HyperBrain: 时序超图脑网络异常检测
机器学习
2024-10-04 v1 神经元与认知
摘要
识别异常脑活动是神经科学研究中的关键任务，因为它有助于早期检测脑障碍。将脑网络表示为图的做法很常见，研究人员已开发出各种图基机器学习方法用于分析它们。然而，大多数现有的脑图学习工具面临以下三种关键局限性的组合：首先，它们仅关注脑区区域之间的两两相关，限制了其捕捉更大区域组同步活动的能力。其次，它们将脑网络建模为静态网络，忽略了脑中的时间变化。第三，大多数只为对脑网络进行健康与障碍分类设计，缺乏识别与障碍关联的生物标志物相关的异常脑活动模式的能力。为解决这些问题，我们提出 HyperBrain，一个用于时序超图脑网络的无监督异常检测框架。HyperBrain 将 fMRI 时间序列数据建模为时序超图，捕捉动态的高阶相互作用。它然后使用一种新颖的定制化时序漫步 (BrainWalk) 和神经编码来检测脑区之间的异常共�激活。我们在 synthetic和 real-world设置下评估了 HyperBrain 在自闭综合征和注意力缺陷多动障碍 (ADHD) 上的性能。HyperBrain 在检测脑网络中异常共动激活方面优于所有其他基线方法。此外，HyperBrain 获取的结果与这些脑障碍的临床研究一致。我们的发现表明，学习脑网络中的时序和高阶连接提供了一个有前景的途径来揭示脑网络中复杂的连接模式，为改进诊断提供了可能。
引用
@article{arxiv.2410.02087,
title = {HyperBrain: Anomaly Detection for Temporal Hypergraph Brain Networks},
author = {Sadaf Sadeghian and Xiaoxiao Li and Margo Seltzer},
journal= {arXiv preprint arXiv:2410.02087},
year = {2024}
}