XiaoMi-AI文件搜索系统
World File Search SystemFMRI
fbnetgen：通过功能性脑网络生成
功能磁共振成像（fMRI）是研究大脑功能的最常见成像模态之一。最新的神经科学的研究压力由fMRI数据构建的功能性脑网络的巨大潜力，以进行临床预测。传统功能大脑网络是嘈杂的，并不意识到下游预测任务，同时也与深图神经网络（GNN）模型不兼容。为了完全释放GNN在基于网络的fMRI分析中的力量，我们开发了FBNet-Gen，这是一种通过深脑网络生成的任务感知和可解释的fMRI分析框架。尤其是我们制定（1）关注的关注区域（ROI）具有提取，（2）脑网络的生成，以及（3）在特定预测任务的指导下，在可端到端的可训练模型中，用GNNS进行了临床预测。随着过程，关键的新颖组件是图形生成器，该图形学会将原始的时间序列特征转换为以任务为导向的大脑网络。我们的可学习图还通过突出与预测相关的大脑区域来提供独特的解释。在两个数据集上进行了全面的实验，即最近发布且目前最大的公开利用FMRI数据集青少年脑认知发展（ABCD）和广泛使用的FMRI数据集PNC，证明了FBNETGEN的卓越有效性和可解释性。该实现可在https://github.com/wayfear/fbnetgen上获得。关键字：fMRI，大脑网络，图形生成，图形神经网络
使用fmri prompered llm
摘要 - 从大脑信号中解码语言信息代表了脑部计算机之间的重要研究领域，尤其是在解密fMRI信号的语义信息的背景下。尽管现有工作使用LLM来实现此目标，但他们的方法并未使用端到端方法，并且避免了fMRI到文本的映射中的LLM，为探索LLM在听觉解码中留下了空间。在本文中，我们引入了一种新颖的方法，即大脑提示GPT（BP-GPT）。通过使用从fMRI提取的大脑表示，我们的方法可以利用GPT-2将fMRI信号解码为刺激文本。此外，我们介绍了文本提示，并将fMRI提示对齐。通过引入文本提示，我们的BP-GPT可以提取更强大的大脑提示，并促进预训练的LLM的解码。我们在开源的听觉语义解码数据集上评估了BP-GPT，与现有方法相比，所有受试者的流星的显着提高了流星的4.61％，而BERTSCORE的BERTSCORE则获得了2.43％。实验结果表明，将大脑表示作为进一步驱动听觉神经解码的LLM的提示是可行有效的。该代码可在https://github.com/1994cxy/bp-gpt上获得。索引术语 - 神经解码，大语言模型，fMRI，脑部计算机界面。
使用实时 fMRI 成功控制伤害感受处理的皮质网络
实时 fMRI (rt-fMRI) 能够通过神经反馈自我调节局部大脑区域的神经活动。先前的研究表明，在伤害性刺激期间，前扣带皮层 (ACC) 和岛叶 (Ins) 的神经活动可以成功上调和下调。然而，这种自我调节能力在受试者中是不同的，可能与自上而下的认知疼痛控制能力有关。此外，特定大脑区域如何相互作用以成功调节伤害性处理和基于神经反馈的大脑调节尚不清楚。使用频域连接分析框架检查 ACC 和 Ins 的上调或下调，并评估疼痛强度和不愉快程度。我们发现成功的上调和下调是由 ACC 及其与 Ins 和次级体感皮层的功能连接介导的。成功的上调或下调与疼痛评级之间没有显著关系。这些发现表明，在调节 ACC 和 Ins 活动期间，参与伤害性处理的大脑区域之间存在功能相互作用，并且频域连接分析与实时 fMRI 的相关性也很高。此外，尽管神经调节成功，但疼痛评级没有变化，这表明疼痛是一种复杂的感知，可能比其他感觉或情绪过程更难改变。
使用卷积神经网络进行 ADHD 分类的 fMRI 特征提取模型
生物医学智能为疾病和障碍的自动诊断提供了一种预测机制。随着计算生物学的进步，神经成像技术已广泛应用于临床数据分析。注意力缺陷多动障碍 (ADHD) 是一种精神障碍，其症状包括注意力不集中、冲动和多动，早期诊断对于预防不良后果至关重要。本研究通过评估多种特征提取方法，利用静息状态大脑的功能性磁共振成像 (fMRI) 数据解决 ADHD 识别问题。比较应用基于种子的相关性 (SBC)、低频波动分数幅度 (fALFF) 和区域同质性 (ReHo) 的特征来获得特异性和敏感性。这有助于确定使用卷积神经网络 (CNN) 进行 ADHD 分类的最佳特征。使用 fALFF 和 ReHo 的方法的准确率为 67%，而 SBC 的准确率在 84% 到 86% 之间，灵敏度在 65% 到 75% 之间。
使用卷积神经网络进行 ADHD 分类的 fMRI 特征提取模型
生物医学智能为疾病和障碍的自动诊断提供了一种预测机制。随着计算生物学的进步，神经成像技术已广泛应用于临床数据分析。注意力缺陷多动障碍 (ADHD) 是一种精神障碍，其症状包括注意力不集中、冲动和多动，早期诊断对于预防不良后果至关重要。本研究通过评估多种特征提取方法，利用静息状态大脑的功能性磁共振成像 (fMRI) 数据解决 ADHD 识别问题。比较应用基于种子的相关性 (SBC)、低频波动分数幅度 (fALFF) 和区域同质性 (ReHo) 的特征来获得特异性和敏感性。这有助于确定使用卷积神经网络 (CNN) 进行 ADHD 分类的最佳特征。使用 fALFF 和 ReHo 的方法的准确率为 67%，而 SBC 的准确率在 84% 到 86% 之间，灵敏度在 65% 到 75% 之间。
惯用手影响运动意象和执行的神经关联：一项 FMRI 研究
图 1 实验时间线。试验以 3.47 分钟的 T1 结构 MRI 开始，然后是运动想象 (MI) 任务（约 20 分钟）。然后获取 DTI 数据（5 分钟），然后是运动执行 (ME) 任务（约 10 分钟）。这里显示了运动想象任务的详细时间。只有在 MI 任务开始时，屏幕上才会出现“Imagery”一词。每次试验都以注视十字（3 秒）开始，然后是一张显示右手、左手或双手的图片，指示必须执行哪种条件（7 秒）。试验之间有 5 到 9 秒的静止时间（注视十字）抖动间隔。每种条件（左手/右手/双手）的试验在参与者中随机分配。同样的程序也适用于 ME 任务，唯一的区别是在开始时显示“Execution”一词
使用 fMRI 数据和机器学习的自闭症谱系障碍研究：综述
近十年来，机器学习方法频繁应用于认知神经科学领域。将机器学习方法引入自闭症谱系障碍 (ASD) 的研究以找出其神经生理基础引起了极大的关注。本文全面回顾了自 2011 年以来应用机器学习方法分析自闭症患者和典型对照 (TC) 功能磁共振成像 (fMRI) 数据的研究。涵盖了全方位的过程，包括从原始 fMRI 数据构建特征、特征选择方法、机器学习方法、高分类准确率的因素和关键结论。应用不同的机器学习方法和从不同部位获取的 fMRI 数据，获得了从 48.3% 到 97% 不等的分类准确率，并定位了重要的大脑区域和网络。通过深入分析，我们发现，在涉及基于任务的 fMRI 数据、用于某些选择原则的单一数据集、有效的特征选择方法或高级机器学习方法的研究中，通常会出现较高的分类准确率。高级深度学习与多站点自闭症脑成像数据交换 (ABIDE) 数据集一起成为研究趋势，尤其是在最近 4 年。在未来，高级特征选择和机器学习方法与多站点数据集或易于操作的基于任务的 fMRI 数据相结合，似乎有可能成为 ASD 的有前途的诊断工具。
清醒状态下脑血管振荡与脑脊液流量波动之间的耦合：一项 fMRI 研究
摘要 人们普遍认为，脑脊液 (CSF) 运动是由脑内血管壁运动 (即血流动力学振荡) 促进的。最近，通过功能磁共振成像 (fMRI) 发现了非快速眼动 (NREM) 睡眠期间低频血流动力学振荡和 CSF 运动的连贯模式。这一发现提出了其他基本问题：1）从 fMRI 信号解释血流动力学振荡和 CSF 运动之间的耦合；2）清醒状态下是否存在耦合；3）CSF 运动的方向。在这项静息态 fMRI 研究中，我们提出了一个力学模型，通过 fMRI 的视角来解释血流动力学和 CSF 运动之间的耦合。计算了 CSF 运动和整体血流动力学之间的时间延迟。观察到的血流动力学和 CSF 运动之间的延迟与模型预测的延迟相符。此外，通过对大脑和颈部进行单独的 fMRI 扫描，我们证实了第四脑室的低频 CSF 运动是双向的。我们的研究结果还表明，即使个体处于清醒状态，脑脊液运动也主要受到低频范围内脑血容量变化的促进。
在几分钟的扫描时间
许多最近的研究调查了用于预测fMRI个人行为的机器学习技术。尽管获得了令人鼓舞的结果，但过度的扫描时间（尤其是在静止状态fMRI）是一个限制因素。在这里，我们提出了一种新的机器学习算法，用于使用静止状态（RSFMRI）以及基于任务的fMRI（TFMRI）来预测健康人类受试者的个体行为。它通过集成学习和部分最小二乘回归而不是通过脑部拟合或ICA分解来降低维度。此外，它还引入了ricci-eman曲率作为一种新型的边缘重量。作为概念证明，我们专注于预测流体，结晶和一般智力得分。在人类连接项目的390个无关测试对象的队列中，我们发现观察到的TFMRI中观察到的一般智能与预测的一般智能超过50％，约为59％（r2≈0。29）合并两个任务的结果时。我们将这些结果与现有方法的基准进行了比较，该方法在RSFMRI和TFMRI中都产生了低于50％的相关性。我们得出的结论是，通过应用于TFMRI的新型机器学习技术，可以在扫描时间的一部分中获得明显更好的预测准确性。
支持向量机在 fMRI 数据作为精神分裂症诊断生物标志物中的应用：系统评价
作为精神疾病患者的神经影像学，对大脑功能和结构进行非侵入性测量是研究鉴别性生物标志物的有用且强大的工具。迄今为止，功能性磁共振成像 (fMRI) 和结构性磁共振成像 (sMRI) 是最常用的技术，可提供关于大脑功能、结构及其连接的多种视角。最近，人们越来越关注将机器学习 (ML) 技术、模式识别方法应用于神经影像数据，以表征与疾病相关的大脑结构和功能改变并识别表型，例如，用于转化为临床和早期诊断。我们的目的是根据 PRISMA 声明提供系统评价，支持向量机 (SVM) 技术使用来自功能性磁共振成像的神经影像学数据作为输入，对 SCZ 患者和健康对照进行诊断区分。我们纳入了使用 SVM 作为 ML 技术对被诊断为精神分裂症的患者进行的研究。在筛选过程结束时，从最初的 660 篇论文样本中，选出了 22 篇文章，并纳入我们的评论中。与任何当前可用的评估或临床诊断方法相比，该技术可以成为一种有效、廉价且非侵入性的方法，用于在早期识别和检测患者，从而节省宝贵的时间。SVM 模型的更高精度和 ML 技术的新集成方法可以在疾病早期检测患有 SCZ 或其他主要精神疾病的患者或在不久的将来潜在地确定他们的神经影像学风险因素方面发挥决定性作用。