XiaoMi-AI文件搜索系统
World File Search System纯形
人类大脑动力学的单纯形和拓扑描述
虽然功能性磁共振成像 (fMRI) 等脑成像工具可以测量整个大脑活动，但如何最好地解释在数据明显的自组织中发现的模式仍不清楚。为了阐明大脑活动模式如何支持大脑功能，人们可以确定度量空间，这些度量空间可以在实验定义的条件下最佳地区分大脑状态。因此，本研究考虑了几个度量空间在消除实验定义的大脑状态歧义方面的相对能力。一个基本度量空间以拓扑方式解释 fMRI 数据，即，将其解释为随时间变化的多变量信号幅度向量。另一个视角比较了大脑的功能连接，即计算来自不同大脑区域的信号之间的相似性矩阵。最近，考虑数据拓扑结构的度量空间已经出现。这种方法将数据视为从抽象几何对象中提取的样本。为了恢复该对象的结构，拓扑数据分析会检测在连续变形（例如坐标旋转和节点错位）下不变的特征。此外，这些方法明确考虑了跨多个几何尺度持续存在的特征。虽然每个大脑动力学度量空间都有其优点和缺点，但我们发现那些跟踪拓扑特征的度量空间可以最佳地区分实验定义的大脑状态。
使用 GraphNet 的单纯形回归构建结构连接丰富的功能性脑网络
摘要。连接分析是研究硬连线大脑结构以及与人类认知相关的灵活功能动力学的强大技术。最近的多模态连接研究面临着将功能和结构连接信息组合成一个集成网络的挑战。在本文中，我们提出了一个带有图约束弹性网络（Graph-Net）的单纯形回归模型，以低模型复杂度以生物学有意义的方式估计由结构连接丰富的功能网络。我们的模型使用稀疏单纯形回归框架构建功能网络，并基于 GraphNet 约束丰富结构连接信息。我们将我们的模型应用于真实的神经影像数据集，以展示其预测临床评分的能力。我们的结果表明，与使用单一模态相比，整合多模态特征可以检测到更敏感和更细微的大脑生物标志物。