Self-supervised Graph Transformer with Contrastive Learning for Brain Connectivity Analysis towards Improving Autism Detection
University of Arizona(亚利桑那大学);Children's National Hospital(儿童国家医院);Imperial College London(伦敦帝国学院)
本文提出一种结合对比学习与随机图改变的自监督图Transformer框架,通过脑网络Transformer编码器分析fMRI数据,在ABIDE数据集上实现82.6 AUROC和74%准确率,显著提升了自闭症检测性能。
2025-01-18 cs.AI cs.LG
Multi-Feature Riemannian Hypergraph for Online Test-Time Adaptation of Motor Imagery Brain-Computer Interface
Peking University(北京大学);Chinese Institute for Brain Research(中国脑科学研究院);NeuCyber Neurotech(纽赛博神经科技公司);Beijing Medical University(北京医科大学);Chinese Academy of Medical Sciences & Peking Union Medical College(中国医学科学院北京协和医学院)
针对MI-BCI解码的跨天可迁移性与在线运行挑战,提出MRieHy框架,通过融合黎曼几何的双超图实现在线测试时自适应,在三类数据集上性能优于现有基线。
2026-08-18 cs.HC cs.LG eess.SP
A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Shenzhen University(深圳大学);Renmin University of China(中国人民大学);Central South University(中南大学)
阿尔茨海默氏病的特征在于在其进行性退行性过程期间大脑的结构和功能连接的改变。现有的辅助诊断方法已经完成了分类任务,但很少有能够准确评估大脑连接变化特征的方法。在这项工作中,提出了一种先验引导的对抗性表示学习和超图感知网络(PGARL-HPN),用于使用三模态医学图像预测异常的大脑连接。具体地,估计来自解剖知识的先验分布以使用对抗策略来指导多模态表示学习。此外,进一步利用成对的协作的并行结构,以缩小表示分布的差异。此外,开发了超图感知网络,以有效地融合学习的表示,同时建立多模态图像内部和之间的高阶关系。实验结果表明,该模型优于其他相关方法在分析和预测阿尔茨海默病的进展。更重要的是,发现的异常连接与之前的神经科学发现部分一致。该模型可用于评估阿尔茨海默病不同阶段异常脑连接的特征,有助于认知疾病的研究和早期治疗。
2021-10-12 cs.AI cs.CV cs.LG
HyperAMS-Net: Adaptive Multi-Scale Spatial Hypergraph Network for Brain Disorder Classification
University of North Texas(北德克萨斯大学);Inje University(仁济大学);Universiti Malaysia Perlis(马来西亚玻璃市大学)
针对脑疾病分类中受试者异质性和多尺度模式挑战,提出HyperAMS-Net框架,整合自适应多尺度卷积、超图注意力等模块,在三个基准数据集上取得最优性能。
2026-09-18 cs.CV cs.LG eess.IV
A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint
Istanbul Technical University(伊斯坦布尔技术大学);University of Dundee(邓迪大学)
通过分析连接解剖区域对的连接权重的变化来预测大脑网络(也称为连接体)的演变,可以在早期阶段发现与连接性相关的神经系统疾病,并检测潜在的连接体异常的发展。值得注意的是,这样一个具有挑战性的预测问题在预测连接组学文献中仍然很少探索。众所周知,机器学习(ML)方法已经在各种各样的计算机视觉问题中证明了它们的预测能力。然而,专门用于从单个时间点预测大脑连接进化轨迹的ML技术几乎不存在。为了填补这一空白,我们组织了一场Kaggle竞赛,20个参赛团队设计了先进的机器学习管道,用于预测单个时间点的大脑连接演变。竞争团队通过数据预处理,降维和学习方法的组合开发了他们的ML管道。利用包容性评估方法,我们根据两个互补的评估指标(平均绝对误差(MAE)和皮尔逊相关系数(PCC))及其使用不同训练和测试数据扰动策略(单随机分割和交叉验证)的性能对方法进行了排名。最终排名是使用所有评估措施和验证策略中每个竞争团队的排名乘积计算的。为了支持开放科学,GitHub上提供了开发的20个ML管道以及连接组数据集。这项竞赛的结果预计将导致预测模型的进一步发展,这些模型可以预见大脑连接随时间的演变,以及其他类型的网络(例如,基因网络)。
2021-09-16 cs.AI cs.CV cs.LG
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
Comparative Survey of Multigraph Integration Methods for Holistic Brain Connectivity Mapping
Istanbul Technical University(伊斯坦布尔理工大学);University of Dundee(邓迪大学)
网络神经科学中最大的科学挑战之一是创建一个具有代表性的异质大脑网络的地图,它可以作为连接指纹。连接脑模板(CBT),也被称为网络图谱,提供了一个强大的工具,用于捕获给定人群的最具代表性和区分性的特征,同时保留其拓扑模式。CBT的想法是整合来自不同神经成像模式或大脑视图(例如,结构和功能),成为一个统一的整体表示。在这里,我们回顾了目前最先进的方法,旨在估计良好的中心和代表性的CBT人口的单视图和多视图的大脑网络。我们首先回顾每一种CBT学习方法,然后介绍评估措施,分别基于以下标准比较单视图和多图集成方法生成的群体的CBT代表性:中心化,标记再现性,节点级相似性,全局级相似性和基于距离的相似性。我们证明,深度图归一化器(DGN)方法在中心性、再现性(即,图衍生的生物标志物再现性,其将典型的与非典型的连接性变异性分开),并在局部和全局图水平上保持拓扑特征。
2022-04-05 cs.AI cs.LG q-bio.NC
BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation
针对传统图神经网络难以捕捉动态fMRI长期依赖的问题,提出无监督自适应框架BrainATCL,通过动态调整回溯窗口和GINE-Mamba2主干学习时空表示,在功能连接预测与年龄估计任务上表现出卓越性能与强泛化能力。
2026-10-09 cs.LG
Characterizing normal perinatal development of the human brain structural connectivity
Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院)
本研究针对围产期大脑结构连接发育缺乏可靠正常基线的问题,开发了基于时空平均的计算框架,分析166名受试者孕后33-44周的结构连接,揭示了发育趋势与不对称模式,为评估早期大脑发育提供了方法和参考。
2023-08-22 cs.AI cs.LG q-bio.NC
Edge-boosted graph learning for functional brain connectivity analysis
Emory University(埃默里大学);University of North Carolina at Greensboro(北卡罗来纳大学格林斯伯勒分校);University of Minnesota Twin Cities(明尼苏达大学双城分校)
针对现有基于节点的脑连接分析不足,本文提出强调边功能性连接(eFC)的脑网络分析方法,并引入共嵌入技术整合边连接,在ADNI和PPMI数据集上显著优于最先进的GNN方法。
2025-04-21 cs.LG eess.IV
Ordinal Pattern Kernel for Brain Connectivity Network Classification
Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
脑连接网络表征了脑区域的功能或结构相互作用,已被广泛用于脑疾病分类。基于核的方法,例如图核(即,定义在图上的核),已被提出用于测量大脑网络的相似性,并产生了有前途的分类性能。然而,大多数图核都是建立在未加权图上的(即,网络),而忽略了脑连接网络中有价值的边的权值信息,边权值传达了脑区域之间的时间相关性或纤维连接的强度。因此,在本文中,我们提出了一个有序模式核的大脑连接网络分类。与现有的度量未加权图的拓扑相似性的图核不同,所提出的有序模式核通过比较来自加权网络的有序模式来计算加权网络的相似性。为了评估所提出的序数核的有效性,我们进一步开发了一个基于深度优先的序数模式核,并在ADNI数据库的真实脑疾病数据集上进行了广泛的实验。结果表明,我们提出的有序模式内核可以实现更好的分类性能相比,国家的最先进的图形内核。
2021-01-18 cs.LG stat.ML
LOCUS: A Novel Decomposition Method for Brain Network Connectivity Matrices using Low-rank Structure with Uniform Sparsity
Emory University(埃默里大学)
面向网络的研究在许多科学领域越来越受欢迎。在神经科学研究中,基于成像的网络连接性测量已成为理解大脑组织的关键,可能作为个体神经指纹。在分析连接矩阵方面存在重大挑战,包括大脑网络的高维性,所观察到的连接性的潜在未知来源,以及导致虚假发现的大量大脑连接。在本文中,我们提出了一种新的盲源分离方法与低秩结构和均匀稀疏性(LOCUS)作为一个完全的数据驱动的分解方法的网络措施。与现有的忽略脑网络拓扑结构对连通矩阵进行向量化的方法相比,LOCUS利用低秩结构实现了更高效、更准确的连通矩阵源分离。我们提出了一种新的基于角度的均匀稀疏正则化,表现出更好的性能比现有的稀疏控制低秩张量方法。我们提出了一个高效的迭代节点旋转算法,利用块多凸的目标函数来解决非凸优化问题的学习轨迹。我们通过大量的仿真研究说明了LOCUS的优势。LOCUS在费城神经发育队列神经影像学研究中的应用揭示了使用现有方法没有发现的生物学上有洞察力的连接特征。
2023-03-12 cs.LG stat.ML
Extraction of Hierarchical Functional Connectivity Components in human brain using Adversarial Learning
University of Pennsylvania(宾夕法尼亚大学)
从rsfMRI数据中估计反映大脑功能连接模式的稀疏层次成分可以有助于我们理解大脑的功能组织,并可以导致疾病的生物标志物。然而,扫描仪间的变化和其他混杂因素对功能可解释的脑网络的鲁棒和可再现的估计提出了挑战,特别是对可再现的生物标志物。此外,大脑被认为是分层组织的,因此单尺度分解错过了这个层次。该论文旨在利用对抗性学习的当前进展,使用rsfMRI数据来估计人类大脑中可解释的分层模式,这些数据对“对抗性效应”(如扫描仪间变化)具有鲁棒性。我们将估计问题写成最小化问题,并使用交替更新来解决它。模拟和真实世界的数据集上的广泛实验表明,与其他众所周知的方法相比,组件的可重复性很高。
2021-04-20 cs.LG q-bio.NC
Resting-state EEG sex classification using selected brain connectivity representation
University of Otago(奥塔哥大学)
有效地分析脑电信号的潜在临床应用仍然是一个具有挑战性的任务。到目前为止,EEG的分析和调节在很大程度上保持性别中立。本文采用机器学习的方法来探索性别对脑电信号的影响的证据,并通过成功地实现性别预测的静息态脑电信号证实了这些影响的普遍性。我们发现,由某些传感器通道之间的一致性所代表的大脑连通性是很好的性别预测指标。
2020-12-21 cs.LG eess.SP
Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction
Faculty of Computer and Informatics, Istanbul Technical University(伊斯坦布尔技术大学计算机与信息学院);Helmholtz AI, Helmholtz Munich(亥姆霍兹慕尼黑亥姆霍兹人工智能研究所)
本文提出首个图扩散模型Grenol-Net,通过残差噪声学习从源脑图预测目标脑图,克服GAN模式崩溃问题并保持连接矩阵拓扑对称性。
2024-09-30 cs.AI cs.CV cs.LG
Convolutional Neural Network Approach for EEG-based Emotion Recognition using Brain Connectivity and its Spatial Information
School of Integrated Technology, Yonsei University(延世大学融合技术学院)
基于脑电的情感识别作为实现以人为中心的服务的一种方式受到关注。然而,仍然有很大的改进空间,特别是在识别精度方面。在本文中,我们提出了一种新的深度学习方法,使用卷积神经网络(CNN)进行基于EEG的情感识别。特别是,我们采用了以前研究中未与深度学习模型一起使用的大脑连接特征,这些特征可以解释不同大脑区域的同步激活。此外,我们开发了一种方法来有效地捕捉不对称的大脑活动模式,情感识别是重要的。实验结果证实了我们的方法的有效性。
2018-09-12 cs.HC cs.LG
Bayesian estimation for large scale multivariate Ornstein-Uhlenbeck model of brain connectivity
Center for Brain and Cognition(脑与认知中心);University Pompeu Fabra(庞培法布拉大学);Columbia University(哥伦比亚大学)
可靠的全脑连接的估计是一个关键的一步,使用定量的方法来研究神经精神疾病的连接信息。当估计大脑连接性时,时间样本的缺乏和测量的大维度带来了挑战。贝叶斯网络模型的估计方法在这方面提供了许多优势,但并不常用。在这里,我们比较了三种不同的估计方法的多变量Ornstein-Uhlenbeck模型,最近获得了一些流行的特征全脑连接。我们首先表明,贝叶斯估计的模型参数假设一致的先验是等效的矩量法的应用。然后,使用合成数据,我们表明,贝叶斯估计规模与网络中的节点数相比,迭代李雅普诺夫优化。特别是当网络大小是用于全脑研究的顺序(约100个节点)时,贝叶斯方法需要比李雅普诺夫方法多约8倍的时间样本,以达到相似的估计精度。我们还表明,更高的估计精度的李雅普诺夫方法是反映在一个更好的分类的基础上估计连接从一个真正的数据集BOLD功能磁共振成像的个人。最后,我们表明,贝叶斯方法的精度差是由于数值误差,当虚部的连接估计得到大相比,其实部。
2018-05-25 cs.LG stat.ML
Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer
TU Dresden(德累斯顿工业大学);HZDR(亥姆霍兹德累斯顿罗森多夫研究中心);UKE(汉堡埃彭多夫大学医院)
功能连接在现代神经科学中起着至关重要的作用。该模式揭示了大脑的功能和结构方面,包括多种病理背后的机制。精神分裂症就是这样一种病理,它通常伴随着幻听。后者通常通过观察语音处理过程中的功能连接来研究。在这项工作中,我们通过深度学习对三组人进行了深入的功能连接检查:有和没有听觉言语幻觉的精神分裂症患者和健康对照组。我们提出了一个基于图神经网络的框架,在这个框架内,我们将EEG数据表示为图域中的信号。该框架允许1)基于EEG记录预测大脑精神障碍,2)区分每组的听力状态和休息状态,3)识别特征任务依赖性连接。实验结果表明,该模型可以区分上述群体与国家的最先进的性能。此外,它提供了一个有意义的信息,研究人员对每个群体的功能连接,我们验证了当前的领域知识。
2022-06-04 cs.LG q-bio.NC
Unsupervised learning of the brain connectivity dynamic using residual D-net
EPFL(洛桑联邦理工学院);University of Athens(雅典大学);Computer Technology Institute & Press “Diophantus” (CTI)(丢番图计算机技术研究所及出版社);LIBRA MLI Ltd(利布拉机器学习有限公司);National Observatory of Athens(希腊国家天文台)
在本文中,我们提出了一种新的无监督学习方法,使用名为残差D-网络的深度学习架构来学习大脑动力学。与典型的深度学习任务相比,在医学研究中,用于训练的静息状态功能性磁共振图像(rs-fMRI)数据集的大小是有限的。因此,可用的数据应该非常有效地用于学习大脑连接动力学下的复杂模式。为了解决这个问题,我们使用残余连接,以减轻训练的复杂性,通过经常性的多尺度表示。我们进行了两个分类任务,以区分早期和晚期轻度认知障碍(MCI)从正常健康对照(NC)的主题。实验验证了我们提出的残差D-net确实学习了大脑连接动力学,与以前发表的技术相比,分类准确率显着提高。
2019-02-28 cs.LG stat.ML
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
Connectivity-Driven Brain Parcellation via Consensus Clustering
The Institute for Information Transmission Problems(信息传输问题研究所);National Research University Higher School of Economics(国立研究型高等经济大学);University of Southern California(南加州大学);Illinois Institute of Technology(伊利诺伊理工学院)
我们提出了两个相关的方法,从个人的连接体推导出基于连接性的大脑图谱。所提出的方法利用了先前提出的密集连接表示,称为连续连接,首先执行基于图形的层次聚类的个人大脑,随后聚合到一个共识parcellation的个人包裹。对共识的搜索最小化了聚类成员距离的总和,有效地估计了单个包裹的伪Karcher平均值。我们使用(1)Kullback-Liebler和Jensen-Shannon分歧来评估我们的包裹质量,(2)半球间对称性,(3)简化连接体在生物性别分类任务中的表现。我们发现,在所有三个评估中,使用分层深度3的贪婪搜索计算的基于包裹的地图集优于所有其他基于包裹的地图集以及标准的Dessikan-Killiany解剖地图集。
2018-08-10 cs.LG q-bio.NC stat.ML
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks
Yonsei University(延世大学);University of California, Davis(加州大学戴维斯分校);University of California, Los Angeles(加州大学洛杉矶分校)
卷积神经网络(CNN)被广泛用于通过脑电图(EEG)信号来识别用户的状态。在以往的研究中,脑电信号通常以高维原始数据的形式输入到CNN中。然而,这种方法使得难以利用在描述功能性大脑网络和估计用户的感知状态中可以有效的大脑连接信息。我们引入了一个新的分类系统,利用大脑连接与CNN,并通过使用三种不同类型的连接措施的情感视频分类验证其有效性。此外,提出了两种数据驱动的方法来构建连接矩阵,以最大限度地提高分类性能。进一步的分析表明,与目标视频的情感属性相关的大脑连接的集中程度与分类性能相关。
2021-01-18 cs.HC cs.LG
Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network
Universiti Teknologi Malaysia(马来西亚理工大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
我们利用脑功能连接的改变模式作为神经精神病患者自动判别分析的特征。深度学习方法最近才被引入到功能性网络分类中,用于fMRI,并且所提出的架构基本上集中在单一类型的连接性度量上。我们提出了一个深度卷积神经网络(CNN)框架,用于对精神分裂症(SZ)患者的脑电图(EEG)衍生脑连接体进行分类。为了捕捉在SZ中断连接的互补方面,我们探索各种连接功能的组合,包括有效连接的时间和频域指标的基础上向量自回归模型和部分有向相干性,和复杂的网络拓扑结构的网络措施。我们设计了一种新的多域连接体CNN(MDC-CNN)的基础上并行集成的一维和二维CNN集成的功能,从不同的域和维度使用不同的融合策略。多个卷积层从EEG连接性中学习到的分层潜在表示揭示了SZ和健康对照(HC)之间明显的群体差异。在一个大的静息状态EEG数据集上的结果表明,所提出的CNN显着优于传统的支持向量机分类器。具有组合连接特征的MDC-CNN进一步提高了使用单个特征的单域CNN的性能,实现了具有决策级融合的$93.06\%$的显著准确性。通过整合来自不同大脑连接描述符的信息,所提出的MDC-CNN能够准确地区分SZ和HC。新的框架是潜在的有用的开发SZ和其他疾病的诊断工具。
2019-03-21 cs.CV cs.LG 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