基于fMRI时间序列数据重建大脑因果动力学用于主体与任务指纹识别
系统与控制
2025-10-03 v2 系统与控制
摘要
目的：近期，随着系统神经科学因果模型在揭示多尺度大脑网络中复杂关系方面的独特能力，人们对其产生了 renewed 的兴趣。本文提出了一种新方法，利用因果动力学实现有效的fMRI 基于主体和任务的指纹识别。方法：通过应用隐式-显式离散化方案，我们发展了一个两时序比例的线性状态空间模型。通过数据驱动的参数识别，该模型捕获包括从空间角度看的有向脑区相互作用的因果特征，以及从时间角度看的脑活动快速和慢速动态模式的分离特征。这些因果特征随后与：(i) 用于基于模型的主体识别的模态分解和投影方法，以及 (ii) 用于学习驱动的任务分类的图神经网络 (GNN) 框架集成。此外，我们引入了脑可达性景观 (brain reachability landscape) 的概念作为一种新型可视化工具，定量地表征了在各种fMRI 任务下，脑区最大可能激活水平。结果：我们使用 Human Connectome Project 数据集评估了所提出的方法，证明其优于非因果性方法。获得的因果特征被可视化，清晰地与已知的脑功能理解相一致。结论：我们验证了利用脑因果特征进行主体和任务指纹识别的可行性和有效性。此外，我们的工作为进一步研究具有潜在应用于健康对照者和神经退行性疾病的因果指纹研究开辟了道路。
引用
@article{arxiv.2505.06392,
title = {Reconstructing Brain Causal Dynamics for Subject and Task Fingerprints using fMRI Time-series Data},
author = {Dachuan Song and Li Shen and Duy Duong-Tran and Xuan Wang},
journal= {arXiv preprint arXiv:2505.06392},
year = {2025}
}