A few points suffice: Efficient large-scale computation of brain voxel-wise functional connectomes from a sparse spatio-temporal point-process
目前正在进行大量的努力,利用大量的神经成像数据,系统地绘制所有毫米级大脑区域之间的功能连接。功能性磁共振成像(fMRI)可以产生这些功能性连接体,然而,大量的数据和冗长的计算时间增加了这项任务的重要开销。以前的工作已经表明,功能磁共振成像数据承认稀疏表示的形式,一个离散的点过程,包含足够的信息,有效地估计所有体素对之间的功能连接。在这项工作中,我们验证了这种方法,通过复制标准的全脑体素线性相关矩阵在两个数据集获得的结果。在第一个(n=71)中,我们研究了深度睡眠期间节点强度(网络中心性的度量)的变化。第二个是一个大型数据库(n=1147)的主题,在其中我们看看年龄相关的重组的体素明智的网络功能连接。在这两种情况下,它表明,所提出的方法与标准技术相比,尽管需要的原始功能磁共振时间序列的1%的顺序。总体而言,这些结果表明,所提出的方法允许有效的fMRI数据压缩和随后的计算时间的减少。
2014-09-23 q-bio.NC
Monotonic Gaussian Process for Spatio-Temporal Disease Progression Modeling in Brain Imaging Data
Université Côte d’Azur(蔚蓝海岸大学);Inria Sophia Antipolis(法国国家信息与自动化研究所索菲亚·安提波利斯分部);CoBTeK lab(CoBTeK实验室)
我们引入了一个概率生成模型,用于从一系列高维脑图像中解开时空疾病轨迹。该模型是基于时空矩阵分解,其中对源的推断受到解剖学上合理的统计先验的约束。为了模拟真实的轨迹,时间源被定义为单调和时间重新参数化的高斯过程。为了解释大脑图像的非平稳性,我们将空间源建模为在多个尺度上卷积的稀疏代码。与标准盲源分离方法相比,该方法在合成数据上进行了测试。在来自临床研究的大规模成像数据上的应用允许解开映射神经退行性变的关键脑区域的差异时间进展模式,同时揭示与临床诊断相关的疾病特异性时间尺度。
2019-10-10 cs.LG q-bio.NC stat.ML
STW-MD: A Novel Spatio-Temporal Weighting and Multi-Step Decision Tree Method for Considering Spatial Heterogeneity in Brain Gene Expression Data
针对脑基因表达数据缺乏时空整合的问题,提出时空加权与多步决策树框架,有效利用空间相似性和时间依赖性,在AD和脑发育数据中发现基因类别并揭示其对疾病进展的影响。
2023-10-18 q-bio.NC q-bio.QM
STNAGNN: Data-driven Spatio-temporal Brain Connectivity beyond FC
Yale University(耶鲁大学);Yale School of Medicine(耶鲁医学院)
本文提出STNAGNN,通过融合稀疏预定义功能连接与稠密数据驱动时空连接,解决fMRI中GNN脑连接定义噪声大、忽略因果性及过度稀疏化的问题,实现灵活时空的ROI交互学习。
2025-04-08 cs.LG q-bio.NC
Frequency-dependent covariance reveals critical spatio-temporal patterns of synchronized activity in the human brain
研究提出一种探索跨频带临界性特征的新框架及时间依赖降维方法,应用于脑磁图数据揭示了健康人与帕金森病患者大脑活动模式的显著差异。
2024-03-22 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
Spatiotemporal patterns of adaptation-induced slow oscillations in a whole-brain model of slow-wave sleep
在慢波睡眠期间,大脑处于一种自组织状态,在这种状态下,向上和向下状态之间的慢振荡(SO)穿过皮层。虽然一个孤立的皮质片可以产生SO,但这些振荡的全脑传播被认为是由长距离轴突连接介导的。我们解决的机制,如何SO出现和招聘大部分的大脑使用全脑模型构建的经验连接数据,其中SO独立诱导在每个大脑区域的本地适应机制。使用进化优化方法,很好地适合人类静息状态的功能磁共振成像数据和睡眠脑电图数据被发现在接近分叉的适应强度的值,该模型产生的平衡与现实的时空统计本地和全球SO。局部振荡更频繁,持续时间更短,振幅更低。全球振荡作为沉默的波在大脑中传播,从前部到后部区域。这些行波是由大脑网络中的异质性引起的,其中大脑区域之间的连接强度决定了哪些区域首先过渡到下降状态,从而启动了穿越皮层的行波。我们的研究结果证明了全脑模型的效用,用于解释大规模皮层振荡的起源以及它们是如何由连接体塑造的。
2021-11-01 nlin.AO q-bio.NC
Spatio-Temporal Dynamics of Visual Imagery for Intuitive Brain-Computer Interface
视觉表象是一种直观的脑机接口范式,指视觉场景的出现。尽管它的方便,其内在特性的分析是有限的。在这项研究中,我们证明了时间间隔和通道选择的影响解码性能的多类视觉图像的效果。我们将时间段分为0-1秒和1-2秒的时间间隔,并在三个不同的大脑区域进行六类分类:全脑,视觉皮层和前额叶皮层。在时间间隔上,0-1 s组表现出24. 2%的平均分类准确率,在前额叶皮层显著高于1-2 s组。在3个不同区域中,前额叶皮层的分类准确率在0-1 s间隔组均显著高于视觉皮层,暗示了视觉表象过程中的认知唤醒。这一发现将为提高解码性能提供关键信息。
2020-02-27 cs.HC 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
Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention
Yonsei University(延世大学);KAIST(韩国科学技术院)
大脑区域之间的功能连接(FC)可以通过功能神经成像方式测量的时间相关程度来评估。基于这些连接构建网络的事实,用于分析大脑连接体的基于图的方法提供了对人类大脑功能的见解。能够从图形结构化数据学习表示的图神经网络(GNN)的发展已经导致对学习大脑连接体的图形表示的兴趣增加。尽管最近尝试将GNN应用于FC网络已经显示出有希望的结果,但是仍然存在一个共同的限制,即它们通常不包含随时间波动的FC网络的动态特性。此外,一些试图使用动态FC作为GNN输入的研究报告,与静态FC方法相比,性能降低,并且没有提供时间解释。在这里,我们提出了STAGIN,学习动态图形表示的大脑连接体与时空注意力的方法。具体而言,脑图的时间序列被输入到STAGIN以获得动态图表示,而新颖的READOUT函数和Transformer编码器分别提供空间和时间的可解释性。在HCP-Rest和HCP-Task数据集上的实验证明了我们所提出的方法的优异性能。时空注意的分析也提供了与神经科学知识的并行解释,这进一步验证了我们的方法。代码可在https://github.com/egyptdj/stagin上获得
2021-10-21 cs.CV cs.LG q-bio.NC
Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling
Amsterdam UMC(阿姆斯特丹大学医学中心);University of Amsterdam(阿姆斯特丹大学)
将大脑表征为功能网络,其中大脑区域之间的连接由跨时间序列的相关值表示,这在过去几年中非常流行。虽然这种表示法促进了我们对大脑功能的理解,但它代表了具有复杂动态时空性质的大脑连接的简化模型。数据的过度简化可能阻碍应用高级非线性特征提取算法的优点。为此,我们提出了一个动态自适应时空图卷积(DAST-GCN)模型,以克服预定义的静态相关为基础的图形结构的缺点。所提出的方法允许端到端的推理的动态连接之间的大脑区域通过逐层图结构学习模块,同时映射大脑连接到一个表型的监督学习框架。这利用了模型、数据和目标的计算能力来表示大脑的连通性,并且可以识别所讨论的监督目标的潜在生物标志物。我们评估了我们在UKBiobank数据集上的管道,用于静息状态功能扫描的年龄和性别分类任务,并表明它在神经成像中优于目前适应的线性和非线性方法。此外,我们通过将预先训练的图转移到同一任务的独立数据集来评估推断的图结构的可推广性。我们的研究结果表明,不同的扫描参数和人口统计图的任务鲁棒性。
2021-09-26 cs.LG q-bio.NC
Spatiotemporal Information Processing with a Reservoir Decision-making Network
Chongqing University(重庆大学);Peking University(北京大学)
时空信息处理是大脑功能的基础。本文研究了一种时空模式识别的规范神经网络模型。该模型由水库子网络和决策子网络两个模块组成。前者将复杂的时空模式投射到空间分离的神经表征中,后者通过随时间整合信息来读出这些神经表征;这两个模块通过使用已知示例的监督学习结合在一起。我们阐明了该模型的工作机制,并证明了其可行性的复杂的时空模式的歧视。我们的模型再现了神经系统中识别隐约模式的现象,并且可以用很少的训练样本学习区分步态。我们希望这项研究能让我们深入了解时空信息是如何在大脑中处理的,并帮助我们开发大脑启发的应用算法。
2019-07-28 cs.LG cs.NE q-bio.NC
Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic
Fudan University(复旦大学);Southern University of Science and Technology(南方科技大学);Shanghai Innovation Institute(上海创新研究院)
本文提出一种基于EEG条件的框架,用于高保真重建动态fMRI,通过引入空域中间帧重建解决采样不规则问题,提升时空连续性与应用性。
2026-03-31 cs.CV eess.IV q-bio.NC
Deep Neural Networks predict Hierarchical Spatio-temporal Cortical Dynamics of Human Visual Object Recognition
Massachusetts Institute of Technology(麻省理工学院);Free University Berlin(柏林自由大学)
皮层视觉通路复杂的多阶段结构为人类有效的视觉物体识别提供了神经基础。然而,其中的阶段式计算仍然知之甚少。在这里,我们比较了时间(脑磁图)和空间(功能性MRI)视觉大脑表征与人工深层神经网络(DNN)中的表征,该网络调整到现实世界视觉识别的统计数据。我们发现DNN在时间和空间上捕捉了人类视觉处理的阶段,从早期视觉区域到背侧和腹侧流。对关键DNN参数的进一步研究表明,虽然模型架构很重要,但对真实世界分类的训练对于加强与大脑的时空层次关系是必要的。我们的研究结果一起提供了一个算法知情的视图在人类视觉大脑中的视觉对象识别的时空动态。
2016-01-12 cs.CV q-bio.NC
JGAT: a joint spatio-temporal graph attention model for brain decoding
Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学)
针对FC与SC融合忽视脑网络动态变化的问题,提出多模态时空图注意力网络JGAT,融合fMRI与DWI完成脑解码,并通过注意力机制识别关键时间段和动态通路。
2023-06-03 cs.LG q-bio.NC
Towards a predictive spatio-temporal representation of brain data
University of Cambridge(剑桥大学);University of Rome “Tor Vergata”(罗马大学“Tor Vergata”);Massachusetts General Hospital and Harvard Medical School(麻省总医院和哈佛医学院)
将大脑表征为“连接体”,其中连接由跨时间序列的相关值表示,并作为来自图论分析的汇总度量,在过去几年中非常流行。然而,尽管这种表示法促进了我们对大脑功能的理解,但它可能代表了一个过于简化的模型。这是因为典型的fMRI数据集由复杂且高度异构的时间序列构成,这些时间序列在空间上变化(即,脑区的位置)。我们比较了深度学习和几何深度学习的各种建模技术,为未来有效利用典型fMRI数据集以及其他类似数据集的丰富空间和时间域的研究铺平了道路。作为一个概念验证,我们比较了我们的方法在同质和公开可用的人类连接组计划(HCP)数据集上的监督二进制分类任务。我们希望,我们的方法相对于以前的“连接”措施的进步,最终可以通过导致健康和疾病的大脑动力学更细致入微的理解,临床和计算相关。对大脑的这种理解可以从根本上减少不断的专业临床专业知识,以准确地了解大脑的变异性。
2020-02-29 cs.LG eess.IV q-bio.NC
ASD Classification on Dynamic Brain Connectome using Temporal Random Walk with Transformer-based Dynamic Network Embedding
Institute of Data and Information, Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院数据与信息研究所)
针对静态脑连接组难以表征脑活动时变特性的问题,提出BrainTWT动态网络嵌入方法,结合时间随机游走与Transformer学习判别表示,并在ABIDE上提升ASD分类性能。
2025-03-16 cs.LG q-bio.NC
Learning spatiotemporal signals using a recurrent spiking network that discretizes time
学习产生时空序列是大脑必须解决的常见任务。大脑可以使用相同的神经基质来产生不同的顺序行为。大脑学习和编码这些任务的方式仍然未知,因为当前的计算模型通常不使用现实的生物学上合理的学习。在这里,我们提出了一个模型,其中兴奋性和抑制性生物物理神经元的尖峰递归网络驱动读出层:驱动递归网络的动态被训练来编码时间,然后通过读出神经元映射来编码另一个维度,例如空间或相位。不同的时空模式可以通过突触权重被学习和编码到遵循共同的赫布学习规则的读出神经元。我们证明,该模型能够学习时空动态的时间尺度上的行为相关的,我们表明,学习的序列是鲁棒性重放期间的自发活动的制度。
2019-12-19 cs.NE nlin.AO physics.bio-ph
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
Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network
大脑解码是利用神经活动来识别大脑状态的一种方法,对认知神经科学和神经工程具有重要意义。然而,现有的用于基于fMRI的大脑解码的机器学习方法或者遭受低分类性能或者较差的可解释性。在这里,我们解决这个问题,提出了一个生物启发的架构,时空金字塔图卷积网络(STpGCN),捕捉功能性大脑活动的时空图表示。通过设计多尺度时空通路和自底向上通路来模拟大脑中的信息处理和时间整合,STpGCN能够通过图形明确地利用大脑活动的多尺度时间依赖性,从而实现高的大脑解码性能。此外,我们提出了一种称为BrainNetX的敏感性分析方法,通过从脑网络的角度自动注释与任务相关的大脑区域来更好地解释解码结果。我们对人类连接组计划(HCP)S1200的23个认知任务下的fMRI数据进行了广泛的实验。结果表明,与竞争基线模型相比,STpGCN显著提高了大脑解码性能; BrainNetX成功地注释了任务相关的大脑区域。基于这些区域的事后分析进一步验证了STpGCN的层次结构对模型的可解释性、鲁棒性和泛化性有显著贡献。我们的方法不仅提供了在多个认知任务下大脑中的信息表征的见解,但也表明了一个光明的未来,基于fMRI的大脑解码。
2022-10-08 cs.NE eess.SP 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