基于交替扩散映射的多模态脑连接网络融合用于智商预测
神经元与认知
2018-11-01 v1
摘要
为解释发育、行为与认知中的个体差异，以往多数研究聚焦于通过线性降维技术将基于静息态功能磁共振成像（fMRI）的功能连接（FC）数据投影到低维空间，随后执行分析操作。然而，线性降维分析技术可能不足以捕捉脑神经活动的非线性。此外，除静息态 FC 外，基于任务态 fMRI 的 FC 有望提供互补信息。受这些考量驱动，本文中我们非线性地融合静息态与基于任务的 FC 网络（FCNs）以寻求更好的表示。我们提出了一个基于交替扩散映射（ADM）的框架，其提取保持几何的低维嵌入，成功参数化驱动感兴趣现象的固有变量。具体而言，我们首先利用稀疏逆协方差估计为每个被试分别通过对称正定矩阵构建静息态与基于任务的 FCN，然后利用 ADM 融合它们以提取显著的低维嵌入，将其作为识别个体的指纹。所提框架在费城神经发育队列数据上得到验证，我们对该数据上的静息态与分形 -back 任务 fMRI 进行了广泛的智商（IQ）分类实验研究。所提框架对静息态与 -back 任务 fMRI 的融合取得了优于任一单一 fMRI 的分类准确率，并且该框架被证明优于若干其他数据融合方法。据我们所知，本文首次展示了 ADM 的成功扩展以融合静息态与基于任务的 fMRI 数据用于准确的 IQ 预测。
引用
@article{arxiv.1810.12954,
title = {Alternating Diffusion Map Based Fusion of Multimodal Brain Connectivity Networks for IQ Prediction},
author = {Li Xiao and Julia M. Stephen and Tony W. Wilson and Vince D. Calhoun and Yu-Ping Wang},
journal= {arXiv preprint arXiv:1810.12954},
year = {2018}
}