Spatiotemporal Learning of Brain Dynamics from fMRI Using Frequency-Specific Multi-Band Attention for Cognitive and Psychiatric Applications
作者: Sangyoon Bae, Junbeom Kwon, Shinjae Yoo, Jiook Cha
分类: q-bio.NC, cs.AI
发布日期: 2025-03-30 (更新: 2025-06-17)
💡 一句话要点
提出MBBN模型，利用频率特异性多频带注意力学习fMRI脑动态，用于认知和精神疾病预测。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: fMRI 脑动态 频率特异性 多频带注意力 Transformer 精神疾病预测 认知功能 深度学习
📋 核心要点
- 传统神经影像分析方法假设线性和平稳性，无法捕捉大脑频率特异性的神经计算，限制了对认知功能和精神疾病的理解。
- MBBN模型结合了频率分解和多频带自注意力机制，显式建模fMRI数据中的频率特异性时空脑动态，从而发现更细粒度的网络交互。
- MBBN在预测抑郁症、ADHD和ASD等精神疾病和认知能力方面取得了显著提升，AUROC最高提升52.5%，并揭示了疾病特异性的脑连接模式。
📝 摘要（中文）
理解大脑复杂非线性动力学如何产生认知功能是神经科学的核心挑战。大脑功能动力学在时间尺度上表现出无标度和多重分形特性，而传统神经影像分析假设线性和平稳性，无法捕捉频率特异性神经计算。本文提出了多频带脑网络（MBBN），这是第一个基于Transformer的框架，用于显式建模来自fMRI的频率特异性时空脑动态。MBBN将生物学基础的频率分解与多频带自注意力机制相结合，能够发现以前无法检测到的频率依赖性网络交互。在三个大型队列（UK Biobank、ABCD、ABIDE）的49,673人身上训练后，MBBN在预测精神和认知结果（抑郁症、ADHD、ASD）方面达到了新的最先进水平，在分类任务中表现出特别的优势，AUROC提高了高达52.5％，并为预测认知智能评分提供了一个新的框架。频率分辨分析揭示了疾病特异性特征：在ADHD中，高频额叶-感觉运动连接减弱，操作性体感节点成为动态枢纽；在ASD中，眶额-体感回路显示出局灶性高频中断，同时颞顶联合和前额叶皮层之间的超低频耦合增强。通过将尺度感知神经动力学与深度学习相结合，MBBN提供了更准确和可解释的生物标志物，为精准精神病学和发展神经科学开辟了道路。
🔬 方法详解
问题定义：论文旨在解决传统fMRI分析方法无法有效捕捉大脑中频率特异性神经动力学的问题。现有方法通常假设线性和平稳性，忽略了大脑活动在不同频率上的复杂交互，导致对认知功能和精神疾病的理解不够深入。
核心思路：论文的核心思路是将fMRI数据分解为不同的频率带，并利用Transformer架构中的多频带自注意力机制，学习不同频率带之间的时空依赖关系。这种方法能够捕捉频率特异性的脑网络交互，从而更准确地预测认知和精神疾病。
技术框架：MBBN模型的整体框架包括以下几个主要模块：1) 频率分解：将fMRI数据分解为不同的频率带，例如低频、高频等。2) 多频带自注意力：利用Transformer架构中的自注意力机制，学习每个频率带内的时空依赖关系，以及不同频率带之间的交互。3) 预测模块：根据学习到的频率特异性脑动态，预测认知能力或精神疾病的诊断结果。
关键创新：MBBN模型最重要的技术创新点在于其频率特异性的多频带自注意力机制。与传统的Transformer模型不同，MBBN能够显式地建模不同频率带之间的交互，从而捕捉更细粒度的脑网络动态。这种方法能够发现以前无法检测到的频率依赖性网络交互，为理解大脑功能和精神疾病提供了新的视角。
关键设计：MBBN模型的关键设计包括：1) 频率带的选择：论文中选择了多个具有生物学意义的频率带，例如delta、theta、alpha、beta和gamma频带。2) 自注意力机制的实现：论文中使用了多头自注意力机制，以捕捉不同类型的频率带交互。3) 损失函数的设计：论文中使用了交叉熵损失函数，以优化模型的分类性能。
🖼️ 关键图片
📊 实验亮点
MBBN模型在三个大型队列（UK Biobank、ABCD、ABIDE）上进行了验证，并在预测抑郁症、ADHD和ASD等精神疾病方面取得了显著的性能提升。在分类任务中，MBBN的AUROC最高提升了52.5%，表明其能够更准确地识别患者。此外，频率分辨分析揭示了疾病特异性的脑连接模式，例如ADHD患者高频额叶-感觉运动连接减弱，ASD患者眶额-体感回路高频中断。
🎯 应用场景
MBBN模型具有广泛的应用前景，可用于精准精神病学和发展神经科学。通过分析频率特异性的脑动态，可以更准确地诊断和预测精神疾病，并为个性化治疗提供依据。此外，该模型还可以用于研究大脑发育过程中的脑网络变化，从而深入理解认知功能的形成和发展。
📄 摘要（原文）
Understanding how the brain's complex nonlinear dynamics give rise to cognitive function remains a central challenge in neuroscience. While brain functional dynamics exhibits scale-free and multifractal properties across temporal scales, conventional neuroimaging analytics assume linearity and stationarity, failing to capture frequency-specific neural computations. Here, we introduce Multi-Band Brain Net (MBBN), the first transformer-based framework to explicitly model frequency-specific spatiotemporal brain dynamics from fMRI. MBBN integrates biologically-grounded frequency decomposition with multi-band self-attention mechanisms, enabling discovery of previously undetectable frequency-dependent network interactions. Trained on 49,673 individuals across three large-scale cohorts (UK Biobank, ABCD, ABIDE), MBBN sets a new state-of-the-art in predicting psychiatric and cognitive outcomes (depression, ADHD, ASD), showing particular strength in classification tasks with up to 52.5\% higher AUROC and provides a novel framework for predicting cognitive intelligence scores. Frequency-resolved analyses uncover disorder-specific signatures: in ADHD, high-frequency fronto-sensorimotor connectivity is attenuated and opercular somatosensory nodes emerge as dynamic hubs; in ASD, orbitofrontal-somatosensory circuits show focal high-frequency disruption together with enhanced ultra-low-frequency coupling between the temporo-parietal junction and prefrontal cortex. By integrating scale-aware neural dynamics with deep learning, MBBN delivers more accurate and interpretable biomarkers, opening avenues for precision psychiatry and developmental neuroscience.