XiaoMi-AI文件搜索系统
World File Search System脑网
通过分层符号图池模型进行对比脑网络学习
摘要 — 近年来，脑网络被广泛用于研究脑动力学、脑发育和脑疾病。脑功能网络上的图形表示学习技术有助于发现临床表型和神经退行性疾病的新型生物标志物。然而，当前的图形学习技术在脑网络挖掘方面存在几个问题。首先，大多数当前的图形学习模型都是为无符号图设计的，这阻碍了许多有符号网络数据（例如脑功能网络）的分析。同时，脑网络数据的不足限制了模型在临床表型预测方面的表现。此外，目前的图形学习模型很少是可解释的，可能无法为模型结果提供生物学见解。在这里，我们提出了一个可解释的分层有符号图形表示学习模型来从脑功能网络中提取图形级表示，可用于不同的预测任务。为了进一步提高 17 模型性能，我们还提出了一种新策略来增强功能性脑网络数据以进行对比学习。19 我们使用来自 HCP 和 OASIS 的数据在不同的分类和 20 回归任务上评估了该框架。我们从大量实验中得出的结果证明了所提出的模型与几种最先进的技术相比的优越性。23 此外，我们使用从这些 24 预测任务中得出的图形显着性图来展示对 25 表型生物标志物的检测和解释。26
互联网工程的九大见解助我们理解大脑网络通信
哲学家们早已认识到隐喻作为一种开辟新研究途径的工具的价值。通过将大脑视为具有表征目标，计算机隐喻以其各种形式帮助系统神经科学研究各种神经元行为，无论规模大小。在这里，我提倡一个互补的隐喻，即互联网。采用这个隐喻将我们的重点从计算转移到通信，从将神经元信号视为局部表征元素转移到将神经元信号视为传播信息。在此过程中，我们可以利用与互联网强大而高效的路由策略的比较来了解大脑如何应对网络通信的挑战。我列出了九种工程策略，帮助互联网解决与大脑网络面临的路由挑战类似的挑战。互联网隐喻帮助我们将大脑中的神经元活动重新定义为路由的一种表现形式，在系统的不同部分，路由可能更像、更不像或根本不像互联网。我描述了与大脑使用类似互联网的路由策略一致的暗示性证据，并得出结论：即使经验数据不直接暗示类似互联网的路由，这个比喻对于那些研究大脑中网络通信的难题，特别是路由问题的人来说，作为一个参考点是有价值的。
注意的注意力促进对自我调节的大脑网络动力学的控制，并从现在
注意的关注的特征是将当前的经历视为一种卑鄙的心理事件。正念练习的早期阶段可能需要更大的神经努力才能以稍后的效率。早期的努力可能会自我调节行为并集中在当前，但是这种理解缺乏计算解释。在这里，我们将网络控制理论用作一种模型，说明外部控制输入（运营工作）如何分布在整个白质网络中注意力的关注期间引起的神经活动的变化。我们假设具有更大网络可控性的个体，从而有效地分发了控制输入，从而有效地自我调节行为。我们进一步假设，利用更大控制输入的大脑区域表现出较短的神经活性固有时间尺度。较短的时间尺度是快速停用过去处理的特征，以集中现在。我们在一项随机对照研究中检验了这些假设，该研究使参与者在fMRI期间敏锐地反应或自然地对酒精提示做出反应，并在4周后进行了文本提醒和测量酒精消耗。我们发现具有更大网络可控性的调节酒精消耗的参与者。对酒精提示的正念调节，与自己的自然反应相比，渴望减少，但渴望与基线组没有差异。对酒精提示的正念调节，涉及对认知控制和注意子网之间对神经动力学的更高控制。与基线组相比，正念群体的自然反应持续了这种努力。效果更高的神经状态的时间尺度较短，而不是少努力的状态，为注意力的关注如何促进存在提供了解释。
广泛的大脑网络的快速相互作用是语义认知的特征
语言理解需要快速检索和整合上下文适当的概念（“语义认知”）。当前的语义认知神经生物学模型受到单态神经影像和病变方法的空间和时间限制的限制。鉴于必须协调以准确理解语言的处理步骤的快速序列，这是一个主要障碍。通过使用融合的功能磁共振成像和人类的脑电图分析（n = 26名成年人； 15个女性），我们阐明了一种实时语义认知的时间和空间特定的神经生物学模型。我们发现，语言构成背景下的语义认知得到了在毫秒过程中广泛的神经网络之间的权衡。纳入适用性和时间特征以及行为度量，为以下进展提供了收敛的证据：海马/前时间/前时间语音语义检索网络（在句子最终词后的300毫秒达到峰值）；额叶主题语义网络（; 400 ms）;海马内存更新网络（; 500 ms）;下部的语义句法重新评估网络（; 600 ms）；默认模式网络的节点与概念上的共同关系（； 750 ms）。此外，在典型的成年人中，这些网络之间的中介关系可显着预测语言理解能力。这些发现为检查语音和语言障碍的检查提供了一个概念和方法学框架，对其他认知领域的认知过程和临床人群的表征具有其他影响。
健康大脑网络教育计划
健康大脑网络是一项社区研究计划，为儿童提供免费、诊断性、全面的心理健康和学习评估。健康大脑网络评估包括智力、学业、社交情感、注意力和推理能力评估。看看它与神经心理学的比较。参与的家庭会收到一份关于他们孩子的评估的详细报告，包括分数、建议和转介（如果适用）。此报告可用于指导治疗并与学校共享，以制定 IEP 或 504 计划。
具有速率动力学的大脑网络中振荡的结构表征
在大脑表现出的动力学活性模式的多功能形式中，振荡是最显着，最广泛的研究之一，但仍然没有得到充分理解。在本文中，我们使用中尺度脑活动的经典神经质量模型（称为线性阈值动力学）提供了神经网络中振荡行为存在的各种结构特征。利用这种动力的开关性质，我们在（i）（i）二维兴奋性抑制网络（E-i Pairs）中获得了网络结构及其外部振荡的各种必要和/或有效的条件，该网络具有一个抑制网络，具有一个抑制性的网络，具有一个抑制性的网络，均一（iii in III），（III），（III），（III），（III）（III），（III），（II III），（II III）（II III）（III）（II III），（II III）（III）（II III）（II III）（III）（II II）（II III）（II III）（II III）（II III）（II III）（II III）（II II）节点和（IV）E-I对的网络。在整个治疗过程中，考虑到所考虑的动态的任意维度，我们依靠缺乏稳定的平衡作为振荡的存在，并提供广泛的数值结果来支持其与更标准的基于信号的基于信号的基于信号的计算神经科学中振荡的定义。
BrainGB：使用图神经网络进行脑网络分析的基准（扩展摘要）*
摘要 — 使用结构或功能连接映射人脑的连接组已成为神经影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影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经验证据，并为未来在这个新颖且有前途的方向的研究提供见解。索引术语 — 脑网络分析、GNN、神经成像的几何深度学习、数据集、基准
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。
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
多视角脑网络分析与跨视角缺失网络生成
摘要 —帕金森病 (PD) 是最常见的神经系统疾病之一，长期以来一直是公共卫生临床诊断和科学理解方面的挑战。最近，人们对脑网络分析的兴趣激增，这有助于广泛了解大脑功能并早期发现神经系统疾病。可以构建具有不同感兴趣区域 (ROI) 连接模式的多视图脑网络，以反映脑连接概况的不同和互补视角。然而，这种多视图脑网络的提取依赖于多种神经成像模态的可用性和繁重的数据预处理，这通常会导致任一视图中数据严重缺失。跨视图缺失问题阻碍了多视图表示学习和下游分析的实用性。在这项工作中，我们提出了跨视图脑网络生成的新问题，并提出了 CroGen，这是一种图形生成模型，当仅给出一个视图时，它可以生成缺失的视图。具体来说，GroGen 利用了同一个体脑网络不同视图之间的潜在相关性。此外，我们设计了一个预训练方案，以充分利用仅具有单一脑网络视图的标记个体。对现实生活中的帕金森病进展标志物倡议 (PPMI) 队列进行的大量实验证明了 CroGen 在跨视图生成任务和下游 PD 分类方面都比基线更有效。索引术语 — 多视图网络分析、跨视图网络生成、基于脑网络的疾病分类