Healthy Brain Network
PulseAugur coverage of Healthy Brain Network — every cluster mentioning Healthy Brain Network across labs, papers, and developer communities, ranked by signal.
-
新的脑电图解码方法使用事件时间后验模型进行反应时间预测
研究人员开发了一种从脑电图（EEG）数据解码反应时间的新方法，将问题重新表述为事件时间后验建模。该模型不直接预测标量反应时间，而是估计响应相关事件时间的后验分布。这种方法将行为潜伏期视为潜在计时动态的弱观测。该方法在健康大脑网络对比变化检测任务上进行了评估，与传统的标量回归和时间读出控制相比，在多个种子和模型架构上始终提高了反应时间预测的准确性。
-
新型STST-JEPA模型推动脑电图自监督学习在脑龄预测方面的进展
研究人员开发了STST-JEPA，这是一种新颖的、专为脑电图（EEG）数据设计的自监督Transformer架构。该模型在超过47,000次脑电图会话的大型数据集上进行了预训练，旨在改进脑龄预测和其他神经学分析。STST-JEPA架构包含一个潜在预测目标和一个辅助信号重建项，以处理脑电图数据的复杂性，如跨站点变异和受试者特异性非平稳性。初步结果显示，年龄回归的平均绝对误差为3.06年，在性别分类和精神病理学回归基准测试中表现具有竞争力。
-
新的脑电图框架在精神病理学预测方面显示出潜力
研究人员开发了一个新的框架，用于分析脑电图（EEG）数据以预测精神病理学的维度。该框架将多尺度EEG特征组织为全局、区域和通道级别。在健康大脑网络（HBN）队列上进行测试时，与传统方法相比，粒度感知特征选择和基于树的模型在预测精神病理学维度方面显示出适度的改进。对PEARL队列的探索性检查表明，该选择原则在不同协议下具有技术可行性。
-
新的ICQF方法增强了精神病理学因素的可解释性
研究人员开发了一种名为可解释约束问卷因子分解（ICQF）的新方法，以更好地分析临床问卷数据。这种非负矩阵分解技术旨在提高与精神病理学相关的已识别潜在因素的可解释性和稳定性。根据在合成和真实世界临床数据上的验证，ICQF在保留诊断信息和优于其他方法方面表现出有效性，尤其是在较小的数据集上。