Structural Brain Asymmetries in Youths with Combined and Inattentive Presentations of Attention Deficit Hyperactivity Disorder
注意力缺陷/多动障碍（ADHD）中报告了结构性脑偏侧性的改变。然而，很少有研究探讨ADHD表现的差异。我们研究了13个皮质下和33个皮质区域的不对称指数（AI），这些区域来自体积、表面积和厚度的解剖学指标。结构T1加权MRI数据来自注意力不集中（n = 64）和合并（n = 51）的青少年和年龄匹配的对照组（n = 298）。我们使用了一个线性混合效应模型，该模型考虑了数据站点的异质性，同时研究了AI与表现和年龄的协变量之间的关联。我们的论文有助于在ADHD演示中看到的功能结果，证明ADHD-C运动网络和ADHD-I扣带回-额叶网络的连接中断，以及颞叶皮层和默认模式子网络的新发现。结构不对称的年龄模式因表现类型而异。线性混合效应模型是描述大脑不对称性、诊断和神经发育之间关系的实用工具。
2020-10-26 q-bio.NC
Activate index: an integrated index to reveal disrupted brain network organizations of major depressive disorder patients
功能性磁共振成像（fMRI）研究发现，脑功能网络的改变是区分重度抑郁症（MDD）患者和健康对照者的一个典型表现。最近，丰富的俱乐部和多样化的俱乐部指标已被提出用于网络或网络神经科学分析。富俱乐部定义了一组节点，这些节点往往是特定社区的枢纽，而多样化俱乐部定义了跨越更多社区的节点，并具有分布在不同社区的边缘。考虑到富裕俱乐部和多元化俱乐部的异质性，将它们结合起来并在此基础上推导出一个新的指标，可能会揭示大脑功能整合和分离的新证据，这可能会为抑郁症提供新的见解。本研究首次采用丰富俱乐部和多样俱乐部两种度量标准探讨了MDD和HC的差异，并发现了它们在分析脑网络方面的互补性。此外，本文还提出了一种新的索引，称为“主动索引”。活动索引定义了一组节点，这些节点倾向于分散分布在社区中，同时避免成为社区的中心。实验结果证明了活动指数在分析MDD脑机制方面的优越性。
2022-02-14 q-bio.NC
A Network Object Method to Uncover Hidden Disorder-Related Brain Connectome
神经精神障碍影响大脑在网络水平上的功能连接。与疾病相关的网络的识别和统计测试仍然具有挑战性。我们提出了新的方法来简化检测和测试的隐藏，无序相关的连接模式作为网络对象。我们定义一个异常的连接体子网络作为一个网络对象，包括三类：节点的大脑区域，边缘表示大脑的连接功能，和有组织的图形拓扑结构形成的这些节点和边缘。与传统的统计方法相比，该方法在拓扑信息的指导下，使边精确地借用优势，同时降低了假阳性和假阴性发现率，有效地提高了脑连接体研究结果的可重复性.网络对象分析可以提供关于大脑疾病如何系统地损害大脑连接体的见解。
2017-01-12 q-bio.NC stat.AP
Network Analyses and Nervous System Disorders
神经系统疾病中的网络分析涉及从神经成像数据构建和分析解剖和功能脑网络，以描述和预测由神经病理学引起的临床综合征。神经系统疾病和临床综合征的网络视图有助于用从图论领域得出的相对简单的工具对复杂神经系统疾病进行准确的定量表征和数学模型。网络主要由在神经系统组织的宏观尺度上使用生理和神经成像技术获取的体内数据构建。研究支持一种新的观点，即神经精神和神经系统疾病是由于破坏大脑经济连接的小世界组织的病理过程造成的。网络科学的镜头提供了理论上的深入了解进行性神经变性，神经心理功能障碍，和潜在的解剖目标的干预范围从药物到脑刺激。
2017-01-04 q-bio.NC
Deep brain stimulation with a computational model for the cortex-thalamus-basal-ganglia system and network dynamics of neurological disorders
脑深部电刺激（DBS）可以缓解帕金森病（PD）等运动障碍。事实上，已知异常β（13- 30 Hz）振荡和基底神经节-丘脑（BGTH）和皮质中多巴胺能神经元的损失表征PD的运动不能症状。然而，这一过程背后的相关生物物理机制仍不清楚。在现有的纹状体抑制模型的基础上，我们提出了一个扩展的BGTH模型，该模型纳入了中型脊髓神经元（MSN）和快速尖峰中间神经元（FSI）以及DBS的影响。我们在本文中关注的是开环DBS模式，其中刺激参数保持恒定，不受疾病状态变化的影响，参数的修改主要依赖于医学专家的试错。此外，我们提出了一种新的小脑-基底神经节丘脑皮质网络，MSN和FSI的组合模型，并显示了新的结果，表明帕金森氏症的β波段频率范围内的振荡出现从这样一个网络的动态。我们的模型预测，DBS可用于抑制苍白球内侧部（GPi）神经元的β振荡。本研究将有助于我们更好地了解DBS引起的脑活动变化，为今后研究PD提供新的见解。
2021-12-06 q-bio.NC
Uncertainty promotes neuroreductionism: A behavioral online study on folk psychological causal inference from neuroimaging data
导论.在神经科学中，越来越多的努力试图将精神障碍理解为大脑障碍。在本研究中，我们调查了在受过高等教育的人中，神经还原主义倾向有多普遍。特别是，我们揭示了精神障碍的隐含预设，公众对此知之甚少，这里以身体完整性障碍（BID）为例，它在ICD-11中首次被认为是一种精神障碍。方法.在三种情况下显示了相同的图形，大脑相关性的模拟数据，可能对因果关系有不同的假设。738名受过高等教育的门外汉对大脑结构特性与心理现象之间的因果关系归因的可解释性进行了评定。我们对比了参与者在常见脑损伤诱导行为（失语症）、行为诱导训练效应（钢琴演奏）和一种新描述的精神障碍（BID）背景下的因果关系可解释性评级。结果研究结果揭示了失语症和钢琴演奏情境中因果归因的预期情境依赖性调制。此外，我们观察到一个显着的倾向，更容易归因于因果推理从大脑到心灵，而不是反之亦然，就BID。结论在某些情况下，例如失语症和钢琴演奏，单向因果关系归因可能是合理的。然而，对于BID，我们批判性地讨论了在因果不确定性下可能不合理的神经还原主义倾向。最后，我们强调在精神病学中需要一个无预设的方法。
2021-05-26 q-bio.NC
A neural marker of obsessive-compulsive disorder from whole-brain functional connectivity
强迫症（OCD）是一种常见的精神疾病，终生患病率为2- 3%。最近，静息状态下的脑活动作为探索精神疾病中改变的功能连接的新手段而受到关注。虽然以前的静息态功能磁共振成像研究调查了强迫症患者的神经生物学异常，但仍有一些问题需要解决。一个问题是所采用的假设的有效性。大多数研究使用基于种子的分析额纹状体电路，尽管在其他地区的异常的可能性。在这种情况下，无假设研究是一种很有前途的方法，但它需要研究人员处理大维度的数据集。另一个问题是来自单一数据集的生物标志物的可靠性，这可能会受到群体特异性特征的影响。在这里，通过采用最近开发的机器学习算法来避免这些问题，我们确定了第一个被推广到外部数据集的OCD生物标志物。我们还证明，有助于分类的功能连接分布广泛，而不是局部限制。我们的概括分类不仅有可能加深我们对强迫症异常神经基质的理解，而且还可以在临床应用中找到用途。
2017-09-06 q-bio.NC
Symptoms of depersonalisation/derealisation disorder as measured by brain electrical activity: A systematic review
人格解体/去实现障碍（DPD）是指频繁和持续的脱离身体自我和脱离外部世界。作为一种分离性障碍，DPD影响1-2%的人口，但平均需要7- 1 - 2年才能准确诊断。在这篇系统性综述中，我们全面描述了针对核心DPD症状的神经相关性的研究，涵盖了1992年至2020年期间使用电生理技术的出版物。其目的是研究这些相对便宜且方便的神经成像工具的诊断潜力。我们回顾了EEG功率谱，事件相关电位（ERP）的组成部分，以及前庭和心跳诱发电位作为可能的电生理生物标志物来研究DPD症状。我们认为，急性焦虑或创伤相关的障碍，内感受性和外感受性信号的整合中发挥了关键作用，DPD症状的形成，未来的研究需要的分析方法，可以考虑到这种整合。我们建议用于电生理学DPD生物标志物的前瞻性研究的工具，这些工具迫切需要充分开发其诊断潜力。
2021-11-11 q-bio.NC
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
Multivariate brain-cognition associations in euthymic bipolar disorder
本研究结合大样本常模模型与典型相关分析，发现情绪正常期BD患者的加工速度和执行功能损害与颞叶皮质厚度异常密切相关。
2023-11-02 q-bio.NC
Prognostication of chronic disorders of consciousness using brain functional networks and clinical characteristics
意识障碍是不同疾病或损伤的异质混合物。虽然已经提出了一些指标和模型来进行预测，但单独使用任何一种方法都有很高的错误预测风险。本研究旨在开发一种多领域预后模型，该模型结合静息状态功能MRI和三种临床特征，以预测单个受试者水平的一年结局。该模型在来自两个医疗中心的三个数据集上区分了后来恢复意识的患者和那些没有恢复意识的患者，准确率约为90%。它还能够确定不同预测因素的预后重要性，包括脑功能和临床特征。据我们所知，这是首次报告的基于静息状态功能性MRI和慢性意识障碍临床特征的多领域预后模型的实施。因此，我们认为这种新的预后模型是准确的，强大的，可解释的。
2018-09-07 q-bio.NC
Critical periods and Autism Spectrum Disorders, a role for sleep
大脑发育依赖于经验和基因定义的程序。某些大脑回路特别容易接受外部刺激的时间窗口，导致可塑性增强，被称为关键时期。睡眠被认为对大脑的正常发育至关重要。重要的是，研究表明，睡眠增强了关键期的可塑性，并促进了哺乳动物大脑发育中的经验依赖性突触修剪。因此，关键时期的正常可塑性取决于适当的睡眠。相对于典型的发展，自闭症谱系障碍（ASD）中入睡和保持睡眠的问题发生率更高。在这篇综述中，我们探讨了睡眠，关键期可塑性和ASD之间的潜在联系。首先，我们回顾了关键期可塑性在典型发育中的重要性以及睡眠在这一过程中的作用。接下来，我们总结了在高置信度ASD基因候选者的啮齿动物模型中ASD与突触可塑性缺陷之间的联系。然后，我们发现，几乎所有高置信度的ASD啮齿动物模型，显示睡眠缺陷也显示可塑性缺陷。考虑到睡眠对关键期可塑性的重要性，理解突触可塑性、睡眠和ASD大脑发育之间的联系是至关重要的。然而，缺乏研究ASD小鼠模型关键时期的睡眠或可塑性的研究。因此，我们强调迫切需要考虑在睡眠和可塑性神经发育障碍的研究发展轨迹。
2022-01-18 q-bio.NC
Task learning increases information redundancy of neural responses in macaque visual cortex
Department of Brain and Cognitive Sciences, University of Rochester（脑科学与认知科学系，罗切斯特大学）；Center for Visual Science, University of Rochester（视觉科学中心，罗切斯特大学）；Department of Computer Science, University of Rochester（计算机科学系，罗切斯特大学）；Department of Physics & Astronomy, University of Rochester（物理与天文学系，罗切斯特大学）；Department of Neuroscience, University of Rochester（神经科学系，罗切斯特大学）
该研究发现任务学习通过增加神经响应冗余，提高了单个神经元的信息携带能力，表明大脑处理感觉信息的过程更倾向于生成性推断。
2026-03-07 cs.CV q-bio.NC
SimBrainNet: Evaluating Brain Network Similarity for Attention Disorders
本研究提出基于多变量转移熵的认知事件连接网络和新相似性度量SimBrainNet，评估注意力障碍个体的大脑网络相似性，发现儿童比青少年注意力变化更大且前额叶连接更弱，揭示了注意力水平变化及相关认知机制。
2024-10-12 cs.HC q-bio.NC
Interoception Underlies The Therapeutic Effects of Mindfulness Meditation for Post-Traumatic Stress Disorder: A Randomized Clinical Trial
基于正念的干预措施已被证明在治疗创伤后应激障碍（PTSD）方面有效，但其潜在的神经生物学机制尚不清楚。为了确定正念减压（MBSR）治疗PTSD的神经生物学机制，我们进行了一项随机临床试验（RCT），其中98名患有PTSD的退伍军人被随机分配接受MBSR治疗（n = 47）或以现在为中心的团体治疗（PCGT; n = 51;一种积极控制条件）。干预前后PTSD症状严重程度的测量（PTSD Checklist）和脑电图（EEG）的脑活动测量，包括静息和冥想期间自发神经振荡活动的频谱功率，认知任务相关脑反应的时频功率，和反映休息和冥想期间心脏内感受性脑反应的心跳诱发脑反应（HEBR）的TF功率。与对照组相比，正念减压组在创伤后应激障碍症状、后部自发脑电图α（8-13 Hz）功率、任务相关的额叶θ功率（刺激后140-220 ms内4-7 Hz）和额叶θ HEBR（R峰后3-5 Hz和265-328 ms）方面有更大的改善。潜在差异评分模型发现，只有额叶θ HEBR的变化介导了MBSR治疗效果。脑源水平分析发现，前扣带皮层、前岛叶皮层和外侧前额叶皮层的theta HEBR变化预测了PTSD症状的改善。这些结果表明，正念冥想改善了自发的大脑活动，反映了内部导向的放松和注意力控制的大脑功能。然而，正念减压疗法增强的内感受性脑容量似乎是调节情绪障碍和改善PTSD焦虑症状的主要脑机制。
2020-10-12 q-bio.NC
Major Depressive Disorder Recognition and Cognitive Analysis Based on Multi-layer Brain Functional Connectivity Networks
Shandong Normal University（山东师范大学）；Shandong University（山东大学）
随着抑郁症发病率的上升，对抑郁症的认识和治疗引起了许多研究者的关注。现有的MDD识别算法多采用单一的时频域方法，但单一的时频域方法过于简单，不利于模拟大脑功能之间复杂的联系关系。针对这一问题，提出了一种基于多层脑功能连接网络（MBFCN）的抑郁症识别方法，并进行了认知分析。基于MBFCN的认知分析发现，Alpha-Beta1频段是识别MDD的关键子带。基于相位滞后指数（PLI）的脑功能连接网络（BFCN）显示，极端抑郁障碍（EDD）患者右侧前额叶与颞叶之间的连接存在缺陷。此外，通过抑郁症特征和PHQ-9的显著性分析，可以发现潜在的生物标志物。
2021-11-02 cs.LG q-bio.NC
A Brain Graph Foundation Model: Pre-Training and Prompt-Tuning across Broad Atlases and Disorders
Lehigh University（莱文大学）；Stanford University（斯坦福大学）
BrainGFM通过图对比学习和图掩码自动编码器预训练，实现跨多种大脑图谱和疾病的高效泛化与迁移。
2026-02-10 cs.LG q-bio.NC
HyperBrain: Anomaly Detection for Temporal Hypergraph Brain Networks
University of British Columbia（不列颠哥伦比亚大学）；Vector Institute（向量研究院）
HyperBrain提出一种无监督异常检测框架，将fMRI数据建模为时序超图，通过定制时序游走BrainWalk和神经编码捕捉动态高阶共激活，在ASD和ADHD任务上优于基线并改善诊断。
2024-10-02 cs.LG q-bio.NC
HOI-Brain: a novel multi-channel transformers framework for brain disorder diagnosis by accurately extracting signed higher-order interactions from fMRI
School of Mathematics and Statistics, Shandong University（山东大学数学与统计学院）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）
HOI-Brain通过提取fMRI中带符号高阶相互作用，提出多通道Transformer框架，有效诊断脑部疾病并提供生物学见解。
2026-03-13 cs.GR q-bio.NC
NeuroTree: Hierarchical Functional Brain Pathway Decoding for Mental Health Disorders
Stevens Institute of Technology（史蒂文斯理工学院）；University of Michigan（密歇根大学）；University of Minnesota（明尼苏达大学）
NeuroTree通过融合k跳AGE-GCN、神经ODE和对比掩蔽功能连接，将fMRI脑网络特征解码为树结构，以捕获高阶脑通路特征，在两个精神障碍数据集上取得最优性能，并揭示了年龄相关衰退的神经机制。
2025-05-23 cs.AI cs.NE q-bio.NC
Convergent transcriptomic and neuroimaging signature of Autism Spectrum Disorder
本研究采用影像转录组学方法，开发了对混淆因素鲁棒且利用静息态功能MRI时间维度的深度学习分类器（AUC=0.89），鉴定出五个ASD相关基因模块，并证明神经影像学表征的ASD脑区与其中四个模块高表达绝对值区域一致，为ASD生物标志物提供了跨模态证据。
2025-05-15 q-bio.NC
Fusion Learning from Dynamic Functional Connectivity: Combining the Amplitude and Phase of fMRI Signals to Identify Brain Disorders
Guangdong Provincial Key Laboratory of Multimodal Big Data Intelligent Analysis（广东省多模态大数据智能分析重点实验室）；School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）
提出多尺度融合学习框架MSFL，结合滑动窗口相关和相位同步两种互补的动态功能连接特征，在自闭症和抑郁症数据集上显著优于现有模型。
2026-06-12 cs.AI q-bio.NC
Synchronization and Redundancy: Implications for Robustness of Neural Learning and Decision Making
大脑中的学习和决策是对生存至关重要的关键过程，但这些过程是由非理想的生物构建模块实现的，可能会造成重大错误。我们定量地探讨大脑如何利用两种普遍存在的机制，冗余和同步，来应对这种固有的错误来源。特别是，我们考虑一个神经过程，其目标是通过实现非线性梯度动力学来学习决策函数。然而，动态，假设被破坏的扰动建模的错误，这可能是由于生物学的限制，固有的神经元噪声，和不完善的测量。我们发现，错误，以及相关的不确定性周围的学习解决方案，可以控制在很大程度上通过权衡多个冗余神经系统之间的同步强度对噪声幅度。这种冗余系统之间的耦合的影响是量化的网络拉普拉斯算子的频谱，我们讨论的作用，网络拓扑结构的同步和减少噪声的影响。一系列的情况下，我们的模型在脑科学中出现的机制进行了讨论，我们提请注意实验证据表明，能够实现感兴趣的计算在这里可以发现在几个尺度上的皮层电路。最后，模拟比较理论界的相关经验量表明，我们得到的理论估计可以是紧的。
2011-04-16 cs.NE q-bio.NC
A Structure-guided Effective and Temporal-lag Connectivity Network for Revealing Brain Disorder Mechanisms
脑网络为许多脑疾病的诊断提供了重要的见解，如何有效地对脑结构进行建模已成为脑成像分析领域的核心问题之一。最近，已经提出了各种计算方法来估计因果关系（即，有效连接）之间的大脑区域。与传统的基于相关性的方法相比，有效的连通性可以提供信息流的方向，这可能为脑部疾病的诊断提供额外的信息。然而，现有的方法要么忽略了大脑区域之间的信息传输存在时间滞后的事实，要么简单地将所有大脑区域之间的时间滞后值设置为固定值。为了克服这些问题，我们设计了一个有效的时间滞后神经网络（简称ETLN），同时推断的因果关系和大脑区域之间的时间滞后值，它可以在一个端到端的方式进行训练。此外，我们还介绍了三种机制，以更好地指导大脑网络的建模。在阿尔茨海默病神经影像学倡议（ADNI）数据库上的评估结果证明了该方法的有效性。
2022-12-01 cs.AI eess.IV q-bio.NC
$^{18}$F-FDG brain PET hypometabolism in post-SARS-CoV-2 infection: substrate for persistent/delayed disorders?
本研究通过对两名SARS-CoV-2感染后期患者的$^{18}$F-FDG脑PET分析，发现嗅回等脑区低代谢，支持病毒嗜神经及损伤扩散假说，为其与持续性/延迟性疾病的关联提供初步证据，提示该低代谢或为相关生物标志物。
2025-02-13 q-bio.NC
A review of heterogeneous data mining for brain disorders
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）
随着神经影像学技术的快速发展，脑功能障碍识别的研究已成为数据采掘领域的一个新兴领域。脑疾病数据对数据采掘研究提出了许多独特的挑战。例如，神经成像实验产生的原始数据是张量表示的，具有高维、结构复杂和非线性可分性的典型特征。此外，可以从张量数据构建大脑连接网络，嵌入大脑区域之间的微妙相互作用。其他临床指标通常可以从不同角度反映疾病状态。预计在张量数据和脑网络数据中整合互补信息，并结合其他临床参数，将对研究疾病机制和为治疗干预提供信息具有潜在的变革性。许多研究工作都致力于这一领域。它们在基于张量的建模、子图模式挖掘、多视图特征分析等方面取得了巨大的成功。在本文中，我们回顾了一些最近的数据采掘方法，用于分析大脑疾病。
2015-08-05 cs.CE cs.DB cs.LG
Neurofeedback Tunes Scale-Free Dynamics in Spontaneous Brain Activity
脑振荡表现出长程时间相关性（LRTC），这反映了其波动的规律性：低值代表更随机（去相关），而高值更持久（相关）的动态。LRTC构成了支持大脑在临界状态附近运行的证据，在临界状态下，神经元活动在有序性和随机性之间平衡。在这里，健康的成年人使用闭环大脑训练（神经反馈，NFB）来降低α振荡的幅度，使自发LRTC在训练后显著增加。这种效应在创伤后应激障碍患者中重现，其中异常随机动力学被NFB逆转，与过度觉醒的显着改善相关。值得注意的是，表现出异常低LRTC的区域（即，过度的随机性），这与关于自组织临界性的理论预测一致。因此，当接受适当的训练时，自发的皮层活动显示出“自我调整”其自身时间复杂性的剩余能力，尽管表现出精神障碍患者中所见的异常动力学。最后，我们观察到LRTC的强度和振荡幅度之间的倒U关系，这表明在高/低同步极端的长程依赖性的故障，符合最近的计算模型。总之，我们的研究结果提供了一个更广泛的机制框架，激励研究和临床应用的NFB，包括疾病与扰动LRTC。
2018-02-02 q-bio.NC
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity
ShanghaiTech University（上海科技大学）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）
来自功能磁共振成像（fMRI）的功能连接网络（FCN）数据越来越多地用于脑疾病的诊断。然而，国家的最先进的研究，用来建立FCN使用一个单一的大脑包裹图谱在一定的空间尺度，这在很大程度上忽略了功能的相互作用，在不同的空间尺度上的分层方式。在这项研究中，我们提出了一个新的框架，进行多尺度FCN分析的脑疾病诊断。我们首先使用一组定义良好的多尺度地图集来计算多尺度FCNs。然后，我们利用多尺度地图集中区域之间的生物学意义的大脑层次关系，在多个空间尺度上执行节点池，即“大脑引导池”。因此，我们提出了一种基于多尺度卷积的分层图卷积网络（MAHGCN），建立在图卷积和图谱引导池的堆叠层上，用于从多尺度FCN中全面提取诊断信息。对来自1792名受试者的神经成像数据的实验证明了我们提出的方法在阿尔茨海默病（AD）诊断中的有效性，AD的前驱期（即，轻度认知功能障碍（MCI）和自闭症谱系障碍（ASD）的诊断准确率分别为88.9%、78.6%和72.7%。所有的结果表明，我们提出的方法比其他竞争的方法显着的优势。这项研究不仅证明了使用深度学习支持的静息态fMRI诊断大脑疾病的可行性，而且还强调了多尺度大脑层次结构中的功能相互作用值得探索并整合到深度学习网络架构中，以更好地理解大脑疾病的神经病理学。
2022-09-22 cs.AI cs.CV eess.IV
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
Cortical Brain Computer Interface for Closed-Loop Deep Brain Stimulation
特发性震颤是最常见的神经运动障碍。这种进行性疾病导致无法控制的节律性运动-最常见的是影响患者的优势上肢-发生在意志运动期间，使患者难以执行日常任务。药物也可能随着疾病的进展而变得无效。对于许多患者来说，当药物治疗失败时，丘脑的脑深部电刺激（DBS）是治疗这种疾病的有效手段。然而，在目前的使用中，临床医生将患者的刺激器设置为始终施加刺激-无论是否需要。这种做法会导致过度用电，电池消耗更快，需要手术更换。在这里描述的工作中，第一次，运动的神经感知（使用长期植入的皮层电极）被用来启用或禁用震颤刺激。只有当患者主动使用其受影响的肢体时才输送治疗性刺激，从而减少了施加的总刺激，并潜在地延长了植入式电池的寿命。这项工作涉及植入和外部子系统，为未来完全植入闭环脑深部刺激器铺平了道路。
2017-06-01 q-bio.NC
Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis
Emory University（埃默里大学）；University of California, Los Angeles（加州大学洛杉矶分校）；The University of British Columbia（不列颠哥伦比亚大学）；Lehigh University（理海大学）
人类大脑位于复杂神经生物系统的核心，其中神经元，回路和子系统以神秘的方式相互作用。了解大脑的结构和功能机制一直是神经科学研究和临床疾病治疗的一个有趣的追求。将人脑的连接映射为网络是神经科学中最普遍的范式之一。图神经网络（GNNs）最近已经成为一种用于对复杂网络数据进行建模的潜在方法。另一方面，深度模型的可解释性较低，这阻碍了它们在医疗保健等决策关键环境中的使用。为了弥合这一差距，我们提出了一个可解释的框架来分析疾病特异性的感兴趣区域（ROI）和突出的连接。该框架由两个模块组成：一个面向脑网络的疾病预测骨干模型和一个全球共享的解释生成器，该生成器突出了疾病特异性生物标志物，包括突出的ROI和重要的连接。我们在三个真实世界的大脑疾病数据集上进行实验。结果验证了我们的框架可以获得出色的性能，也可以识别有意义的生物标志物。这项工作的所有代码都可以在https://github.com/HennyJie/IBGNN.git上找到。
2022-07-23 cs.AI cs.CE cs.LG
Delayed closed-loop neurostimulation for the treatment of pathological brain rhythms in mental disorders
精神障碍（MD）是世界范围内最严峻的健康挑战之一。根据世界卫生组织的数据，MD的负担继续增长，对健康以及主要的社会和人权产生重大影响。大量MD表现出病理性节律，其作为疾病特征性生物标志物。这些节律是神经刺激技术的目标。开环神经刺激采用刺激协议，其在治疗时与患者的健康和大脑状态无关。大多数替代闭环刺激协议考虑实时脑活动观察，但表现为自适应开环协议，其中例如如果观察满足预定义标准，则预定义刺激设置。目前的理论工作提出了一种完全自适应的闭环神经刺激设置，根据用户定义的功率谱密度（PSD）调整大脑活动。所利用的大脑模型是非参数的，并且通过在刺激前设置阶段中的幅度拟合从观察结果估计。此外，该算法考虑了观察电极和刺激电极之间的反馈连接中可能的传导延迟。所有涉及的功能说明病理阿尔法和伽玛节律已知精神病。为此，我们数值模拟线性神经元群体的大脑模型和非线性皮质-丘脑反馈回路模型最近得出解释精神病的大脑活动。
2023-03-20 math-ph math.MP q-bio.NC
HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification
Isfahan University of Technology（伊斯法罕理工大学）
针对脑网络分类中样本关系、表型信息、动态时序与固定图结构等问题，提出双层HDGL模型学习动态脑图与人群图表示，并在ABIDE和ADHD-200上优于现有方法。
2023-11-06 cs.LG q-bio.NC
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
Structurally Constrained Brain Network Dynamics Reveal Reduced Functional Flexibility in Cocaine Use Disorder
University of Oklahoma（俄克拉荷马大学）；University of Tennessee Medical Center（田纳西大学医学中心）；University of Oklahoma Health Campus（俄克拉荷马大学健康校区）
本研究引入基于结构的动态功能连接框架，发现可卡因使用障碍患者脑网络整合增强、灵活性降低，且该特征可预测每周可卡因使用量，为可卡因成瘾的网络改变研究提供了有价值的测量方法。
2026-09-09 eess.SP q-bio.NC
Accelerated functional brain aging in major depressive disorder: evidence from a large scale fMRI analysis of Chinese participants
Southwest University（西南大学）；Collaborative Innovation Center of Assessment Toward Basic Education Quality at Beijing Normal University（北京师范大学基础教育质量评价协同创新中心）
重度抑郁症（MDD）是最常见的精神健康状况之一，其与脑萎缩和死亡率的关系已被深入研究。最近的研究表明，预测年龄与实际年龄之间的偏差可以作为大脑加速老化的标志来表征MDD。然而，目前的结论通常是基于从白人参与者中收集的结构MRI信息得出的。该生物标志物的普遍性需要通过不同种族/种族背景的受试者和不同类型的数据进一步验证。在这里，我们使用的REST元MDD，一个大规模的静息态fMRI数据集收集了多个队列参与者在中国。我们开发了一个基于1101名健康对照的堆叠机器学习模型，该模型可以从fMRI中估计受试者的实际年龄，具有很好的准确性。然后将训练好的模型应用于来自24个研究中心的1276名MDD患者。我们观察到，与对照组相比，MDD患者表现出$+4.43$年（$\text{$ p $} < 0.0001$，$\text{Cohen's $ d $} = 0.35$，$\text{95\% CI}:1.86 - 3.91$）更高的脑预测年龄差（脑PAD）。在MDD亚组中，我们观察到与未用药患者相比，抗抑郁药使用者的$+2.09$年（$\text{$ p $} < 0.05$，$\text{Cohen's $ d $} = 0.134483$）脑PAD具有统计学显著性。通过三种不同的机器学习算法进一步检查观察到的统计关系。在中国参与者中观察到的阳性脑PAD证实了MDD患者中存在加速的脑老化。利…
2022-05-08 cs.LG q-bio.NC
Large Language Model-based FMRI Encoding of Language Functions for Subjects with Neurocognitive Disorder
The Chinese University of Hong Kong（香港中文大学）；Stanley Ho Big Data Decision Analytics Research Centre, The Chinese University of Hong Kong（香港中文大学何文汇大数据决策分析研究中心）
针对现有fMRI编码研究多聚焦健康年轻人、忽略老年神经认知障碍人群的问题，该研究用基于大语言模型的fMRI编码与脑评分，分析患者脑评分与认知评分的相关性，发现认知能力越高脑评分越好，为NCD早期功能检测提供新途径。
2024-07-15 cs.CL q-bio.NC
Individual structural connectivity defines propagation networks in partial epilepsy
神经网络振荡是认知、知觉和意识的基本机制。因此，网络活动的扰动在脑疾病的病理生理学中起着重要作用。当来自非侵入性脑成像的结构信息与数学建模相结合时，生成性脑网络模型构成了探索脑功能因果机制和临床假设检验的计算机平台。我们在这里展示了耐药性癫痫的例子，来自扩散MRI的患者特定的虚拟脑模型具有足够的预测能力，以改善诊断和手术结果。在部分性癫痫中，癫痫发作起源于一个局部网络，即所谓的致痫区，然后再招募其他近距离或远距离的大脑区域。我们为15名患者创建了个性化的大规模大脑网络，并模拟了个体癫痫发作的传播模式。根据术前立体定向脑电图（SEEG）数据和标准治疗临床评价进行模型确认。我们证明，个人的大脑模型占患者癫痫发作传播模式的时间变异性，并解释手术后成功的变异性。我们的研究结果表明，结构连接的个体差异，当与数学动态模型相联系时，有能力解释在基于网络的大脑疾病中观察到的大脑动态时空组织的变化，从而开辟了发现新的临床干预措施的途径。
2016-04-28 q-bio.NC
Deep brain stimulation for movement disorder treatment: Exploring frequency-dependent efficacy in a computational network model
提出了一个基底神经节（BG）网络的大规模计算模型来描述包括脑深部电刺激（DBS）在内的运动障碍。该复杂网络的模型考虑了基底神经节网络的四个区域：作为DBS靶区的丘脑底核（STN）、苍白球、内外部（GPe-GPi）和丘脑（THA）。通过假设多巴胺能输入减少和相应的对GPe和GPi的显著抑制或解除抑制投射来模拟帕金森病病症。可以导出与丘脑反应密切相关的宏观量，因此可以导出与运动程序保真度密切相关的宏观量。可以证明，取决于纹状体投射到GPe和GPi的不同水平，这些宏观量的动态从正常状态切换到帕金森病。在小脑上模拟DBS会影响整个网络的动态，将丘脑活动增加到接近正常的水平，而与正常和帕金森病的动态不同。使用上述宏观量，该模型提出了130 Hz以上的最佳DBS频率范围。
2021-03-12 math.DS q-bio.NC
Structural Brain Connectivity and Treatment Improvement in Mood Disorder
本研究通过扩散MRI结构连接分析发现心境障碍患者基底节、额叶-边缘网络及默认模式网络连接异常，且治疗改善与默认模式网络整合和分离降低相关，为理解难治性抑郁的脑结构基础提供了新证据。
2024-03-22 q-bio.NC
Selection and Stability of Functional Connectivity Features for Classification of Brain Disorders
本研究基于fMRI连接组特征，对比LASSO、Relief和ANOVA三种特征选择方法用于脑疾病分类，发现LASSO在UCLA数据集上准确率达91.85%且稳定性最优，并能识别关键脑区生物标志物。
2025-10-29 eess.IV q-bio.NC
Using Brain Connectivity Measure of EEG Synchrostates for Discriminating Typical and Autism Spectrum Disorder
在本文中，我们利用稳定的相位同步地形图的概念-同步态-在头皮上从脑电图记录制定自闭症谱系障碍（ASD）和典型的成长儿童的大脑连接网络。同步索引适于形成捕获每个同步状态的稳定性的连接图的边。对11名ASD儿童和12名对照组儿童建立了这样的网络。这些网络的比较分析，使用图论的措施表明，自闭症儿童有一个不同的模块化，从典型的儿童这样的网络。这一结果可能为从非侵入性记录的EEG数据中识别ASD的新模式铺平道路。
2016-11-29 physics.med-ph q-bio.NC stat.AP
An Electroencephalography connectome predictive model of major depressive disorder severity
新的证据表明，抑郁症（MDD）与脑结构和功能网络的破坏有关，而不是孤立的脑区域的损害。因此，能够在个体水平上预测抑郁症严重程度的基于连接体的模型在临床上是有用的。在这里，我们应用了一种机器学习方法来预测抑郁症的严重程度，使用来自源重建脑电图（EEG）信号的静息状态网络。使用回归模型和三个独立的EEG数据集（N=328），我们测试了静息状态功能连接是否可以预测个体抑郁评分。在第一个数据集上，结果显示，可以使用EEG α带（8-13 Hz）中的固有功能连接合理地预测个体得分（r=0.61，p=4 x 10-18）。特别是，对预测网络贡献最大的大脑区域属于默认模式网络。我们通过对（N1=53，N2=154）进行两次外部验证，进一步测试了所建立模型的预测潜力。结果显示，抑郁量表的预测值与测量值之间存在高度显著的相关性（r1= 0.49，r2=0.37，p<0.001）。这些发现为开发一种可推广和科学解释的基于EEG网络的标记物奠定了基础，该标记物最终可以支持临床医生对MDD进行基于生物学的表征。
2021-10-15 q-bio.NC
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 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
Visceral theory of sleep and origins of mental disorders
睡眠的内脏理论指出，在清醒状态下处理外部信息的相同大脑神经元在睡眠期间切换到处理来自各种内脏系统的内部信息。在这里，我们假设大脑中的外感受性和内感受性信息流的转换失败可以表现为精神疾病。
2018-08-21 physics.bio-ph q-bio.NC
Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks
University of Pennsylvania（宾夕法尼亚大学）；Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；Drexel University（德雷塞尔大学）；Children’s Hospital of Philadelphia（费城儿童医院）
提出BRIDGE框架，结合规范建模与深度生成模型，通过基于连接性的大脑年龄差异生成全局神经差异评分和区域图谱，有效量化自闭症等神经发育障碍中的连接异常，为个性化诊断和干预提供影像标志物。
2024-11-18 cs.AI q-bio.NC q-bio.QM
Computer-aided diagnosis and prediction in brain disorders
Vrije Universiteit（阿姆斯特丹自由大学）；Amsterdam UMC（阿姆斯特丹大学医学中心）；Amsterdam Neuroscience（阿姆斯特丹神经科学研究所）；Erasmus MC（伊拉斯姆斯医学中心）；University College London（伦敦大学学院）；TU Delft（代尔夫特理工大学）
计算机辅助方法已经显示出诊断和预测脑部疾病的附加值，因此可以支持临床护理和治疗计划的决策。本章将深入了解方法的类型、工作原理、输入数据（如认知测试、成像和遗传数据）以及它们提供的输出类型。我们将专注于诊断的特定用例，即估计患者的当前“状况”，例如痴呆症的早期检测和诊断，脑肿瘤的鉴别诊断以及中风的决策。关于预测，即对患者未来“状况”的估计，我们将放大用例，例如预测多发性硬化症的病程和预测脑癌治疗后的患者结局。此外，基于这些用例，我们将评估当前最先进的方法，并强调当前对这些方法进行基准测试的努力以及其中开放科学的重要性。最后，我们评估了计算机辅助方法的当前临床影响，并讨论了增加临床影响所需的后续步骤。
2022-10-31 cs.LG eess.IV q-bio.NC
Artificial intelligence in deep brain stimulation for movement disorders: a systematic review and technology readiness assessment
Military University Hospital of Sfax（萨法军事大学医院）；Institut du Neurone（神经元研究所）；Edinburgh Medical School, University of Edinburgh（爱丁堡大学爱丁堡医学院）；UCL Queen Square Institute of Neurology（伦敦大学学院皇后广场神经科学研究所）；Lausanne University Hospital (CHUV)（洛桑大学医院）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University Hospital Lausanne（洛桑大学医院）；University of Lausanne（洛桑大学）；CHU of Grenoble（格勒诺布尔大学医院）；Humanitas University（希曼纳大学）；IRCCS Humanitas Research Hospital（IRCCS希曼纳研究医院）；Umeå University（于默奥大学）；Hannover Medical School（汉诺威医学院）；Charité- Universitätsmedizin Berlin（柏林夏里特医科大学）；University College London（伦敦大学学院）；Evelina London Children’s Hospital（伊芙琳娜伦敦儿童医院）；King’s College London（伦敦国王学院）；Neuro-X Institute, Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院神经X研究所）；Grenoble Alpes University（格勒诺布尔阿尔卑斯大学）；Grenoble Institut of Neurosciences（格勒诺布尔神经科学研究所）；Julius Maximilians University Hospital Würzburg（维尔茨堡朱利叶斯马克西米利安大学医院）
本研究系统综述2000-2025年239篇AI应用于DBS治疗运动障碍的文献，发现多数系统处于早期转化阶段，验证不足是主要限制，新兴研究显示领域向临床成熟发展。
2026-07-30 q-bio.NC
Tangent space functional reconfigurations in individuals at risk for alcohol use disorder
本研究提出基于切空间投影的数学框架，量化停止信号任务切换中的脑功能重构，发现其与酒精使用障碍家族史、近期饮酒等风险因素相关，为AUD风险研究提供了新的功能表征方法。
2024-08-20 q-bio.NC
Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification
Monash University Malaysia（莫纳什大学马来西亚校区）；Vanderbilt University Medical Center（范德比尔特大学医学中心）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
该研究提出基于图卷积网络的图自编码器框架，结合LDW收缩法构建脑功能连接网络，通过有监督/无监督方式学习图嵌入，输入全连接网络实现重度抑郁症识别，在两个数据集上性能优于现有方法，且嵌入特征体现明显组间差异。
2022-06-02 cs.AI cs.LG q-bio.NC
Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph
Southwestern University of Finance and Economics（西南财经大学）；Osaka University（大阪大学）；West China Hospital of Sichuan University（四川大学华西医院）；The University of Hong Kong（香港大学）；General Hospital of Ningxia Medical University（宁夏医科大学总医院）
本研究提出融合DTI与fMRI脑连接数据、结合GNN和类间类内间隔损失函数的ASD诊断模型，同时通过多中心性分析与非参数检验识别ASD相关病理区域，为理解ASD神经机制及临床诊断提供新方向。
2024-09-22 cs.LG q-bio.NC stat.AP
Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG
University of Maryland, College Park（马里兰大学帕克分校）；Hanbat National University（韩巴国立大学）
本研究利用动态模式分解（DMD）提取EEG高频带动力学变化，经随机分布测试后用PCA成分作为特征，成功区分酒精依赖组与对照组，为检测高频脑疾病信号提供方法。
2026-08-05 cs.LG eess.SP q-bio.NC
Diagnosis of Autism Spectrum Disorder by Causal Influence Strength Learned from Resting-State fMRI Data
自闭症谱系障碍（ASD）是影响儿童的主要发育障碍之一。最近，有人假设ASD与非典型的大脑连接有关。大量的研究使用皮尔逊相关系数、互信息或偏相关来研究ASD与功能性磁共振成像（fMRI）的典型对照之间的脑连接差异。然而，相关性或部分相关性并不能直接揭示大脑区域之间的因果影响--信息流。与相关性相比，因果关系确定了关键的连通性特征，并删除了用于诊断的冗余特征。在本文中，我们提出了一个两步的方法，从功能磁共振成像的大规模和循环的因果发现。它可以识别大脑的因果结构，而无需进行干预实验。习得的因果结构以及因果影响强度为我们提供了信息流的路径和有效性。以恢复的因果影响强度作为候选特征，通过进一步的特征选择和分类进行ASD诊断。我们将我们的方法应用于自闭症脑成像数据交换（ABIDE）的三个数据集。从实验结果来看，它表明，与因果联系，诊断准确率大大提高。更仔细的检查表明，从上前回到默认模式网络和后部区域的信息流大大减少。此外，所有增强的信息流都是从后向前或在局部区域内。总体而言，它表明，长期影响比本地影响减少的比例更大，而本地影响比长期影响增加的比例更大。通过对大脑因果结构的图形特性的研究，ASD组表现出减少的小世界性。
2019-03-05 cs.NE q-bio.NC
