基于时空脑动力学模型预测大脑活动：图神经网络架构的比较研究
神经元与认知
2022-04-29 v2 机器学习
摘要
理解神经动力学中空间与时间特征之间的相互作用，有助于我们认识人脑中的信息处理过程。图神经网络 (GNNs) 为解释如图信号这类在复杂脑网络中观测到的结构化信号提供了新的可能性。在我们的研究中，我们比较了不同的时空 GNN 架构，并研究了它们对功能性磁共振成像 (fMRI) 研究中获得的神经活动分布进行建模的能力。我们评估了 GNN 模型在 MRI 研究多种场景下的性能，并将其与目前在定向功能连接分析中常用的 VAR 模型进行了比较。我们表明，通过学习解剖基底上的局部功能交互，基于 GNN 的方法能够稳健地扩展到大规模网络研究，即使在可用数据稀缺的情况下也是如此。通过将解剖连接作为信息传播的物理基底，此类 GNN 还为定向连接分析提供了多模态视角，为研究脑网络中的时空动力学提供了新的可能性。
引用
@article{arxiv.2112.04266,
title = {Forecasting Brain Activity Based on Models of Spatio-Temporal Brain Dynamics: A Comparison of Graph Neural Network Architectures},
author = {Simon Wein and Alina Schüller and Ana Maria Tomé and Wilhelm M. Malloni and Mark W. Greenlee and Elmar W. Lang},
journal= {arXiv preprint arXiv:2112.04266},
year = {2022}
}