XiaoMi-AI文件搜索系统
World File Search SystemConnectome
通过图论构建忆阻纳米线网络连接组
神经网络的硬件实现是利用神经形态数据处理优势和利用与此类结构相关的固有并行性的里程碑。在这种情况下，具有模拟功能的忆阻设备被称为人工神经网络硬件实现的有前途的构建块。作为传统交叉架构的替代方案，在传统交叉架构中，忆阻设备以自上而下的方式以网格状方式组织，神经形态数据处理和计算能力已在根据生物神经网络中发现的自组织相似性原理实现的网络中得到探索。在这里，我们在图论的理论框架内探索自组织忆阻纳米线 (NW) 网络的结构和功能连接。虽然图度量揭示了图论方法与几何考虑之间的联系，但结果表明，网络结构与其传输信息能力之间的相互作用与与渗透理论一致的相变过程有关。此外，还引入了忆阻距离的概念来研究激活模式和以忆阻图表示的网络信息流的动态演变。与实验结果一致，新出现的短期动力学揭示了具有增强传输特性的自选择通路的形成，这些通路连接受刺激区域并调节信息流的流通。网络处理时空输入信号的能力可用于在忆阻图中实现非常规计算范式，这些范式充分利用了生物系统中结构和功能之间的固有关系。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
通过图论构建忆阻纳米线网络连接组
神经网络的硬件实现是利用神经形态数据处理优势和利用与此类结构相关的固有并行性的里程碑。在这种情况下，具有模拟功能的忆阻设备被称为人工神经网络硬件实现的有前途的构建块。作为传统交叉架构的替代方案，在传统交叉架构中，忆阻设备以自上而下的方式以网格状方式组织，神经形态数据处理和计算能力已在根据生物神经网络中发现的自组织相似性原理实现的网络中得到探索。在这里，我们在图论的理论框架内探索自组织忆阻纳米线 (NW) 网络的结构和功能连接。虽然图度量揭示了图论方法与几何考虑之间的联系，但结果表明，网络结构与其传输信息能力之间的相互作用与与渗透理论一致的相变过程有关。此外，还引入了忆阻距离的概念来研究激活模式和以忆阻图表示的网络信息流的动态演变。与实验结果一致，新出现的短期动力学揭示了具有增强传输特性的自选择通路的形成，这些通路连接受刺激区域并调节信息流的流通。网络处理时空输入信号的能力可用于在忆阻图中实现非常规计算范式，这些范式充分利用了生物系统中结构和功能之间的固有关系。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
连接组分类的图对比学习
摘要 — 随着磁共振成像 (MRI) 等用于测量大脑活动的非侵入性技术的最新进展，通过图形信号处理 (GSP) 研究结构和功能性大脑网络已获得显著关注。GSP 是揭示大脑功能和结构之间相互作用的关键工具，能够分析由感兴趣区域之间的连接定义的图形——在此上下文中称为连接组。我们的工作代表了在这个方向上迈出的又一步，通过探索图形表示学习领域的监督对比学习方法。这种方法的主要目标是生成主题级别（即图形级别）的向量表示，将具有相同标签的主题聚集在一起，同时将具有不同标签的主题分开。这些连接组嵌入来自图神经网络编码器-解码器架构，该架构共同考虑了结构和功能连接。通过利用数据增强技术，所提出的框架在使用人类连接组计划数据的性别分类任务中实现了最先进的性能。更广泛地说，我们以连接组为中心的方法论的进步支持了使用 GSP 发现更多大脑功能的良好前景，并可能对理解神经退行性疾病的异质性以实现精准医疗和诊断产生影响。
基于连接组的一般和特定执行功能预测模型
* 通讯作者：Shijie Qu，美国耶鲁大学心理学系，或通过电子邮件：shijie.qu@yale.edu；Kwangsun Yoo，韩国成均馆大学数字健康系，或通过电子邮件：rayksyoo@skku.edu；Marvin M. Chun，美国耶鲁大学心理学系，或通过电子邮件：marvin.chun@yale.edu。资金：数据由人类连接组计划、WU-Minn 联盟（首席研究员：David Van Essen 和 Kamil Ugurbil；1U54MH091657）提供，该计划由支持 NIH 神经科学研究蓝图的 16 个 NIH 研究所和中心资助；以及华盛顿大学麦克唐纳系统神经科学中心提供。由美国国立卫生研究院资助的基于连接组的一般注意力预测模型，资助编号 5R01MH108591，MMC 计算资源和耶鲁大学资助的 SQ。关键词：执行功能、连接组、个体差异、基于任务的 fMRI、预测模型
来自人类Connectome项目的结果
几种心血管和代谢指标，例如胆固醇和血压都与神经和认知健康的改变以及后来的痴呆症和阿尔茨海默氏病的风险增加有关。在这项横断面研究中，我们研究了心血管和代谢风险因素度量的骨料指数如何与基于相关性的基于相关性的静止状态功能连接性（FC）估计相关，该估计是从人类连接组的930名志愿者（36-90岁）（36-90 +年）中的较广泛的成人年龄段（36-90 +年）。增加（即更糟糕的是）骨骼代谢得分与全球FC降低有关，在岛屿内侧，内侧顶叶和上等颞叶中的效果特别强。此外，在网络级别的核心大脑网络之间的FC，例如默认模式和cingulo-obercular以及背注意网络，表现出对心脏代谢风险的强烈影响。这些发现突出了心血管和代谢健康对全脑功能完整性的寿命影响以及这些条件如何破坏高阶网络完整性。
人类连接组项目寿命衰老和开发研究的动脉自旋标记灌注MRI分析
图4：管道生产的工作台场景，以评估注册和掩盖精度。分别通过细绿色和蓝色线条显示了自由表面的白色和曲面。ASL体积脑面膜轮廓显示在洋红色中。白色盒子表示ASL获取的视野，转变为ASL网格的T1W空间。青色线（在矢状视图中在小脑的底部看到）表示位于视野外的ASL脑面膜的一部分。Greyscale中的基本图像是完整335
跨诊断连接组项目
1. 耶鲁大学心理学系，美国康涅狄格州纽黑文 2. 罗格斯大学脑健康研究所精神病学系，美国新泽西州皮斯卡塔韦 3. 墨尔本大学青少年心理健康中心 Orygen，澳大利亚墨尔本 4. 石溪大学心理学系，美国纽约州石溪 5. 斯坦福大学医学院斯坦福神经科学跨部门项目，美国加利福尼亚州斯坦福 6. 宾夕法尼亚大学心理学系，美国宾夕法尼亚州费城 7. 宾夕法尼亚大学佩雷尔曼医学院精神病学系，美国宾夕法尼亚州费城 8. 哈佛医学院精神病学系，美国波士顿 9. 麦克莱恩医院抑郁、焦虑和压力研究中心，美国波士顿 10. 康奈尔大学心理学系，美国纽约州伊萨卡 11. 麦克莱恩医院精神病学技术研究所，美国波士顿12. 哈佛医学院精神病学系，美国波士顿 13. 耶鲁大学精神病学系，美国纽黑文 14. 耶鲁大学吴仔研究所，美国纽黑文 15. 新加坡国立大学杨潞龄医学院睡眠与认知中心及转化磁共振研究中心，新加坡，新加坡 16. 新加坡国立大学电气与计算机工程系，新加坡，新加坡 17. 新加坡国立大学 N.1 健康研究所，新加坡，新加坡 18. 新加坡国立大学杨潞龄医学院医学系、人类潜能转化研究项目及数字医学研究所（WisDM），新加坡 19. 新加坡国立大学综合科学与工程项目（ISEP），新加坡，新加坡 20. 麻省总医院马蒂诺斯生物医学成像中心，美国查尔斯顿
通过基于连接组的预测建模确定的不良适应儿童侵略的大规模功能性脑网络
在支持情绪调节的额叶网络中的破坏长期与适应不良的儿童侵略有关。然而，尚未测试人类连接组中的大规模功能网络与侵略性行为之间的连通性。通过使用数据驱动的机器学习方法，我们表明情绪处理过程中连接组的功能组织预测了儿童侵略性的严重性（n = 129）。在涉及认知控制（额叶），社会功能（默认模式）和情感处理（皮层）的大规模网络内和之间确定了侵略性的连接性预测。在青少年脑认知发展研究的独立样本中，在功能连接的发现中进行了样本外复制和概括（n = 1,791; n = 1,701）。这些结果定义了基于新连通性的儿童侵略网络，该网络可以用作生物标志物，以告知有针对性的治疗以进行攻击。
在...
神经影像学研究越来越多地使用面向网络的分析来了解健康和分散个体的人脑。神经科学研究提供了证据，表明这些神经回路在解释人口之间的大脑功能差异方面起着至关重要的作用[1]。青少年脑认知发展（ABCD）研究[2]是美国脑发育和儿童健康的最大和长期研究。它为多样化的人群提供了广泛的大脑发展数据集，包括fMRI和丰富的生物学和行为调查结果。此数据集提供了一个机会，可以探索与错综复杂的大脑联系和丰富的行为数据之间的关系。最近有一种趋势是使用源自神经成像数据（例如fMRI）来预测各种临床结果的脑网络。然后分析这些模型以确定功能性脑网络与临床结果之间的潜在相关性。例如，Li等人。[3]提出了一个GNN模型来预测临床靶标，然后发现了特定于任务的神经系统标志物。此外，Chen等人。[1]在ABCD研究中为每个行为任务构建了单个模型，并分析了这些模型以捕获各种行为的关系。我们没有在这项工作中训练每个任务的单个模型，而是通过多任务学习（MTL）同时培训35个任务以及来自ABCD研究中7327个样本的休息状态功能性脑网络。MTL是一个框架，使多个学习任务能够共享其知识，从而改善了概括。所使用的骨干模型是脑网络跨前来[4]。MTL模型体系结构的概述如图1：大脑网络变压器将大脑网络转换为图形级别的嵌入，然后将其馈入每个预测目标的不同特定任务完全连接的网络（FCN）中。使用ADAM优化器对所有目标进行了端到端训练，并应用了平方误差以计算损失和评估性能。此外，我们为比较训练了35个单独的大脑网络变压器，一个用于每个任务。我们将35个任务包括在ABCD研究中，分为3个类别（域）：认知预测（15个任务），人格预测（9个任务）和心理健康预测（11个任务）。我们的实验结果表明，MTL的性能明显优于单任务mod-
通过结构连接分析和机器学习模型
摘要：重度抑郁症（MDD）和躁郁症（BD）具有临床特征，这使它们在临床环境中的分化变得复杂。本研究提出了一种创新的方法，该方法将结构连接分析与机器学习模型集成在一起，以辨别出BD个体的MDD个体。高分辨率MRI图像是从诊断为MDD或BD和HCS的个体中获得的。结构连接组，以使用高级图理论技术代表大脑区域的复杂相互作用。机器学习模型用于辨别与MDD和BD相关的独特连接模式。在全球范围内，与HC组相比，BD和MDD患者均表现出小世界的增加。在节点水平上，与HCS相比，BD和MDD患者在右杏仁核和右Parahippocampal Gyrus中的结节参数差异很大。主要的差异主要在BD的前额叶区域中发现，而MDD的特征是左Thalamus和默认模式网络中的异常。与MDD组相比，BD组证明了在额叶网络中的淋巴结参数的改变。此外，使用结构性大脑参数的机器学习模型的应用表明，在将BD与MDD的个体区分个体的个人分开时，具有令人印象深刻的90.3％精度。这些发现表明，结构连接组和机器学习可以提高诊断准确性，并可能为理解这些精神疾病的独特神经生物学特征提供宝贵的见解。