用于大脑解码的分层多分辨率网格网络

我们提出了一种名为分层多分辨率网格网络（Hierarchical Multi-resolution Mesh Networks, HMMNs）的新框架，该框架在 fMRI 信号的多时间分辨率上建立一组大脑网络，以表征潜在的认知过程。该框架首先利用小波变换将 fMRI 信号分解为多个频率子带。然后，通过集成一组局部网格，在每个子带上形成一个称为网格网络的大脑网络。每个解剖区域周围的局部性是相对于基于功能连接的邻域系统定义的。网格的弧权重由各区域平均时间序列之间构建的岭回归进行估计。在最后一步，在不同子带获得的网格网络的邻接矩阵被集成起来，在一种称为模糊堆叠泛化（Fuzzy Stacked Generalization, FSG）的分层学习架构下进行大脑解码。我们在 Human Connectome Project 任务态 fMRI 数据集上的结果表明，所提出的 HMMN 模型能够通过提取从多个子带的网格弧权重中获得的互补信息，成功区分不同任务。我们使用网络度量指标，即节点度、节点强度、介数中心性和全局效率，研究了不同分辨率下网格网络的拓扑性质；并考察了认知任务期间解剖区域的连接性。我们观察到在不同子带获得的网络拓扑之间存在显著差异。我们还分析了由多个子带网格网络训练的分类器集成的多样性特性，并观察到集成中的分类器相互协作，以融合在每个子带释放的互补信息。我们得出结论，在认知任务期间记录的 fMRI 数据在每种分辨率下的解剖区域间嵌入了多样化信息。