使用 DNN 模型基于 fMRI 的认知网络与表现驱动的状态分类

深度神经网络（DNN）模型在各个领域表现出色，但由于缺乏可解释性，其在认知神经科学中的应用受到限制。在本研究中，我们采用两种结构不同且互补的基于DNN的模型，即一维卷积神经网络（1D-CNN）和双向长短期记忆网络（BiLSTM），从fMRI BOLD数据中对个体认知状态进行分类，重点理解分类决策背后的认知基础。我们表明，尽管架构存在差异，但两个模型都始终如一地在预测准确性和个体认知表现之间产生稳健的关系，即低表现导致差的预测准确性。为了实现模型可解释性，我们使用置换技术计算特征重要性，使我们能够识别影响模型预测的最关键脑区。跨模型分析中，我们发现视觉网络占主导地位，表明任务驱动的状态差异主要编码在视觉处理中。注意和控制网络也显示出相对较高的重要性，然而，默认模式网络和颞顶网络在区分认知状态方面表现出可忽略不计的贡献。此外，我们观察到个体基于特质的影响和微妙的模型特定差异，使得1D-CNN显示出稍好的整体性能，而BiLSTM对个体行为显示出更好的敏感性；这些初步发现需要进一步研究和鲁棒性测试才能完全确立。我们的工作强调了可解释DNN模型在揭示认知状态转换背后的神经机制中的重要性，为该领域的未来工作奠定了基础。