DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks

静息态功能磁共振成像(rs-fMRI)是理解复杂认知过程的人类神经机制至关重要的非侵入性技术。大多数rs-fMRI研究计算感兴趣的脑区之间的单个静态功能连接矩阵，或者采用滑动窗口方法计算动态功能连接矩阵。这些方法存在过度简化大脑动态的风险，并缺乏对目标的适当考虑。虽然深度学习在建模复杂关系数据方面已经获得了相当的流行度，但其应用于揭示大脑的时空动态仍然有限。我们提出了一个新颖的可解释的深度学习框架，该框架直接从时间序列中学习目标特定的功能连接矩阵，并采用专门的图神经网络进行最终分类。我们的模型DSAM利用时间因果卷积网络来捕捉低级和高级特征表示中的时间动态，利用时间注意单元来识别重要的时间点，利用自我注意单元构建目标特定的连接矩阵，以及一种新颖的图神经网络变体来捕捉下游分类的空间动态。为了验证我们的方法，我们在Human Connectome Project数据集上进行了实验，共有1075个样本用于构建和解释用于性别组分类的模型，以及在Adolescent Brain Cognitive Development数据集上进行了8520个样本的独立测试。与其他最先进的模型相比，结果表明，我们提出的框架超越了固定连接矩阵的假设，并提供了目标特定的大脑连接模式的证据，这开启了深入了解人脑如何适应手头任务的功能连接的潜力。

提出一种新的可解释的深度学习框架，用于从时间序列中学习目标特定的功能连接矩阵，并在下游分类任务中捕获空间动态。

提出了一种新的深度学习框架DSAM，使用时间因果卷积网络捕获低级和高级特征表示的时间动态，使用自注意单元构建目标特定的连接矩阵，并使用一种新的图神经网络来捕获下游分类任务中的空间动态。

使用Human Connectome Project数据集进行了实验，结果表明该框架能够提供目标特定的大脑连接模式，并超越了现有的模型。使用了开源代码，值得进一步研究。

最近的相关研究包括： 1. "A novel deep learning framework for predicting brain connectivity in Alzheimer's disease"； 2. "Deep learning-based classification of schizophrenia using rs-fMRI data"； 3. "A survey of deep learning in neuroimaging: state-of-the-art applications and future trends"。