Interpretable Decoding of Frequency-Resolved Functional Connectivity

人类大脑是一个由数十亿个细胞组成的庞大网络，它们不断地进行长距离信号交换，以协调思维、运动和感觉。为了理解这种通信是如何运作的，科学家经常研究功能连接性，这本质上是关于大脑不同区域如何相互交流的一张图谱。当研究人员使用脑磁图（MEG）测量这些活动时，他们捕捉的是大脑中电流产生的磁场。这项技术使他们能够实时观察这些连接，并根据信号传输的速度或频率进行分解。由于这些通信模式会随着年龄的增长而变化，并随不同的脑部状况而改变，因此找到一种可靠的读取方式可以帮助医生识别神经系统疾病的早期征兆，或追踪一个人大脑的发育情况。

最近，一个研究小组致力于解决解码这些复杂模式以预测特定大脑状态的挑战，他们采用了一种结合了先进计算机学习与传统分析的新方法。他们专注于来自 Cam-CAN 队列（一个著名的脑部数据集合）的 576 名健康成年人的大型群体。其目标是观察是否仅通过观察一个人的静息态大脑活动——即人在清醒但没有进行特定任务时的安静、背景性的思维杂讯——就能准确估算其年龄。为此，他们构建了一个专门的计算机程序，一个名为 FC-CNN 的深度学习框架，旨在直接从频率解析的功能连接数据中进行学习。这意味着该程序分析的是不同信号速度下脑区之间连接强度的变化，而不仅仅是观察单一的平均值。

研究人员将他们的新系统与科学家使用多年的标准方法进行了对比测试。他们将深度学习模型的表现与传统的回归技术进行了比较，后者是寻找数据点之间直线关系的统计工具。该研究检查了测量大脑通信的两种主要方式：一种基于信号振幅（即信号的响度）的大小，另一种基于相位同步（即追踪不同区域信号在时间上的对齐程度）。结果显示，深度学习模型的表现优于传统方法。此外，数据还表明，依赖信号强度（即振幅包络相关性）进行预测的效果始终优于依赖信号的时间对齐。

除了实现更高的准确性之外，研究人员还证明了他们的模型是可以被理解的，而不仅仅是一个“黑箱”。他们展示了经过训练的计算机模型的内部设置（或权重）可以通过检查来揭示哪些特定的脑活动模式对于做出正确预测最为重要。这提供了一种解释驱动结果的神经生理活动的方法，为大脑在进行这些预测时究竟在做什么提供了更清晰的视角。这项工作表明，这种方法成功地从 MEG 数据中解码了大脑状态，并有望为发现脑部疾病的预测性标志物提供助力，从而为理解人类思维的复杂机制提供一种更精确的工具。