基于深度学习的体积级任务 fMRI 解码：提升时序分辨率和认知功能分析
机器学习
2025-03-05 v1 计算机视觉与模式识别
人机交互
神经元与认知
摘要
近年来，深度学习在任务功能磁性共振成像(tfMRI)解码中的应用取得了显著进展。然而，大多数研究受制于神经活动时序平稳性假设，导致仅能进行块状分析，时序分辨率仅为数十秒，这限制了对认知功能进行细致解码的能力。为克服这些限制，本研究提出了一种用于 tfMRI 数据中体积级任务状态识别的深度神经网络，从而克服了传统方法的局限。在 Human Connectome Project (HCP) 运动和赌博 tfMRI 数据集上进行评估，该模型分别实现了94.0%和79.6%的平均准确率。这些结果显示，在时序分辨率方面实现了显著提升，使我们能够更详细地探索认知过程。本研究进一步利用可视化算法来探讨不同任务下大脑映射的动态变化，标志着深度学习基于帧级 tfMRI 解码的重要进步。该方法为检验大脑活动的动态变化以及理解其背后认知机制提供了新的方法和工具。
引用
@article{arxiv.2503.01925,
title = {Volume-Wise Task fMRI Decoding with Deep Learning:Enhancing Temporal Resolution and Cognitive Function Analysis},
author = {Yueyang Wu and Sinan Yang and Yanming Wang and Jiajie He and Muhammad Mohsin Pathan and Bensheng Qiu and Xiaoxiao Wang},
journal= {arXiv preprint arXiv:2503.01925},
year = {2025}
}
备注
8 pages,11 figures