An Adaptively Weighted Averaging Method for Regional Time Series Extraction of fMRI-based Brain Decoding

本文介绍了一种利用脑功能波动进行认知状态分类的脑解码方法，可以为理解认知功能的脑机制提供有益信息。在使用功能磁共振成像（fMRI）解码脑认知状态的常见过程中，传统上是在脑分区后提取每个脑区的时间序列，然后对脑区内的体素进行平均，这种方法忽略了体素之间的空间信息和提取下游任务所需的信息。本研究提出使用一个全连接神经网络，与脑解码器一起进行联合训练，以在每个脑区内自适应加权平均体素。我们在人类连接组计划（HCP）数据集上进行了广泛的认知状态解码、流形学习和可解释性分析评估。认知状态解码的性能比较表明，我们的方法精度提高了最多5\%，在不同的时间窗口大小、重采样大小和训练数据大小下，精度稳定提高。流形学习的结果显示，我们的方法在认知状态之间呈现出相当的可分性，基本上排除了特定受试者的信息。可解释性分析表明，我们的方法可以识别出与每种认知状态相对应的合理脑区。本研究将有助于改进fMRI处理的基本流程。

本论文的问题是如何通过使用功能性磁共振成像（fMRI）来解码人类的认知状态，提高解码准确性和可解释性。

论文的关键思路是使用一个全连接神经网络，该网络与大脑解码器一起进行联合训练，以在每个大脑区域内自适应加权平均各体素，从而提高解码准确性和可解释性。

论文使用人类连接组计划（HCP）数据集进行了广泛的评估，包括认知状态解码、流形学习和可解释性分析。实验结果表明，该方法可以提高解码准确性，并且在不同的时间窗口大小、重采样大小和训练数据大小下保持稳定的准确性改进。流形学习的结果表明，该方法在认知状态之间具有相当的可分性，并基本上排除了个体特异信息。可解释性分析表明，该方法可以识别与每个认知状态相对应的合理的大脑区域。

在这个领域中，最近的相关研究包括使用深度学习方法进行fMRI解码的研究，如《Deep Learning for Neuroimaging: A Validation Study》和《Deep Learning for Functional Connectomics: A Multi-Task Learning Approach》。