis of Resting-State fMRI for Classification of Alzheimer's Disease, Mild Cognitive Impairment, and Healthy Controls
University of Bojnord（博季努尔德大学）；Munster Technological University（芒斯特理工大学）
针对阿尔茨海默病（AD）早期诊断挑战，本研究提出整合离散小波变换（DWT）与图论的多尺度方法，分析静息态功能磁共振成像（rs-fMRI）的脑网络动态，结合机器学习区分AD、轻度认知障碍（MCI）与健康对照，为早期诊断和疾病监测提供新工具。
2025-09-22 cs.LG q-bio.NC
Point process analysis of large-scale brain fMRI dynamics
功能性磁共振成像（fMRI）技术为我们了解大脑功能做出了重大贡献。目前的方法是基于脑血氧水平依赖性（BOLD）信号中的\emph{gradual and continuous}变化的分析。与该方法不同，最近的工作表明，通过仅检查相对大幅度的BOLD信号峰值可以获得等效的结果，这表明相关信息可以浓缩在\emph{discrete}事件中。这里进一步探讨了这个想法，以证明如何通过这些事件的时间和位置来捕获静息状态下的大脑动力学，即，在时空点过程中。作为原理证明，我们表明可以从这样的点过程中提取静息状态网络（RSN）映射。此外，分析揭示了雪崩的活动，这是由相同的动力学和统计特性之前所描述的神经元事件在较小的尺度。鉴于静息状态脑动力学的功能相关性，其表示为离散过程可能有助于大规模分析健康和疾病中的脑功能。
2011-07-22 cond-mat.dis-nn q-bio.NC
Functional Brain Network Identification in Opioid Use Disorder Using Machine Learning Analysis of Resting-State fMRI BOLD Signals
Old Dominion University（奥多明尼昂大学）；Institute of Drug and Alcohol Studies（药物与酒精研究所）；Virginia Commonwealth University（弗吉尼亚联邦大学）；C. Kenneth and Dianne Wright Center for Clinical and Translational Research（C.肯尼斯和黛安·赖特临床与转化研究中心）；Data Science Institute（数据科学研究所）
本研究首次利用机器学习对静息态fMRI BOLD信号进行时频分析，发现默认模式网络和突显网络最能区分阿片类药物使用障碍患者与健康对照，为OUD神经机制研究提供了新方法。
2025-03-11 cs.LG q-bio.NC
Optimal stimulation sites are not the most affected: personalised models of resting-state fMRI in Alzheimer's disease
Istituto Superiore di Sanità（高等卫生研究所）
研究针对阿尔茨海默病静息态功能连接改变问题，通过拟合储层计算模型重建滞后FC，对比两种模型读出方式，发现理想校正需分布式变化，基于此提出个性化靶向方法，证明有效神经调节需模型指导，刺激部位非偏差最大处而是治疗反应最强处。
2026-07-29 q-bio.NC
Automated Tinnitus Detection Through Dual-Modality Neuroimaging: EEG Microstate Analysis and Resting-State fMRI Classification Using Deep Learning
本研究利用EEG微状态分析和静息态fMRI深度学习，识别耳鸣患者的神经生物标志物，树模型与混合模型达到高达98.95%的准确率，证明耳鸣是多网络障碍。
2025-10-08 cs.SY eess.SP eess.SY
Early Disease Stage Characterization in Parkinson's Disease from Resting-state fMRI Data Using a Long Short-term Memory Network
Yale University（耶鲁大学）
帕金森病（Parkinson's disease，PD）是一种常见而复杂的神经退行性疾病，根据Hoehn-Yahr分级标准分为5个阶段。鉴于PD的异质性，对早期1期和2期进行分类并检测脑功能改变具有挑战性。功能磁共振成像（fMRI）是一种很有前途的工具，在揭示功能连接（FC）的差异和开发生物标志物在PD。支持向量机和逻辑回归等机器学习方法已成功应用于基于功能磁共振成像数据的帕金森病早期诊断，其性能优于基于人工选择形态学特征的分类器。然而，FC变化的早期表征尚未得到充分研究。鉴于fMRI数据的复杂性和非线性，我们建议使用长短期记忆（LSTM）网络来表征PD的早期阶段。该研究包括来自帕金森病进展标志物倡议（PPMI）的84名受试者（第2阶段56名，第1阶段28名），这是最大的公共PD数据集。在重复的10倍分层交叉验证下，LSTM模型达到了71.63%的准确率，比最好的传统机器学习方法高出13.52%，与其他机器学习分类器相比，具有更好的鲁棒性和准确性。我们使用学习的LSTM模型权重来选择有助于模型预测的顶级大脑区域，并进行FC分析来表征疾病阶段和运动障碍的功能变化，以更好地了解PD的大脑机制。
2022-02-11 cs.LG eess.SP q-bio.NC
Subspace-based Identification Algorithm for Characterizing Causal Networks in Resting Brain
静息状态下的脑活动分析对于识别神经系统的功能特性具有重要意义。虽然静息脑已被广泛研究脑区之间的低频同步，即功能连接（FC），另一个主流的脑连接分析，寻找脑区之间的因果关系的相互作用，有效连接（EC），一直很少探讨自发脑振荡。休息状态下大脑活动的内在复杂性，如在BOLD（血氧水平依赖）波动中观察到的，需要探索性方法来表征这些因果网络。另一方面，血流动力学系统对基于fMRI数据的因果推理的不可避免的影响，引导我们走向因果推理可以在潜在神经元水平发生的方法，而不是观察到的BOLD时间序列。为了同时满足这两个问题，在本文中，我们介绍了一种新的状态空间系统识别方法，用于研究在没有明确的认知任务的情况下，大脑区域之间的因果相互作用。使用广泛的模拟，我们研究了网络规模和信噪比（SNR）的准确性，我们提出的方法在EC检测的影响。我们的模拟结果表明，基于子空间的识别算法（SIA）对上述因素具有足够的鲁棒性，并且可以可靠地揭示静息态BOLD fMRI的潜在因果关系
2011-12-31 q-bio.NC
Functional connectivity patterns of autism spectrum disorder identified by deep feature learning
Cheonan Public Health Center（天安公共卫生中心）
自闭症谱系障碍（ASD）被认为是一种神经网络全面中断的脑部疾病。尽管fMRI研究已经揭示了ASD中的异常功能连接，但他们还没有就中断的模式达成共识。这里，基于深度学习的特征提取方法识别ASD的多变量和非线性功能连接模式。从自闭症脑成像数据交换获得的972名受试者（465名ASD 507名正常对照）的静息状态fMRI数据。使用90个预定义的大脑区域生成每个受试者的功能连接矩阵。变分自编码器（VAE）是一种不需要被试诊断等先验知识的数据驱动的特征提取方法，它将功能连接矩阵归纳为2个特征。将ASD患者的这些特征值与对照组进行统计学比较。ASD与正常对照组有显著性差异。提取的特征通过基于VAE的生成器可视化，生成虚拟功能连接矩阵。ASD相关的功能与额顶连接，背内侧额叶皮质和皮质纹状体连接的互连。与全量表智商呈负相关趋势。基于深度学习的数据驱动的特征提取可以识别ASD功能连接的复杂模式。这种方法将有助于发现各种大脑疾病中大脑连接异常的复杂模式。
2017-07-25 cs.CV q-bio.NC
Jointly Discriminative and Generative Recurrent Neural Networks for Learning from fMRI
Yale University（耶鲁大学）；Yale School of Medicine（耶鲁医学院）
递归神经网络（RNN）被设计用于处理时间序列数据，最近已被用于从功能性磁共振成像（fMRI）数据创建预测模型。然而，收集用于学习的大型fMRI数据集是一项艰巨的任务。此外，网络的可解释性尚不清楚。为了解决这些问题，我们利用多任务学习并设计了一种新的基于RNN的模型，该模型可以学习区分类别，同时学习生成fMRI时间序列数据。采用长短期记忆（LSTM）结构，我们开发了一个基于隐藏状态的判别模型和一个基于细胞状态的生成模型。生成模型的添加限制了网络学习由LSTM节点表示的函数社区，这些社区既与数据生成一致，又对分类任务有用。我们将我们的方法应用于自闭症与健康对照受试者的分类，使用自闭症脑成像数据交换的几个数据集。实验表明，我们的联合判别和生成模型改进了分类学习，同时也产生了强大而有意义的功能社区，以更好地理解模型。
2019-10-15 cs.LG eess.IV q-bio.NC
Spatio-Temporal Attention in Multi-Granular Brain Chronnectomes for Detection of Autism Spectrum Disorder
University of Southern California（南加州大学）
检测自闭症谱系障碍（ASD）的传统方法昂贵，主观且耗时，通常需要数年的诊断时间，许多儿童在最终确认这种疾病之前已经进入青春期甚至成年。最近，基于图形的学习技术已经展示了令人印象深刻的结果，从自闭症脑成像数据交换（ABIDE）的静息态功能磁共振成像（rs-fMRI）数据。我们介绍IMAGIN，一个多粒度，多图集时空注意图同构网络，我们用它来学习动态功能脑连接（时间连接组）的图形表示，而不是静态连接（连接组）。实验结果表明，IMAGIN实现了79.25%的5倍交叉验证准确率，超过了目前最先进的1.5%。此外，空间和时间的注意力分数的分析提供了进一步验证自闭症的神经基础。
2022-10-30 cs.CV cs.LG q-bio.NC
