Details

Данная работа посвящена разработке и валидации методологии долгосрочного предсказания активности головного мозга на основе методом нейлинейного снижения размерности и редуцированных моделей. Задачи, которые решались в ходе исследования: 1. Изучение методов регистрации и предобработки данных фМРТ. 2. Прменение нелинейного снижения размерности с помощью диффузионных карт для выделения низкоразмерное динамики системы. 3. Построение редуцирующих прогностических моделей на основе нейронных сетей прямого распространения и линейного оператора Купмана. 4. Решение обратной задачи для восстановления предсказанного BOLD-сигнала в исходном пространстве. 5. Сравнение качества построенных моделей на тестовом периоде и интерпретация результатов. Работа проведена с использованием открытого набора данных фМРТ (эксперимент по визуальному вниманию, 111 областей интереса, 360 временных отсчетов). В ходе работы были проведены вычислительные эксперименты, демонстрирующие способность моделей осуществлять итеративный прогноз на 80 шагов вперед. Анализ показал, что диффузионные карты выступают в роли нелинейного фильтра низких частот, отсекающего высокочастотный шум. В результате была разработана методология анализа данных. Эффективность подходов доказана расчетом метрик ошибок. Установлено, что оператор Купмана обеспечивает наилучший баланс точности и интерпретируемости для регулярных процессов в зрительных зонах, в то время как нейросеть эффективнее улавливает сложные локальные нелинейности. Для достижения данных результатов в работе были использованы следующие информационные технологии: язык программирования Python, библиотеки численного анализа и машинного обучения (NumPy, SciPy, nilear, nibabel, среда разрабоотки Spyder).

The given work is devoted to the development and validation of a methodology for long-term prediction of brain activity based on nonlinear dimensionality reduction and reduced-order dynamic models. The research set the following goals: 1. Studying methods of registration and processing of fMRI data. 2. Application of nonlinear dimensionality reduction using diffusion maps to extract low-dimensional dynamics. 3. Building reduced predictive models based on feedforward neural network and Koopman operator. 4. Solving the inverse problem to reconstruct the predicted BOLD-signal in the original space. 5. Comparison of the performance of the constructed models during the test period and interpretation of the results. The work was fulfilled using an open fMRI dataset. In the course of the work, computational experiments were conducted to demonstrate the ability of the models to perform an autonomous iterative forecast 80 steps ahead. The study resulted in the development of an end-to-end data analysis pipeline. The efficiency of the approaches was proven by calculating error metrics. It was established that the Koopman operator provides the best balance of accuracy and interpretability for regular processes in visual zones, while the neural network is more efficient at capturing complex local nonlinearities. To achieve these results, the following technologies were used in the work: Python 3 programming language, NumPy, SciPy, nilear, nibabel libraries for numerical analysis and machine learning, Spyder development environment.