AAAIMay, 2019

基于图形的解码模型，用于非对齐 fMRI 数据的功能对齐

PDF
TL;DR本文提出一种基于跨学科功能磁共振成像数据聚合的方法，使用跨主题图作为开发更灵活框架的先验条件，以处理各种类型的功能磁共振成像数据集，并进一步规范了该框架，提出了一种可行的基于核的优化方法，以避免因 fMRI 数据的空间低且时间分辨率高产生的过拟合问题。实验结果表明，该方法不仅适用于处理时间对齐的 fMRI 数据，而且还适用于处理时间不对齐的 fMRI 数据。
functional magnetic resonance imagingcross-subject graphkernel-based optimizationtemporally-alignedtemporally-unaligned
发现论文，激发创造
  • 透过他们的眼睛：简单对齐技术的多受试者脑解码

    通过数据对齐方法，我们的研究旨在引入一种针对跨个体大脑解码的泛化技术。我们使用了 NSD 数据集，利用多个受试者的数据对齐，对跨个体大脑解码进行了训练和测试，证实了即使使用约 10% 的数据或 982 个共同图像，交叉个体的大脑解码也是可行的，与单个个体解码相比性能相当。岭回归是最佳的功能对齐方法，通过受试者对齐，我们实现了更优秀的大脑解码以及可能的扫描时间缩减 90%，为更高效的实验和领域的进一步突破铺平了道路，通常需要耗费昂贵的每个受试者的 20 小时扫描时间。

    Aug, 2023

  • 脑功能对新受试者的视觉语义解码起促进作用

    采用深度学习和脑解码技术，本研究通过跨参与者对齐脑响应视频和静态图像，提高了脑解码性能，并将神经表征与脑解剖结构相一致，为扩展神经成像数据集和增强有限脑记录的个体解码奠定了基础。

    Dec, 2023

  • MindBridge: 跨主体脑解码框架

    通过生物启发的聚合函数和新颖的循环 fMRI 重建机制，提出了一种新的跨被试脑解码方法 MindBridge，能够实现跨被试脑解码，并能通过循环重建的 fMRI 实现新颖的 fMRI 合成和伪数据增强。实验证明 MindBridge 能够竞争性地为多个被试重建图像，并且在有限的新被试数据中达到较高的解码准确性，超过专门针对被试的模型。这种跨被试脑解码的进展为神经科学领域提供了更广泛的应用方向，并表明在现实场景中更高效地利用有限的 fMRI 数据的潜力。

    Apr, 2024

  • 深度超对准

    提出了 Deep Hyperalignment (DHA) 方法，是一种正则化、深度扩展、适用于功能对齐的功能磁共振成像数据集的处理方法，并且在多个受试者分析中表现出优越的性能。

    Oct, 2017

  • 透视他们的思维：从跨受试者的 fMRI 学习可迁移的神经表达

    我们提出了一种新的方法来解决功能磁共振成像（fMRI）数据稀缺和噪声干扰脑解码模型性能的问题，通过浅层主体特定适配器将跨学科的 fMRI 数据映射到统一的表示中，然后使用共享的深层解码模型将跨学科特征解码为目标特征空间，利用视觉和文本监督进行多模态脑解码的训练，实验证明了我们模型在所有科目中的鲁棒神经表示学习，并且将高级和低级信息相结合可以改善重建度量。

    Mar, 2024

  • 基于多模态联合图表示的脑动力学推断 - EEG-fMRI

    采用多模态分析方法的 EEG-fMRI 研究 最近在非侵入性神经影像学技术（如 EEG 和 fMRI）中得到了广泛应用，我们在此通过非线性融合方法、基于图像解析和深度学习等多个角度诠释该方法对人脑功能变化的研究所带来的新视角。

    Jan, 2022

  • 一种基于功能连接性的生成式自监督框架用于 fMRI 数据

    利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

    Dec, 2023

  • 基于 fMRI 的大脑状态推断的监督聚类方法

    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

  • 利用大脑模块性先验进行 fMRI 可解释表征学习

    本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的 fMRI 生物标记物用于临床诊断。

    Jun, 2023

  • 利用立方体持久性揭示时变 fMRI 数据的拓扑结构

    使用拓扑学方法编码 fMRI 数据检测时间点后高维空间极小值的并归图，以此来处理数据集中的噪音及人与人之间的差异，并开发了一种聚类和轨迹分析的技术，成功分析儿童和成人在观看电影 “Partly Cloudy” 时的大脑状态和拓扑活动。

    Jun, 2020