机构名称：
¥ 1.0
对功能性脑网络（FBN）中的动态特征进行建模对于理解人脑的功能机制很重要。但是，目前的作品并未完全考虑人脑中潜在的复杂空间和时间相关性。为了解决这个问题，我们建议针对大脑网络的时间图表示学习框架（BraintGL）。框架涉及一个时间图池，以消除嘈杂的边缘和数据不一致，以及用于捕获时间图的时空特征的双时间图学习。已在四个数据集上的诊断/性别分类（分类任务）和亚型识别（聚类任务）中评估了所提出的方法：Human Connectome Project（HCP），自闭症脑成像数据交换（ABID），NMU-MDD和NMU-BD。为ASD诊断实现了很大的改进。具体而言，我们的模型的表现分别超过了GroupInn和ST-GCN的准确性4.2％和8.6％，与基于功能连接性特征或学识渊博的时空特征的最新方法相比，其优势与最新方法相比。结果表明，在FBN中学习建模动力学特征的时空 - 临时大脑网络表示可以改善模型在疾病诊断和亚型识别任务上的多种疾病的表现。除了性能外，计算效率和收敛速度的提高降低了培训成本。
Braintgl-计算科学系
主要关键词
相关文件推荐
