融合学习动态功能连接：结合 fMRI 信号的�幅与相位以识别脑障碍
神经元与认知
2026-03-27 v1 人工智能
摘要
动力功能连接(dFC)源自静息态功能磁性共振成像(fMRI)已在脑科学研究中广泛使用。滑动窗口相关(SWC)方法是构建 dFC 的常用方法，通过计算来自脑区对之间信号振幅时间序列的相关系数。本研究提出了一种集成方法，纳入 fMRI 信号的振幅和相位信息，以提高脑障碍检测能力。具体而言，我们引入一种多尺度融合学习框架，称为 MSFL，它利用从 SWC 和相位同步(PS)派生的两种互补 dFC 特征。SWC 捕捉振幅相关性，而 PS 测量 dFC 中相位一致性。我们在两个公开数据集上评估了 MSFL 在诊断自闭谱系综合征和重度抑郁症中的效能，结果表明 MSFL 在所有比较模型中均显著优于现有方法。此外，我们采用 SHAP 框架进行模型解释分析，结果显示 SWC 和 PS 的两种类型 dFC 特征均对检测脑障碍有贡献。
引用
@article{arxiv.2603.24603,
title = {Fusion Learning from Dynamic Functional Connectivity: Combining the Amplitude and Phase of fMRI Signals to Identify Brain Disorders},
author = {Jinlong Hu and Jiatong Huang and Zijian Cai},
journal= {arXiv preprint arXiv:2603.24603},
year = {2026}
}