基于因果关系的特征融合用于脑神经发育分析
计算机视觉与模式识别
2020-01-29 v1 人工智能
神经元与认知
摘要
人脑发育是一个受遗传、性激素和环境变化等多种因素影响的复杂动态过程。近期许多脑发育研究考察了由不同脑区时间序列间时间相关性定义的功能连接（FC）。我们提议在脑成熟过程中加入信息的方向性流动。为此，我们通过Granger因果（GC）为两组不同受试者（即儿童与青年）提取有效连接（EC）。其动机在于，纳入因果交互可进一步区分两个年龄组间的脑连接，并有助于发现脑区之间的新连接。本研究的贡献有三方面。首先，在脑发育背景下基于EC的特征提取一直缺乏关注。为此，我们提出一种新的基于核的GC（KGC）方法来学习复杂脑网络的非线性，其中使用简化的双曲正弦多项式（RSP）神经网络作为所提出的 learner。其次，我们将因果值用作脑区之间方向性连接的权重。我们的发现表明，青年组的连接强度显著高于儿童组。此外，我们新的基于EC的特征在Philadelphia神经队列（PNC）研究中优于基于FC的分析，能更好区分不同年龄组。而且，这两组特征（FC+EC）的融合将脑年龄预测准确率提高了4%以上，表明它们应一起用于脑发育研究。
引用
@article{arxiv.2001.08173,
title = {Causality based Feature Fusion for Brain Neuro-Developmental Analysis},
author = {Peyman Hosseinzadeh Kassani and Li Xiao and Gemeng Zhang and Julia M. Stephen and Tony W. Wilson and Vince D. Calhoun and Yu Ping Wang},
journal= {arXiv preprint arXiv:2001.08173},
year = {2020}
}
备注
10 pages