基于 $\beta$-TCVAE 模型的 fMRI 中非线性独立源分离
机器学习
2026-05-19 v1 机器学习
摘要
从非线性 fMRI 数据中学习有意义的潜在表征仍是神经成像分析中的根本性挑战。传统的独立成分分析因其能够估计可解释的功能脑网络而广泛使用，依赖于潜在源的线性混合假设，限制了其捕获脑动态本质非线性和复杂组织结构的能力。更近期，深度表征学习方法作为建模非线性潜在结构的有前景的替代方案不断涌现。然而，这些方法大多数在模拟数据集或自然图像基准上进行评估，对真实世界的神经成像数据如 fMRI 的验证相对有限。本文我们受 -TCVAE (总相关性变分自编码器) 的启发，这是一种在训练期间无需引入额外超参数的 -VAE 框架的细化。我们将其适用于 fMRI 数据进行非线性源解耦，旨在将混合的空间和时间脑信号分离为可解释的组成部分。我们展示 -TCVAE 框架能够恢复具有生物学相关性的有意义的非线性空间组成部分，包括默认模式网络等众所周知的内在连接网络。此外，我们使用功能网络连接性评估所学的表征，显示潜在结构捕获了连贯且可解释的脑组织图模式。该研究为非线性表征学习与 fMRI 分析之间的衔接提供了一次试探性的调查。
引用
@article{arxiv.2605.16708,
title = {Isolating Nonlinear Independent Sources in fMRI with $\beta$-TCVAE Models},
author = {Qiang Li and Shujian Yu and Jesus Malo and Jingyu Liu and Tülay Adali and Vince D. Calhoun},
journal= {arXiv preprint arXiv:2605.16708},
year = {2026}
}
备注
6 pages, 2 figures