用于情绪状态解码中被试水平体素选择的基于表征相似性分析的搜索光优化

识别信息性体素是功能性磁共振成像（fMRI）中的关键但颇具挑战性的步骤，尤其是在涉及多个相关条件的多变量分析中。现有方法通常依赖预先定义的感兴趣区（ROI）或基于激活的判定标准，但这些方法可能不足以捕捉细粒度的表征差异。 这一挑战在实验情境和干预范式中尤为突出，例如神经反馈训练；在此类情境中，体素不仅作为神经反应被测量，还会基于其先前观察到的活动模式被用作干预目标。在本研究中，我们提出了一种受试者水平的搜索光优化框架，该框架将基于体素的一般线性模型（GLM）单变量分析与基于表征相似性分析（RSA）的多变量细化相结合，以识别既与任务相关又对条件敏感的体素。 为提升实际适用性，该框架进一步纳入了一个基于贝叶斯优化的数据驱动超参数调优步骤，从而能够利用小规模先导数据集高效识别高性能配置，并在应用于更大样本时保持一致的性能。我们使用一个包含四种情感条件的情绪意象 fMRI 数据集对所提出的框架进行了评估。结果表明，与仅采用单变量选择相比，多变量细化能够更好地提高经验表征结构与目标表征结构之间的一致性。 与基于分类器的体素选择方法相比，基于 RSA 的方法在保持判别能力的同时，能够更好地保留情绪状态的表征几何结构。这些发现凸显了所提出 RSA 框架的有效性、效率和稳健性，为识别对条件敏感的体素提供了一种实用解决方案，并支持在多条件 fMRI 研究中对情感性脑状态开展更为精确的多变量研究。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全解决方案。可能导致此拦截的行为有多种，包括提交某个特定单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您已被拦截。请在邮件中说明当此页面出现时您正在进行的操作，并附上位于本页底部的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.16.729835v1?rss=1

🏷️ fMRI 表征相似性分析 体素选择 情绪状态解码 贝叶斯优化 神经反馈