Új AI-módszerrel szimulálják az agyi aktivitást — wavelet és DCT transzformációkkal

Az agyi aktivitás mérésére használt funkcionális mágneses rezonancia képalkotás (fMRI) adatigényes, ami korlátozza a magas felbontású minták elérhetőségét. Az új Dual-Spectral Flow Matching (DSFM) keretrendszer wavelet-alapú transzformációt és spektrális áramlási illesztést használ a valósághűbb fMRI adatok szintézisére, közölte a kutatócsoport.

A DSFM a vér oxigénszint-függő (BOLD) jeleket diszkrét wavelet transzformációval (DWT) alakítja át, hogy megragadja a globális és multi-skálájú változásokat. Ezt követően a diszkrét koszinusz transzformáció (DCT) térbe vetíti az agyi régiók és az időbeli adatokat, kihasználva az alacsony frekvenciájú BOLD-együtthatók lokális energiakoncentrációját.

Kapcsolódó: EEG-dekódolás

A szimuláció színpadán

A spektrális áramlási illesztőmodellt osztály-kondicionált koszinusz-frekvencia reprezentáció generálására tanítják. Az így előállított mintákat inverz DCT és inverz DWT műveletekkel rekonstruálják, hogy visszaállítsák a fiziológiailag plausibilis, időtartománybeli BOLD-jeleket.

Kapcsolódó: Agyi szerkezeti változások

Az agy zenei mintái

Ez a kettős transzformációs megközelítés strukturált frekvenciapriort alkalmaz, és megőrzi a kulcsfontosságú fiziológiai agyi dinamikákat. A kutatók a GitHubon tették közzé a kódot, amely a https://github.com/htew0001/DSFM.git címen érhető el.

Kapcsolódó: MRI-adat elemzés

A módszer hatékonyságát a downstream fMRI-alapú agyi hálózati osztályozás javulásán keresztül demonstrálták. A DSFM a korábbi generatív modellekkel szemben képes reprodukálni a fMRI adatok inherent nem-állandóságát, bonyolult téridőbeli dinamikáját és fiziológiai variációit, 2024. márciusban tesztelve a DSFM keretrendszert a Harvard Egyetem kutatócsoportjával.

Kapcsolódó: EEG-jel tisztítás