Deep Learning for Cognitive Task Presence Prediction from Dynamic Functional Connectivity
Notice bibliographique
Résumé
Abstract Dynamic functional connectivity (dFC) studies the time-varying coordination between brain regions measured with fMRI and is a potential biomarker for understanding cognitive dynamics and tracking the development of neurological disorders. However, a critical methodological challenge lies in the variability of dFC estimates across different dFC assessment methods, raising concerns about the reliability and interpretation of downstream findings. While deep learning (DL) models have demonstrated the ability to capture traditionally inaccessible data patterns in many disciplines, they encounter challenges when applied to neuroimaging data. For instance, the high dimensionality, noise, and temporal complexity inherent in dFC makes it challenging for DL models to extract meaningful and interpretable insights. In this study, we investigated how DL architectures can be developed and adapted to predict task presence over time from task-based dFC data, and additionally, how the choice of dFC assessment method influences the predictive performance of DL models. We developed and compared a convolutional neural network (CNN), a node-level classification graph convolutional network (GCN), and a graph-level classification GCN based on their ability to predict time points at which subjects were performing a cognitive task or at rest. In our study, the results indicate that both DL model architecture and dFC estimation methodology significantly impact task presence prediction capacity, while the specific task paradigm had minimal influence out of the limited types that were explored. This work offers a powerful benchmark for understanding the dynamics of underlying task-driven cognitive state transitions and the analytical flexibility limitations of dFC estimation methods and DL architectures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».