多动态模型揭示了时变静息功能磁共振成像的强相关性
大脑功能网络的活动是时变认知和行为的基础。研究证实，静息功能磁共振成像中的时变相关性（即功能连通性）可以预测行为特征、精神疾病和神经系统疾病。本文提出了一种研究方法，将平均大脑活动和功能连接(FC)的变化建模为能够在不同的时间相互发生。本文将这种方法称为多动态对抗生成器-编码器(MAGE)模型，在fMRI数据上使用生成对抗网络的原理进行评估，并可以捕获时间依赖性的网络动态模型。
本文提出的解耦平均活动和FC的方法称为多动态对抗生成器-编码器(MAGE)。提出了一种允许平均活动和FC在时间上相互独立地波动多动态建模方法。
本文提出的方法假设fMRI数据是由一个多元正态分布过程产生的，具有时变均值和协方差。为了分别建模时变方差和相关性，本文将协方差划分为每个大脑区域的一个NxN对角线标准差矩阵和一个NxN相关矩阵。其中，相关矩阵捕获了大脑区域之间的瞬时相关性，并称为瞬时FC。研究过程中，MAGE将均值和方差的动态联系在一起，并假设相关性是独立波动的。
图1：MAGE生成模型
在上图中，首先，该模型通过瞬时均值和瞬时相关矩阵（即功能连通性）来生成数据。瞬时均值使用一组底层状态进行建模，其中的状态时间过程是使用长短期记忆(LSTM)模型生成。瞬时相关性使用一组底层状态进行建模，其状态时间过程使用一个不同的LSTM生成，使该方法是多动态的。
图2：单动态和多动态的大脑网络
[A]上图显示了两种情况下的脑网络动态实例；线宽表示功能连通性(FC)强度，节点大小表示平均活动幅度。中间和底部的显示了单动态情况下如何假设平均值和FC一起变化，而在多动态情况下，可以在不同的时间发生变化。
[B] 说明了多动态方法的优势。多动态的方法能够准确地调整波动FC，而单动态的方法不能准确地捕捉这些波动。
MAGE可以推断出FC中的动态，不同于大脑活动中的动态
研究比较了多动态方法(MAGE)和单动态方法(SAGE)的性能。如下图所示，本文绘制了相关性和均值的状态时间过程的预测精度。与SAGE相比，MAGE表现更佳。
图3：比较了多动力学方法(MAGE)和单动力学方法(SAGE)在多动力学模拟上的性能。在实验过程中，比较了多动态方法和单动态方法的预测性能。x轴表示平均和相关状态时间过程的寿命参数，y轴表示推断的状态时间过程的预测精度。
MAGE学习显示适当的任务依赖关系的网络状态动力学
为了研究MAGE的任务依赖性，本文将其应用于任务fMRI数据。在未知任务时间（即无监督）的情况下训练MAGE，观察MAGE推测与任务相关的动态。
图4：验证MAGE在任务fMRI数据集上的性能
[A]被试有四种不同的任务（休息、视觉、运动和视觉运动）。MAGE四个任务（未知任务时间）的诱发占比图，其中x轴表示时间点的数量，y轴对应该状态的平均激活值。具体来说，任务诱发图曲线显示了所有15名被试在每个实验条件下的四次重复运行的平均值和标准偏差。
[B]功能连通性(FC)和平均活动的状态特定的空间地图，根据二者状态时间过程最对应的任务条件进行标记。对于平均活动图，显示了每个节点/通道的平均振幅。负的平均活动（例如，在运动任务中视觉网络的失活）指的是与基线相比，信号变化的减少。特定状态的FC空间图（色条）的值的大小对应于每个区域与大脑其他部分的连接程度。
多动态方法揭示了静息功能磁共振成像中FC随时间的变化更强烈
多动态方法比单动态方法能更好地识别时变功能连接(TVFC)。本文通过将单动态(SAGE)和多动态(MAGE)方法应用于静息态fMRI数据来进行验证。研究使用了来自英国生物样本库(UKB)的13301名被试和来自人类连接体项目(HCP)的1003名被试的静息态fMRI数据。UKB和HCP预处理的主要步骤为（1）运动校正，（2）用ICA去除结构伪影。最后，本文应用了一种流行的数据驱动的分割方案，为空间组独立成分分析。
图5：[HCP数据] 与单动态(SAGE)方法相比，多动态(MAGE)方法显示出特定状态的FC图有更强的变化。
显示了两种方法的四种建模状态的特定状态的平均活动和FC相关图。对于特定状态的平均活动图，显示了每个节点/通道的平均振幅，对于特定状态的FC映射，显示了估计FC相关映射的秩分解（第一特征向量）。
图6：[UKB数据] MAGE评估的FC和平均活动空间图在不同的非重叠被试集是可重复的。[A] 显示了6次重复中状态特异性FCs之间的平均相关性。此外，对于运行1和运行2，显示了4个已识别状态（在12个推断状态中）的FC相关图，表明FC状态在重复测试中是一致的。[B] 显示了6次重复运行中针对特定状态的平均活动估计值的平均相关图。
本文提出了一种可靠地推断出FC的时间点估计的新算法。在本文中，研究人员在几个模拟研究和一个认知任务数据集上证明了MAGE的有效性。也将该方法应用到了静息态功能磁共振成像的研究。研究发现，与现有的单动态方法相比，这种多动态方法揭示了更强的FC随时间的变化，并且能更好地预测个体行为变异性。并解释了时变FC在静息功能磁共振成像数据中稳定的原因。
参考文献链接
http://creativecommons.org/licenses/by/4.0/
Usama Pervaiz , Diego Vidaurre , Chetan Gohil , Stephen M. Smitha,Mark W. Woolrichb Multi-dynamic modelling reveals strongly time-varying resting fMRI
correlations
仅用于学术交流，不用于商业行为，若有侵权及疑问，请后台留言，管理员即时删侵！
更多阅读
AI学会了用“人眼”看世界，甚至连人类瞳孔的细微缩放都能模拟
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加QQ群：913607986
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
2.加入社区成为兼职创作者，请联系微信：RoseBCI
助力脑机接口发展
点个在看祝你开心一整天!