- 2 次围观
基于脑磁图（MEG）数据估计的全脑功能连接，为远距离神经元通信提供了一种紧凑表征，因此适用于预测性生物标志物的发现。 在本研究中，我们提出了一种深度学习框架（FC-CNN），用于基于静息态MEG记录所导出的频率分辨功能连接估计来预测脑状态。我们在Cam-CAN队列（n=576）上，以研究充分的年龄预测任务为例，系统比较了FC-CNN与传统回归方法在使用基于振幅和基于相位的功能连接时的性能。结果表明，FC-CNN优于传统方法；并且，与相位同步相比，振幅包络相关始终能够带来更高的预测性能。 此外，我们提出了定量证据，表明经训练的深度学习模型的权重能够支持对促成成功预测的活动模式进行神经生理学解释。我们的研究表明，所提出的方法能够成功地从MEG功能连接中解码脑状态，并有望用于发现脑部疾病的预测性生物标志物。
基于脑磁图（MEG）数据估计的全脑功能连接，为长程神经元通信提供了紧凑表征，因此适用于预测性生物标志物的发现。
在本研究中，我们提出了一种深度学习框架（FC-CNN），用于根据由静息态MEG记录导出的频率分辨功能连接估计来预测脑状态。我们在Cam-CAN队列（n=576）中广泛研究的年龄预测任务上，系统比较了FC-CNN与采用基于振幅和基于相位的功能连接的传统回归方法的性能。我们表明，FC-CNN优于传统方法；并且，与相位同步相比，振幅包络相关始终能够带来更高的预测性能。此外，我们提供了定量证据，表明经过训练的深度学习模型的权重能够支持对那些促成成功预测的活动模式进行神经生理学解释。
我们的工作表明，所提出的方法能够成功地从MEG功能连接中解码脑状态，并有望用于脑疾病预测性生物标志物的发现。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.20.745932v1?rss=1
🏷️ 脑磁图 功能连接 深度学习 年龄预测 频率分辨 可解释解码
来源出处