基于社区结构优化的脑电图挖掘方法

《IEEE Transactions on Artificial Intelligence》：Community-Structure Enhanced Brain Graph Mining

脑图分析中社区结构增强框架通过共享身份向量整合神经科学先验知识，利用注意力机制提升疾病诊断可解释性，实验验证其在三个数据集上的有效性。

　　

影响声明：

利用脑图分析进行脑部疾病诊断已显示出良好的效果。然而，现有方法往往忽视了这样一个事实：脑图中的每个节点都……显示更多

摘要：

脑神经成像技术在诊断脑部疾病方面变得越来越重要，从神经成像数据构建的脑图为了解人脑的属性提供了关键见解。尽管基于功能连接性的脑图构建方法在诊断任务中已被证明是有效的，但它们通常未能结合神经科学的先验知识，例如存在控制大脑功能各个方面的不同功能模块。在这项工作中，我们将这些功能模块定义为不同的脑图社区，并提出了一个增强社区结构的脑图挖掘框架。具体来说，我们设计了受社区约束的节点身份向量作为节点特征的一部分，以在模型优化过程中自适应地捕捉社区结构，从而适应下游任务的需求。重要的是，由于具有相同疾病的受试者之间存在共同的社区变化，这些身份向量在特定脑部疾病诊断任务的所有受试者之间是共享的。此外，为了提高模型的可解释性，我们仅从身份向量生成注意力分数，使模型能够持续关注与特定疾病相关的特定脑区和社区。最后，我们在三个真实世界的数据集上进行了广泛的实验。分析结果证明了我们方法的有效性，并为识别与相应脑部疾病相关的生物标志物提供了有价值的见解。

引言

大脑网络是一种复杂的图状结构，能够捕捉不同脑区之间的复杂功能连接。在可用的多种神经成像技术中，功能性磁共振成像（fMRI）是构建此类网络最常用的方法之一，其中感兴趣的区域（ROIs）被视为节点，这些ROIs的血液氧水平依赖（BOLD）信号序列之间的成对相关性形成了边。由此产生的结构通常被称为脑图。鉴于脑部疾病与大脑功能连接异常之间的关联[1]、[2]，人们迫切需要能够有效分析脑图并提供有意义见解的模型。