Dec, 2023

大规模动态脑连接图的图表示学习与 Transformer

PDF
TL;DR使用图变换器学习动态功能连接性的表示，实验证明我们的方法在基于 fMRI 数据提取的功能连接性的性别分类和年龄回归任务中优于竞争基准。
graph transformersbrain functional connectivitytemporal dynamicsconnectome embeddingresting-state fmri
发现论文，激发创造
  • 使用时空注意力学习脑连通图的动态图表示

    提出了一种名为 STAGIN 的方法，该方法可以学习到大脑连通性的动态图表示，其中包括空间 - 时间关注的新型读取功能和变压器编码器，对 HCP - 休息和 HCP - 任务数据集的实验表现优异，并且具有与神经科学知识的相应解释。

    May, 2021

  • 超越 ' 快照 ': 基于脑片段化图形转换器的纵向脑功能连接图嵌入

    本研究提出了第一个对脑部功能连接轨迹进行嵌入的可解释框架，即脑部 TokenGT，该方法在神经变性疾病诊断和预后方面的表现优于所有其他基准模型，同时提供了出色的可解释性。

    Jul, 2023

  • 通过双缩放器解构空间 - 时间功能性脑网络

    本论文提出了一种新的双变压器框架，可以同时推断空间和时间维度下的共同和个性的功能网络，该方法应用于人体连接组项目（HCP）运动任务 - fMRI 数据集，并成功识别出多个共同脑网络和一组个体特异的网络。

    Apr, 2022

  • 神经图：脑连接组学图机器学习基准

    介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

    Jun, 2023

  • 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

  • 在功能连接研究中利用门控图变换器探索泛化智能

    基于功能连接和神经影像数据，引入了门控图神经转换器（GGT）框架来预测认知指标，通过在费城神经发育队列（PNC）上进行实证验证，强调了该模型在识别与人类认知过程相关的关键神经连接方面的潜力。

    Jan, 2024

  • 脑网络变换器

    本文探讨了基于 Transformer 模型的脑网络分析方法。通过将脑网络构建为固定大小和顺序的图形，使用连接特征提供自然低成本的位置信息，学习不同个体之间具有高预测性的特征强度。基于自监督软聚类和正交投影的正交聚类读取操作包含确定相似行为的基础功能模块，导致具有区分性的簇感知节点嵌入和信息丰富的图嵌入。该方法在公开 ABIDE 和经过限制的 ABCD 数据集上实现了明显的改善，代码实现可以在该 https URL 获取。

    Oct, 2022

  • 从生物神经动力学中发现因果关系的注意力机制

    该研究探索了使用转换模型学习具有复杂非线性动态的网络中的 Granger 因果关系的潜力，以神经生物学和生物物理学网络为例；研究主要集中于基于模拟神经动力学的概念验证研究，结果表明，用于预测神经群体动力学的转换模型的交叉注意模块有效地捕捉到神经元之间的因果关系，准确性至少与最流行的 Granger 因果分析方法相当。尽管承认真实世界的神经生物学数据将带来进一步的挑战，包括动态连接性和未观察到的变化，但该研究对于转换模型在神经科学中因果表示学习的实用性提供了鼓舞人心的初步展示。

    Nov, 2023

  • 学习神经生物网络中功能连接组的动态表示

    使用无监督方法从脑内活体神经元跟踪中学习动态亲和力，揭示神经元在不同时间形成的群体互动，进而构建动态功能连接图。

    Feb, 2024

  • 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