XiaoMi-AI文件搜索系统
World File Search Systemconnectivity
揭示大脑连接：用于脑电图表征学习的图嵌入以及结构和功能连接的比较分析
本研究采用深度学习技术，提出了一种通过图嵌入对 EEG 运动意象分类中的大脑连接进行建模的引人注目的方法。本研究引人注目的地方在于它结合了图嵌入、深度学习和不同的大脑连接类型，不仅提高了分类准确性，而且丰富了对大脑功能的理解。该方法具有很高的准确性，为了解大脑连接提供了宝贵的见解，并在理解神经系统疾病方面具有潜在的应用价值。所提出的模型由两个不同的基于图的卷积神经网络组成，每个模型都利用不同类型的大脑连接来提高分类性能并更深入地了解大脑连接。第一个模型是基于邻接的卷积神经网络模型 (Adj-CNNM)，它利用基于结构性大脑连接的图形表示来嵌入空间信息，使其有别于以前依赖于受试者和任务的空间过滤方法。在基准数据集 IV-2a 上进行的大量测试表明，Adj-CNNM 的准确率达到 72.77%，超越了基线和最先进的方法。第二个模型是锁相值卷积神经网络模型（PLV-CNNM），它结合功能连接来克服结构连接限制，并识别不同大脑区域之间的连接。PLV-CNNM 在 1-51 Hz 频率范围内的总体准确率达到 75.10%。在以运动图像数据分类（包括 α 、µ 和 β 波）而闻名的 8-30 Hz 频带中，α 、µ 和 β 的个体准确率分别达到 91.9%、90.2% 和 85.8%。此外，当考虑整个 8-30 Hz 频带时，该模型的表现令人钦佩，准确率达到 84.3%。值得注意的是，PLV-CNNM 揭示了运动想象任务期间不同大脑区域之间的稳健连接，包括额叶和中央皮质以及中央和顶叶皮质。这些发现为大脑连接模式提供了宝贵的见解，丰富了对大脑功能的理解。此外，该研究还对各种大脑连接建模方法进行了全面的比较分析。
揭示大脑连接性：用于脑电图表示和功能连接性的比较分析
这项研究采用深度学习技术来提出一种令人信服的方法，用于通过图形嵌入来建模EEG运动成像分类中的大脑连接性。这项研究的引人入胜的方面在于其图形嵌入，深度学习和不同大脑连接性类型的结合，这不仅增强了分类精度，而且还丰富了对大脑功能的理解。该方法具有很高的精度，为大脑连接提供了宝贵的见解，并在理解神经系统状况方面具有潜在的应用。所提出的模型由两个不同的基于图的卷积神经网络组成，每种都利用不同类型的脑连接性，以增强分类性能并获得对大脑连接的更深入的了解。基于邻接的卷积神经网络模型（ADJ-CNNM），基于结构性大脑连接到嵌入空间信息，将其与先前的空间过滤方法区分开来，利用图表表示图表。在基准数据集-IV-2A上进行的广泛测试表明，ADJ-CNNM可以实现72.77％的精度，超过基线和最新方法。第二个模型是相位锁定值卷积神经网络模型（PLV-CNNM），它结合了功能连接性，以克服结构连通性限制，并确定不同大脑区域之间的连接。PLV-CNNM在1-51 Hz频率范围内达到75.10％的总体精度。此外，在考虑整个8-30 Hz频段时，该模型的精度为84.3％。在首选的8–30 Hz频带中，分别以α，µ和β为α，90.2％和85.8％的个人精度，为91.9％，90.2％和85.8％的单个精确度，分别为91.9％，90.2％和85.8％。值得注意的是，PLV-CNNM在运动成像任务期间揭示了不同的大脑区域之间的牢固连接，包括额叶和中央皮层以及中央和顶叶皮层。这些发现为大脑连接模式提供了宝贵的见解，从而丰富了对大脑功能的理解。此外，该研究还对各种大脑连通性建模方法进行了全面的比较分析。
抑郁症背后的大脑连接发生变化......
此预印本的版权所有者此版本于 2024 年 1 月 17 日发布。；https://doi.org/10.1101/2022.12.07.22283104 doi: medRxiv preprint
根据时间序列fMRI数据计算出的阿尔茨海默氏病的因果功能连通性
已知大脑区域之间的功能连通性在阿尔茨海默氏病中发生改变，并有望成为早期诊断的生物标志物。功能连接性的几种方法获得了代表大脑区域之间随机关联（相关）的非指导网络。但是，关联不一定意味着因果关系。相比之下，因果功能连通性（CFC）更有信息，提供了代表大脑区域之间因果关系的有向网络。在本文中，我们通过静止状态功能磁共振成像（RS-FMRI）记录了来自三个临床组的受试者的静止功能磁共振成像（RS-FMRI）的因果功能连接组：认知正常，轻度认知障碍和阿尔茨海默氏病。我们应用了最近开发的时间感知PC（TPC）算法来推断整个大脑的因果功能连接组。TPC在时间序列设置中基于有向图形建模的全脑CFC的模型估计。我们将TPC的CFC结果与文献中其他相关方法的结果进行了比较。然后，我们使用了TPC的CFC结果，并基于Welch的t -test t -test t -Values获得的Alzheimer和认知正常组之间的CFC边缘强度的差异进行了探索性分析。因此，发现大脑区域与临床/医疗机构的研究人员发表的有关受阿尔茨海默氏病影响的大脑区域的文献一致。
使用时间卷积网络的动态功能连通性分析，用于注意力缺陷/多动症疾病识别
活动）（美国精神病学协会等，2013）。估计，多动症影响大约7.2％的全球人（Thomas等，2015）。当前对ADHD的诊断主要依赖于行为评估和临床措施来量化该疾病的严重程度（Sayal等，2018; Chan等，2023），这是由于其病理机制和临床症状的复杂性而成为一项艰巨的任务（USAMI，2016年）。因此，高度可取的任何计算机辅助诊断方法的出现，该方法支持一种客观和定量方法以自动识别ADHD。静止状态功能磁共振成像（RS-FMRI）是一种非侵入性神经影像学技术，在休息时测量了血氧水平依赖性（BOLD）信号的自发性波动，已广泛用于研究人类的脑功能（Lee等人，2013; cortese et; cortese et and an e an e an e an e an e an。Functional connectivity (FC) derived from rs-fMRI is able to characterize brain function abnormality and thus has been widely used for diagnosis of psychiatric diseases, such as schizophrenia, autism spectrum disorders (ASD), and attention deficit/hyperactivity disorders (ADHD) ( Du et al., 2018 ; Wang et al., 2019c ; Canario et al., 2021 ）。在fMRI分析的领域中，通常假定大脑FC在整个扫描过程（通常几分钟）中是固定的。实际上，越来越多的证据表明，FCS在短时间内发生了很大变化（Zhang等，2016; Jie等，2018; Ding等，2022; Huang等，2023），并且静态FC分析不能充分地感知这些动态的这些动态变化。滑动窗口方法是量化动态FC（DFC）的常用技术。根据此方法，从每个主题中提取的粗体时间序列首先使用固定大小的滑动窗口将每个主题分配为多个重叠或非重叠段，然后将基于每个段的FC网络构建以进行后续分析。基于滑动窗口的DFC分析的现有方法可以大致分为两类：（1）传统的机器学习方法和（2）深度学习方法。In the first category, low-level measures (i.e., clustering coefficients) of FCs are first extracted as new representations of the data, and then the corresponding classifier (i.e., support vector machine, SVM) is trained for final prediction ( Wee et al., 2016 ; Jie et al., 2018 ; Wang et al., 2021 ).例如，Wee等人。（2016）提议使用融合的多组套索算法同时生成这些子细分市场的DFC网络。然后，从每个生成的FC网络计算聚类系数。最后，所有这些段的串联系数都用于训练SVM分类器进行疾病诊断。Jie等。 （2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。 最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。 Luo等。 但是，基于传统的现有方法Jie等。（2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。Luo等。但是，基于传统（2023）提议计算时间微晶格动力学和光谱功率特征，以分析ADHD和正常对照（NCS）及其亚型之间的组差异。这些研究表明，考虑动态特性有助于改善疾病诊断的性能，而发现的FC的变化可能是将患者与正常对照区分开的潜在生物标志物。
婴儿早期的增长驱动最佳的大脑功能连通性，该连通性预测了童年后期的认知灵活性
Growth in early infancy drives optimal brain functional connectivity which predicts 1 cognitive flexibility in later childhood 2 3 Short title: Early growth predicts brain networks development 4 5 Chiara Bulgarelli 1,2 , Anna Blasi 2 , Samantha McCann 3,4 , Bosiljka Milosavljevic 5,6 , Giulia 6 Ghillia 3 , Ebrima Mbye 4 , Ebou Touray 4 , Tijan Fadera 4，Lena Acolatse 4,8，Sophie E. Moore 3,4、7 Sarah Lloyd-Fox 5，Clare E. E. E. E. Elwell 2，Adam T. Eggebrecht 9和Bright Study Team 10 8 9 1大脑与认知发展中心，英国伦敦伯克贝克，英国伯克贝克。10 2伦敦大学学院医学物理与生物医学工程系，英国11。12 3英国伦敦国王学院妇女和儿童健康部。13 4医学研究委员会部门伦敦卫生学院的冈比亚和热带14医学，冈比亚。15 5英国剑桥大学心理学系。16 6英国伦敦皇后大学生物学和实验心理学学院。17 7英国利物浦大学妇女和儿童健康系。18 8营养创新食品与健康中心，生物医学学院，爱尔兰Ulster 19大学。20 9美国圣路易斯华盛顿大学医学院Mallinckrodt放射学院，21。22 10 Bright Team（按字母顺序）：Muhammed Ceesay，Kassa Kora，Fabakary，Fabakary 23 NJAI，Andrew Prentice，Mariama Saidykhan。24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Corresponding Author : 42 Dr. Chiara Bulgarelli 43 Email: c.bulgarelli@bbk.ac.uk 44 Address: Centre for Brain and Cognitive Development 45 Department of Psychological Sciences 46 Birkbeck, University of London 47 Malet Street 48 London, WC1E 7HX (UK) 49
新生儿大脑动态功能连通性在学期和早产及其与幼儿神经发育的关联
大脑动态功能连通性表征大脑区域之间的瞬态连接，随着时间的流逝而变化。大脑动力学的特征与成年人的情绪和认知有关，非典型模式与自闭症等神经发育状况有关。尽管在新生儿中始终识别出可靠的功能性脑网络，但对动态功能连通性的早期发展知之甚少。在这项研究中，我们表征了动态功能连通性，其功能磁共振成像（fMRI）在产后生命的前几周（n = 324）和早产（n = 66）个个人。我们表明，人脑的出生时间已经建立了大脑连通性的动态景观，其特征是六个新生儿功能连通性的短暂状态，随着新生儿时期的变化动力学。动态连通性的模式在早产婴儿中是非典型的，并且与18个月大的幼儿（Q-Chat）评分的自闭症的定量清单测量的非典型社会，感觉和重复行为有关。
新生儿大脑动态功能连通性在学期和早产及其与幼儿神经发育的关联
大脑动态功能连通性表征大脑区域之间的瞬态连接，随着时间的流逝而变化。大脑动力学的特征与成年人的情绪和认知有关，非典型模式与自闭症等神经发育状况有关。尽管在新生儿中始终识别出可靠的功能性脑网络，但对动态功能连通性的早期发展知之甚少。在这项研究中，我们表征了动态功能连通性，其功能磁共振成像（fMRI）在产后生命的前几周（n = 324）和早产（n = 66）个个人。我们表明，人脑的出生时间已经建立了大脑连通性的动态景观，其特征是六个新生儿功能连通性的短暂状态，随着新生儿时期的变化动力学。动态连通性的模式在早产婴儿中是非典型的，并且与18个月大的幼儿（Q-Chat）评分的自闭症的定量清单测量的非典型社会，感觉和重复行为有关。
大脑连接的新工具
在分析大脑连接数据时，解剖复杂性和数据维数是主要问题。大脑中发生的连接的功能和解剖方面实际上同样相关且紧密交织在一起。然而，由于理论挑战和计算问题，它们的关系在神经科学和临床研究中常常被忽视。在这项工作中，我们建议通过平滑功能主成分分析来解决这个问题，该分析能够执行降维并探索功能连接图中的变异性，符合灰质体积极其复杂的解剖结构。具体来说，我们分析了一个包括对照组和受精神分裂症影响的受试者的群体，从静息时和任务切换范式期间获取的 fMRI 数据开始。对于这两个会话，我们首先确定整个人群的常见变异模式。因此，我们探讨了对照组和病理受试者在这些常见变异模式下的表达是否不同。在每个会话中，我们发现健康受试者和病理受试者的主要成分表达存在显著差异（p 值 < 0.001），突出了两个亚群之间的连接性存在明显可解释的差异。例如，休息会话的第二和第三个主成分捕捉到了精神分裂症患者的默认模式和执行网络之间的不平衡。
基于图形的加权定向自动癫痫发作检测，有效的脑电图
癫痫发作是最常见的神经系统疾病之一，其特征是大脑中神经元的突然异常排出。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。 本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。 在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。 通过分析大脑不同区域之间的相关性来构建加权定向图。 然后，基于图理论的措施用于提取分类的特征。 此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。 结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。 这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。通过分析大脑不同区域之间的相关性来构建加权定向图。然后，基于图理论的措施用于提取分类的特征。此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。