XiaoMi-AI文件搜索系统
World File Search System脑图
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经成像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经成像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
用于脑网络回归分析的分层图学习模型
脑网络因其能够更好地表征神经和精神疾病中的脑动态和异常而受到越来越多的关注。近年来，深度学习取得了巨大的成功。许多人工智能算法，尤其是图学习方法，已被提出用于分析脑网络。现有图学习方法的一个重要问题是这些模型通常不易解释。在本研究中，我们提出了一种可解释的脑网络回归分析图学习模型。我们将这个新框架应用于人类连接组计划 (HCP) 的受试者，以预测多个成人自我报告 (ASR) 分数。我们还使用其中一个 ASR 分数作为示例，说明如何使用我们的模型识别回归过程中的性别差异。与其他最先进的方法相比，我们的结果清楚地证明了我们的新模型在有效性、公平性和透明度方面的优越性。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经成像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
针对阿尔茨海默病的阶段感知脑图学习
摘要 — 当前基于机器学习的阿尔茨海默病 (AD) 诊断方法无法探索不同 AD 阶段之间的独特大脑模式，缺乏追踪 AD 进展轨迹的能力。这种限制可能导致对 AD 病理机制的忽视和 AD 诊断的欠佳表现。为了克服这一挑战，本文提出了一种新颖的阶段感知脑图学习模型。具体而言，我们根据特定阶段的脑图分析每个 AD 阶段的不同脑图模式。我们设计了一种阶段特征增强图对比学习方法，称为 SF-GCL，利用每个 AD 阶段内的特定特征进行图增强，从而有效捕捉阶段之间的差异。值得注意的是，这项研究揭示了与每个 AD 阶段相对应的特定脑图，在追踪脑退化轨迹方面显示出巨大的潜力。在真实世界数据集上的实验结果证明了我们模型的优越性。索引词——阿尔茨海默病、图形对比学习、脑图、特征提取、脑疾病检测
Memo-GNN：用于 4D 脑连接预测的记忆感知图神经网络
大脑神经回路的连接模式形成一个复杂而动态的网络。通过观察这些网络随时间的变化，我们可以检测出脑部疾病。最近的研究表明，使用图神经网络可以从单一观察中预测脑回路的演变。这种能力可以对脑部疾病进行早期诊断，有助于防止其发展为阿尔茨海默病等更严重的疾病。然而，现有的研究都没有探索生成与真实大脑连接组在认知上一致的大脑连接组的潜力。为了弥补文献中的这一空白，我们引入了记忆感知图神经网络模型——MemoGNN。我们的主要贡献包括：(i) 开发和实施第一个能够预测具有记忆感知的 4D 大脑连接的 GNN 模型。(ii) 评估 MemoGNN 在两个不同的记忆容量任务上的表现：文献中定义的常规记忆容量任务和新引入的语言注入记忆容量任务。 (iii) 在各种 GNN 模型和数据集上对 MemoGNN 进行基准测试。我们的结果表明，MemoGNN 模型在生成与实际记忆功能紧密相关的大脑连接方面优于其他模型。虽然使用常规记忆容量任务训练的 MemoGNN 模型没有提高生成图的 MAE，但与非记忆感知模型相比，它表现出的拓扑错误更少。相反，使用语言注入记忆容量任务训练的 MemoGNN 模型超过了基线模型的 MAE。
通过随机旋转几何特征模式生成保留空间自相关的替代脑图
。CC-BY-NC 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 6 月 18 日发布。；https://doi.org/10.1101/2024.02.07.579070 doi：bioRxiv 预印本
使用基于递归图的特征提取和迁移学习自动检测癫痫脑电信号
* 通讯作者：sachin.viet@gmail.com，电话：+91-9268793832 摘要 - “癫痫”是一种常见的神经系统大脑疾病，会影响人类生命的任何阶段。全世界约有 1-2% 的人口受到这种主要慢性疾病的影响。在癫痫诊断的几种应用中，脑电图 (EEG) 信号是早期发现癫痫发作的最重要工具。根据癫痫发作，脑电图 (EEG) 信号可分为癫痫性和非癫痫性。最近的研究主要通过两种方法进行了预测和分析癫痫发作的各种可能性：使用信号处理的传统方法和基于深度学习的方法。因此，需要找到一种合适且可靠的方法来检测和分类 EEG 信号中的癫痫发作。由于 EEG 信号本质上非常随机且非线性，因此我们需要一种非线性技术来检查 EEG 信号，从而能够对不同的 EEG 信号（即癫痫信号和非癫痫信号）进行分类。在我们的论文中，我们提出了一种非线性技术，使用递归量化分析方法（缩写为 RQA）来提取 EEG 信号的特征，其参数来自递归图 (RP)。在分析和分类时间序列时，大多数时候会从 EEG 时间序列中提取一些已识别的统计特征集，并将其作为机器学习分类器的输入。我们提出的方法找到了一种使用深度神经网络 (DNN) 对 EEG 信号时间序列进行分类的新颖且合适的方法。因此，使用递归图将 EEG 信号转换为 RGB 图像。我们使用预训练的 DNN 作为 ResNet-50，这是一个深度为 50 层的卷积神经网络，用于从递归图中提取特征。然后我们使用多个机器学习分类器将信号分类为癫痫和非癫痫，并指出 SVM 的准确率最高。本研究论文表明，可以使用深度学习算法通过脑电图信号利用复发图诊断癫痫，这种算法通常用于图像分类挑战。关键词-癫痫；脑电图信号；复发图；深度神经网络；成像时间序列数据 1. 简介大脑是人体的重要器官，负责监测和控制代谢过程。癫痫、缺血性中风和脑肿瘤等脑部疾病可能会损害正常的生物功能 [1]。神经系统疾病影响从婴儿到老年人的所有年龄段的人。这些疾病有几种形式，癫痫在受其影响的人数最多方面位居第四
功能脑图分析与计算机测试有效鉴别轻度认知障碍
社区居住的非裔美国老人患轻度认知障碍 (MCI) 或阿尔茨海默病及相关痴呆症的可能性是老年白人的两倍，因此他们是需要早期监测的重要高危群体。由于成本和负担，更广泛的影像学或脑脊液研究存在重大障碍。我们将功能连接和图论测量（源自静息态脑电图 (EEG) 记录）与计算机化认知测试相结合，以基于社区居住的非裔美国老人样本识别 MCI 患者与健康对照者之间的差异。我们发现 MCI 患者的功能连接显著下降，图拓扑结构整合度较低。功能连接、拓扑和认知测量相结合对于预测 MCI 非常有效，而且综合测量方法比单一方法更有效。具体而言，通过将认知特征与功能连接和拓扑特征相结合，与使用单一认知或 EEG 域特征进行分类相比，预测结果有所改善，准确率为 86.5%，而最佳单一方法的准确率为 77.5%。居住在社区的非裔美国老年人认为 EEG 和计算机化测试可以接受，并且在区分健康对照者和居住在社区的 MCI 患者方面，结果很有希望。