提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。

Apr, 2011

本文旨在通过探究基于快速聚类的交替方案，用于替代耗时的函数评估来降低记忆需求，从而处理大规模的脑成像数据。结果表明，基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果，能够用于分析大型数据集。

Nov, 2015

通过建立整个脑部的概率模型，利用群体数据来推断个体的脑连接结构，进而探索大规模的功能结构，以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。

Aug, 2010

本研究通过应用不同的矩阵分解方法于全脑功能磁共振成像数据的神经活动，研究了整个人脑中稀疏编码的有效性，结果表明稀疏编码假设在整个人脑信息表示中是成立的。

Dec, 2023

本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

Jun, 2019

采用贝叶斯张量回归方法，在长期神经成像研究中，通过调整协变量并跨空间分布的体素进行信息汇集，实现对重要变化的推断，该方法具有降维和保留体素空间形状的优势，可应用于个体级神经可塑性研究和预测，在模拟研究和多周访问情景中验证了该方法相比体素回归在预测和特征选择方面的优越性。

Sep, 2023

通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

Feb, 2020

通过提供稀疏建模和压缩感知的基本理论介绍，讨论了一些有效的方法来恢复优化问题的稀疏解，并介绍了稀疏恢复在稀疏字典学习中的应用。

Aug, 2023

磁共振成像（MRI）对诊断神经退行性疾病至关重要，然而准确评估轻度皮质萎缩仍然是一个挑战，因为其细微性质。我们介绍了随机皮质自重建（SCSR）的概念，通过使用 MRI 获得的厚度作为输入来创建一个个体特异的健康参考，并隐式考虑潜在的混淆因素。我们呈现了这个概念的三个实现：XGBoost 应用于分块，以及两个基于顶点级的自编码器 - 一个基于多层感知机，另一个是使用球面 U-Net。这些模型对来自英国生物库的健康个体进行了训练，随后在四个公共阿尔茨海默病数据集上进行了评估。最后，我们将该模型部署到临床自有数据上，在区分四种类型的痴呆症方面，偏离图的高空间分辨率有所帮助。

Mar, 2024

本研究基于最大熵理论和马尔可夫假设，以模型为基础实现了对分布式脉冲活动中人口模式出现的预测，并成功优于只考虑成对相关性的伊辛模型。同时，实验数据表明这种方法也适用于慢波睡眠等过程的分析。

Mar, 2009