基于深度学习和全脑网络的生物标志物发现：建模静息状态和认知任务中的脑部波动动力学

背景：脑网络模型提供了对脑动力学的洞见，但模型派生的分岔参数作为生物标志物的实用性仍未得到充分探索。目的：本研究评估了来自全脑网络模型的分岔参数，作为区分静息状态和基于任务的认知条件相关脑状态的生物标志物。方法：使用临界Hopf脑网络模型生成合成BOLD信号，用于训练深度学习模型以预测分岔参数。推断在Human Connectome Project数据上进行，包括静息状态和基于任务的条件。统计分析评估了基于分岇参数分布的脑状态可分性。结果：分岔参数分布在不同任务和静息状态之间显著不同（除一个外的所有比较均p<0.0001）。基于任务的脑状态显示出更高的分岇值相对于休息。结论：分岔参数有效区分了认知和静息状态，值得进一步探索作为脑状态表征和神经系统障碍评估的生物标志物。