.png){kind=icon}
返回
Multi-sensory Cognitive Computing for Learning Population-Level Brain Connectivity
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05162-2_50.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
连接性脑模板（CBTs）的生成最近因其能够识别个体间共享的独特连接模式的潜力而受到广泛关注。然而，现有的CBT学习方法，如传统机器学习和图神经网络（GNNs），存在以下局限性：（i）由于其黑箱特性导致可解释性差，（ii）计算成本高，（iii）仅关注结构和拓扑，忽略了生成CBT的认知能力。为解决这些挑战，我们引入mCOCO（多感官认知计算），一种利用存储器计算（RC）从血氧水平依赖（BOLD）信号学习群体级功能CBT的新型框架。RC的动态系统特性允许追踪状态随时间的变化，增强可解释性并实现类脑动力学建模，这在先前文献中已有证明。通过整合多感官输入（如文本、音频和视觉数据），mCOCO不仅能捕获结构和拓扑，还能捕捉大脑区域如何处理信息并适应感官处理等认知任务，且计算效率高。我们的mCOCO框架包括两个阶段：（1）将BOLD信号映射到存储器以推导个体功能连接组，然后聚合为群体级CBT——据我们所知，这种方法在功能连接研究中尚未探索过；（2）通过认知存储器整合多感官输入，赋予CBT认知特征。广泛评估表明，基于mCOCO的模板在中心性、区分度、拓扑合理性以及多感官记忆保留方面显著优于基于GNN的CBT。我们的源代码可在https://github.com/basiralab/mCOCO获取。
Keyword:
Reservoir Computing
Connectional Brain Template
Cognitive capacity
期刊
机构
引用论文
分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型
OAAI
OAAI分享收藏Predicting the evolution trajectory of population-driven connectional brain templates using recurrent multigraph neural networks.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏分享收藏
查看更多内容