Jan, 2022

基于多模态联合图表示的脑动力学推断 - EEG-fMRI

PDF
TL;DR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。
multi-modelingeeg-fmrineuroimaging techniquesnonlinear fusion methodsgraph-based analysis
发现论文，激发创造
  • 利用正弦表示网络预测 EEG 中的 fMRI 信号

    通过实施一个正弦表示网络 (SIREN) 学习来自多通道脑电图 (EEG) 中的频率信息，并将其用作后续的编码器 - 解码器，以有效地重构特定脑区的功能磁共振成像 (fMRI) 信号，我们提出了一种能够直接从多通道 EEG 中预测 fMRI 信号的新型架构。我们在一个包含 8 个受试者的同时进行 EEG-fMRI 数据集上评估了我们的模型，并研究了其预测皮质下 fMRI 信号的潜力。结果表明，我们的模型优于最近的一种先进模型，并显示出利用深度神经网络中的周期激活函数来建模功能性神经影像数据的潜力。

    Nov, 2023

  • 利用图神经网络对脑结构和功能网络进行联合嵌入进行精神疾病诊断

    我们提出了一种基于多视图 GNN 和对比学习的方法，用于对多模态脑网络进行分析，并通过在两个现实疾病数据集上的实验证明了该方法的有效性。

    Jul, 2021

  • Functional2Structural：跨模态脑网络表示学习

    用 Deep Signed Brain Networks（DSBN）建立了一种新的图学习框架，以连接两种脑网络，以预测临床表型和神经退行性疾病，结果显示其优于其他现有方法。

    May, 2022

  • 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

  • 构建基于时空预测的脑数据表示模型

    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

  • 脑协方差选择：利用群体先验改进个体功能连接模型

    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

  • 用于从 sMRI 和 PET 扫描早期诊断阿尔茨海默病的多模态图神经网络

    采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

    Jul, 2023

  • 基于脑电图的情绪识别中的图神经网络研究

    通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用，研究综述了现有方法，并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导，同时探讨了一些挑战和未来方向。

    Feb, 2024

  • 多模态生理信号的分层对比学习在抑郁症识别中的应用

    通过多模态生理信号的 Siamese 架构，通过多尺度对比，学习抑郁症识别的多模态生理信号的表示学习框架，能够提高对刺激任务相关的语义表示的学习，且在公开数据集和自收集的多模态生理信号数据集上优于现有模型，具备对多模态时序下游任务的迁移能力。

    Jun, 2024

  • 仅需深度学习：使用可解释的深度学习来解开 EEG-fMRI 之间的关系

    本研究提出了一种基于 EEG 数据的可移动脑机接口技术，使用深度学习技术构建领域受限体系结构，恢复多个亚皮层区域活动并自动发现知识，为可穿戴的亚皮层活动扫描仪铺平了道路。

    Oct, 2022