机构名称：
¥ 1.0
摘要。人类大脑是一个复杂的系统，由相互连接的神经元组成，这些神经元形成网络，构成认知过程和行为的基础。了解这些大脑网络是现代神经科学的核心目标，但传统的分析方法往往无法捕捉到它们的全部复杂性，尤其是高阶相互作用。本研究项目旨在通过利用几何深度学习 (GDL) 和拓扑深度学习 (TDL) 技术来更深入地了解大脑网络功能，从而弥合这一差距。正如拓扑通过关注在连续变形下持续存在的基本属性来概括几何一样，TDL 通过捕捉大脑网络中更一般的关系结构来扩展 GDL 的功能。我们的目标是开发集成 TDL 技术的 AI 工具来对大脑状态进行分类、预测认知结果并识别与认知功能相关的模式，从而为推动神经科学和 AI 技术的发展提供新颖的见解。我们的方法包括将 fMRI 数据预处理为拓扑表示，开发用于脑网络分析的新型 TDL 算法，以及集成 XAI 技术以增强模型的可解释性。作为研究终身大脑发育的联盟的一部分，我们将探索脑网络拓扑、认知和社会经济因素之间的联系。
用于可解释的脑网络分析的拓扑深度学习
主要关键词
相关文件推荐
