通过大规模增强格兰杰因果分析（lsAGC）提升图注意力神经网络在大麻消费分类中的性能
信号处理
2024-10-25 v1 人工智能
摘要
本研究考察了大规模增强格兰杰因果分析（lsAGC）作为衡量脑网络连通性的工具，以区分大麻使用者和常规对照群的有效性，利用静息状态功能磁性共振成像（fMRI）。大麻消费与脑网络连通性改变之间的关系是已知的科学事实。本研究探讨了 lsAGC 如何准确辨别这些变化。所用技术整合了降维与来自预测时间序列的源时间序列增强，有助于估计 fMRI 时间序列之间的有向因果关系。作为一种多变量方法，lsAGC 在考虑其他所有时间序列的前提下揭示了固有动态系统的连接。研究中使用来自阿尔卡尼共现预处理计划（ACPI）的 60 名确诊有注意力缺陷/多动障碍的成年人。由 lsAGC 评估的脑连接力量被用作分类属性。选用图注意力神经网络（GAT）进行分类任务，因其能够利用图结构数据并识别脑区之间复杂的相互作用，特别适用于基于 fMRI 的脑网络连通性数据。采用五折交叉验证系统进行性能分析。相关系数方法的平均准确率约为 52.98%，标准差为 1.65，而 lsAGC 方法的平均准确率为 61.47%，标准差为 1.44。所提方法增强了神经影像分类领域的知识，强调在研究大麻对大脑影响时必须考虑有向因果连接在脑网络连通性分析中的必要性。
引用
@article{arxiv.2410.18506,
title = {Enhancing Graph Attention Neural Network Performance for Marijuana Consumption Classification through Large-scale Augmented Granger Causality (lsAGC) Analysis of Functional MR Images},
author = {Ali Vosoughi and Akhil Kasturi and Axel Wismueller},
journal= {arXiv preprint arXiv:2410.18506},
year = {2024}
}
备注
17 pages