Jun, 2024

STNAGNN: 基于时空节点注意力图神经网络的任务驱动 fMRI 分析

PDF
TL;DR使用基于任务的功能磁共振成像 (task-based fMRI) 方法，结合 BOLD 对比度，基于任务的脑部反应进行衡量，本研究利用数据驱动的任务结构为指导，在自动识别孤独症任务中展示出空间时间分析的有效性，并提出了 STNAGNN 这个基于图神经网络的空间时间架构，用于解释和识别孤独症相关的空间时间性脑生物标记物。
task-based fmribold contrasttask context informationspatiotemporal analysisautism classification
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

  • MR-STGN：使用注意力融合的多重残差时空图网络用于患者动作评估

    基于多残差时空图网络的自动化病人行动评估方法，在捕捉病人行动时空动态特征的同时，通过集成注意力融合机制，实现对病人运动的准确评估，超越现有方法，在实时病人行动评分方面表现出色。

    Dec, 2023

  • 通过时空卷积神经网络（ST-CNN）对 4D fMRI 数据进行建模

    使用 ST-CNN 算法对 4D fMRI 数据进行空间 - 时间建模，并自动准确定位功能网络，ST-CNN 通过联合学习空间和时间模式来确保准确识别 Default Mode Network（DMN）。

    May, 2018

  • 用于解读任务 fMRI 生物标志物的图神经网络

    通过使用图神经网络和 fMRI 数据，开发出含有两个阶段的流程来识别 ASD 的生物标志物，并发现证据为 GNN 分类器使用的大脑区域 / 子图。

    Jul, 2019

  • DynSTGAT：动态时空图注意力网络用于交通信号控制

    本论文提出了一种名为 DynSTGAT 的神经网络框架，该框架结合了动态历史状态和新的时空图注意力网络，旨在解决现有方法未充分利用空间 - 时间关联性的问题，提高交通信号控制的性能。

    Sep, 2021

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • STN：一种新的张量网络方法，用于从大脑活动模式中识别刺激类别

    提出了一种刺激约束的张量脑模型，将张量分解模型与刺激类别约束信息相结合，用于解码带有语义信息的目标刺激，实验结果表明该模型相对于其他方法提高了 11.06％到 18.46％的准确性。

    Oct, 2022

  • JGAT: 一种用于脑解码的联合时空图注意力模型

    本文提出了一种新的多模态时间图注意力网络框架 —— 联合核图注意力网络（Joint kernel Graph Attention Network，JGAT），结合了功能磁共振成像（fMRI）和扩散加权成像（DWI）的数据，可以保留动态信息，具有更好的编码能力。使用 JGAT 模型从多个 7T fMRI 数据集中对大脑进行解码任务，同时可以计算和学习到注意力得分（AS）和帧得分（FS）来定位多个信息时间段，并建立富有意义的动态通路。

    Jun, 2023

  • 基于时间关注机制的尖峰神经网络用于事件流分类

    该论文提出了一种基于时间注意力的尖峰神经网络模型来处理事件流，能够有效地提取时空特征，提高分类准确率。

    Jul, 2021

  • 使用注意力驱动的脉冲神经网络增强图表示学习

    本文提出了一个将注意机制与脉冲神经网络 (SNN) 相结合的新方法，以改进图表示学习的能力。该方法能够在学习过程中选择性地关注图中重要的节点和相应的特征，并在多个基准数据集上进行评估，结果显示其性能与现有的图学习技术相当。

    Mar, 2024