面向大脑认知分析的多频带谱动态图学习

《Neurocomputing》：Multi-band spectral dynamic graph learning for brain cognitive analysis

　　

摘要

基于功能磁共振成像的动态功能连接分析对于理解认知和神经退行性疾病（如阿尔茨海默病）背后的时间变化脑网络重组至关重要。然而，大多数现有的动态功能连接建模方法主要在时域中运行，依赖于静态或弱自适应的图结构，并且在频率分辨的神经动力学方面提供的可解释性有限。这些局限性阻碍了捕捉频率特异性同步、瞬时网络变化和有认知意义的脑机制的能力。在本文中，我们提出了一种统一的谱驱动的动态图学习框架，明确集成了频域信息、动态图自适应和内在可解释性，用于基于功能磁共振成像的认知状态建模。首先，基于傅里叶的图构建模块应用短时傅里叶变换将区域性血氧水平依赖信号分解为多个频段，并使用一致性度量构建多频段谱功能连接。在此基础上，我们引入了谱感知动态邻接模块，通过结构化多频段融合策略建模频率特异性和跨频段交互，生成具有生物学依据且时间自适应的邻接矩阵。接下来，谱驱动图更新模块通过注意力派生功能关系与谱连接先验之间的门控耦合动态细化谱图，实现灵活但生理上合理的网络重组。此外，多频段谱可解释性模块通过基于梯度的敏感度和互信息相关性，将模型预测联合归因于特定频段和脑区，提供了原则性可解释性。大量实验表明，所提出的框架始终优于代表性的传统机器学习、基于Transformer和图神经网络方法。此外，学到的谱空间归因提供了关于与认知下降相关的频率依赖性脑网络变化的有意义的神经科学见解。

引言

功能磁共振成像凭借其非侵入性特点以及能够捕捉反映随时间变化的神经活动的血氧水平依赖信号的能力，已成为研究大规模脑组织和认知过程的基础神经影像模态[1]、[2]。功能磁共振成像分析的核心目标是表征功能连接，特别是其动态形式，即动态功能连接，它描述了分布式脑区之间的交互如何随时间重组以支持认知、行为和疾病进展[3]。准确建模动态功能连接对于理解高级认知功能和神经退行性疾病（如阿尔茨海默病）尤为关键，在这些疾病中，大规模脑网络的破坏与特定领域的认知下降密切相关[4]、[5]。

尽管取得了实质性进展，现有的动态功能连接建模方法仍面临若干基本局限性。首先，大多数传统方法主要在时域中运行，依赖于滑动窗口相关或协方差估计。此类公式隐含地假设局部平稳性，并且常常忽视频率特异性神经同步，尽管越来越多的神经科学证据表明，不同的血氧水平依赖频段编码了异质且功能上有意义的信息[6]。其次，许多基于图或深度学习模型采用静态或弱自适应邻接结构，这限制了其捕捉瞬时和上下文依赖网络重组的能力。因此，对认知处理至关重要的细粒度时间变化和跨频率交互仍待深入探索。第三，尽管最近的图神经网络和基于Transformer的模型[7]取得了令人鼓舞的分类性能，但其可解释性往往有限。现有的可解释性技术通常仅提供事后重要性分数，而没有明确将模型决策与频率分辨的神经动力学或认知特异性的脑系统联系起来，从而限制了神经科学见解。

为应对这些挑战，本文提出了一种统一的谱驱动的动态图学习框架，用于从功能磁共振成像数据进行认知状态建模。与传统的时域动态图学习方法不同，所提出的框架在图构建、图演化以及可解释性分析的全过程中利用谱表示。具体而言，频域信息首先用于构建分频段的功能连接图，然后通过谱感知动态邻接模块纳入动态跨频段交互建模，最后由多频段谱可解释性模块用于提供对判别性脑网络的频率感知解释。因此，所提出的框架超越了简单地用谱一致性替代时间相关性的范畴，建立了一种统一的谱驱动图学习范式。这种集成以原则性的方式弥合了神经生理学见解与数据驱动学习之间的鸿沟[8]。作为第一个建模阶段，我们采用基于傅里叶的图构建模块，应用短时傅里叶变换获取频率分辨的区域表示并构建分频段谱一致性图。

在此谱基础之上，所提出的框架引入了三项关键创新。

• •
  谱感知动态邻接通过构建编码脑区之间跨谱关系的邻接矩阵，显式建模频率特异性功能交互，从而实现频率感知的图拓扑学习。
• •
  谱驱动图更新通过残差门控谱耦合和节点级注意力自适应地在时间维度上细化谱图，允许在具有生物学依据的谱流形约束下进行动态图演化，同时保持瞬时功能适应性。
• •
  多频段谱可解释性通过基于梯度的敏感度和互信息相关性，将模型预测联合归因于频段和脑区，提供了内在可解释的监督。

章节摘要

基于功能磁共振成像的脑网络分析

早期的功能磁共振成像分析研究主要依赖于质量单变量统计检验，以识别不同认知状态下体素级的激活差异[9]。虽然对于局部激活检测有效，但此类方法无法捕捉支撑复杂认知功能的分布式和重叠神经模式。为解决此局限性，引入了多变量模式分析方法以解码跨区域的联合激活模式[10]。然而，多变量模式分析

方法

所提出的框架遵循严格顺序的谱图学习流水线。基于傅里叶的图构建模块首先将区域性血氧水平依赖时间序列转换为分频段一致性图集合$$。谱感知动态邻接模块随后学习频率特异性加权及跨频段交互，以构建动态谱邻接$$。最后，谱驱动图更新模块以$$作为其谱连接先验，并将其与特征依赖的自注意力相结合以生成更新后的图$$。因此，计算依赖关系明确定义为

数据集与数据预处理

数据采集：本研究使用了阿尔茨海默病神经影像倡议的结构和功能影像数据，可公开访问于http://adni.loni.usc.edu/。共纳入来自阿尔茨海默病神经影像倡议二期和三期计划的589名受试者，包括198名确诊为阿尔茨海默病的患者、195名健康对照和196名轻度认知障碍个体。健康对照组包括95名男性和100名女性，平均年龄为72.41岁，而阿尔茨海默病组

结论

在本工作中，我们提出了一种统一的谱图学习框架，用于从功能磁共振成像数据进行认知功能建模，该框架明确集成了频域表示、动态图自适应和原则性可解释性。通过引入基于傅里叶的图构建模块，所提出的方法超越了传统的时域连接建模，捕捉了反映具有生理意义的神经同步的多频段谱一致性。谱感知动态邻接模块随后

CRediT作者贡献声明

谢瑞伟：撰写–审阅与编辑，撰写–初稿，项目管理，方法论，数据整理。曾安：撰写–审阅与编辑，资源，形式分析，概念化。潘丹：撰写–审阅与编辑，概念化。赵玉清：撰写–审阅与编辑，可视化，监督。

利益冲突声明

作者声明，他们没有任何已知的 competing financial interests 或个人关系可能影响本文所报告的工作。

谢瑞伟获得东莞理工学院学士学位和广东工业大学硕士学位，目前正在计算机科学学院攻读博士学位。他的研究兴趣包括计算机视觉、3D医学图像处理、深度学习和人工智能辅助神经退行性疾病诊断。

谢瑞伟|曾安|潘丹|赵玉清