基于傅里叶时空注意力的脑有效连通性估计
机器学习
2025-03-17 v1
摘要
从功能磁共振成像数据估计脑有效连通性有助于理解人类行为与认知的神经机制，为疾病诊断提供基础。然而，现有的时空注意力模块分别处理时间与空间注意力，以串行或并行方式提取时间与空间特征。这些方法忽略了真实世界 fMRI 数据中固有的时空相关性。此外，fMRI 数据中存在的噪声进一步限制了现有方法的性能。在本文中，我们提出了一种基于傅里叶时空注意力的新型脑有效连通性估计方法，该方法结合傅里叶注意力与时空注意力，以从高噪声 fMRI 数据中同时捕获序列间（空间）动态与序列内（时间）依赖关系。具体而言，傅里叶注意力被设计用于将高噪声 fMRI 数据转换至频域，并将去噪后的 fMRI 数据映射回物理域；时空注意力则被设计用于同时学习时空动态。此外，通过一系列证明，我们论证了在快速傅里叶变换与逆快速傅里叶变换过程中引入可学习滤波器在数学上等价于执行循环卷积。在模拟与真实静息态 fMRI 数据集上的实验结果表明，与现有方法相比，所提方法展现出优越的性能。
引用
@article{arxiv.2503.11283,
title = {Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention},
author = {Wen Xiong and Jinduo Liu and Junzhong Ji and Fenglong Ma},
journal= {arXiv preprint arXiv:2503.11283},
year = {2025}
}