面向 fMRI 分析的层次化时空状态空间建模
机器学习
2025-03-24 v3 人工智能
摘要
最近的深度学习结构化状态空间模型，尤其是 Mamba 架构，已在保持线性复杂度的同时显示出显著的性能提升。在本研究中，我们引入功能时空 Mamba (FST-Mamba)，一种针对发现神经学生物标志物的 Mamba-based 模型，专为利用功能磁共振成像 (fMRI) 设计。我们关注从 fMRI 中推导出的动态功能网络连接 (dFNC)，并提出一种基于层次化时空 Mamba 的网络，分别使用 Mamba-based 编码器处理空间和时间信息。利用 FNC 矩阵的拓扑独特性，我们引入一种组件级可变尺度聚合 (CVA) 机制，以聚合脑网络中各个组件的连接，使模型能够捕获组件级和网络级信息。此外，我们提出对称旋转位置编码 (SymRope) 以编码每个功能连接的相对位置，同时考虑 FNC 矩阵的对称性。实验结果在各种脑基准的分类和回归任务上显示出 FST-Mamba 模型的显著性能提升。我们进一步展示了对于预测至关重要的脑连接和动态。我们的工作揭示了在脑发现中无注意力序列建模的巨大潜力。代码已公开可用：https://github.com/yuxiangwei0808/FunctionalMamba/tree/main。
引用
@article{arxiv.2408.13074,
title = {Hierarchical Spatio-Temporal State-Space Modeling for fMRI Analysis},
author = {Yuxiang Wei and Anees Abrol and Vince Calhoun},
journal= {arXiv preprint arXiv:2408.13074},
year = {2025}
}
备注
Accepted to RECOMB 2025