InfoFlowNet：一种基于多头注意力与替代方法的自监督学习模型用于揭示脑有效连接
神经元与认知
2023-12-01 v1
摘要
破译脑网络拓扑可加深神经科学认知并促进神经工程方法的发展。有效连接作为脑网络动态的一种度量，对于研究不同脑区间的方向性影响尤为有用。本研究提出一种名为 InfoFlowNet 的新型脑因果推断模型，其利用自注意力机制捕捉脑电图（EEG）时间序列间的关联。该方法通过度量原始时间序列时间顺序被打乱所导致的模型推断损失，来估计 EEG 过程间的方向性信息流（dIF）大小。为评估 InfoFlowNet 的可行性，我们使用合成时间序列及两个 EEG 数据集进行实验。结果表明，InfoFlowNet 可提取过程间时变因果关系，体现为 dIF 值的波动。与 Granger 因果模型及时间因果发现框架相比，InfoFlowNet 能在可接受的计算时间内识别出 EEG 过程中更显著的因果边。我们的工作展示了 InfoFlowNet 用于分析 EEG 数据有效连接的潜力。研究结果凸显了有效连接在理解脑网络复杂动态中的重要性。
引用
@article{arxiv.2311.18527,
title = {InfoFlowNet: A Multi-head Attention-based Self-supervised Learning Model with Surrogate Approach for Uncovering Brain Effective Connectivity},
author = {Chun-Hsiang Chuang and Shao-Xun Fang and Chih-Sheng Huang and Weiping Ding},
journal= {arXiv preprint arXiv:2311.18527},
year = {2023}
}