布法罗大学的一名神经影像研究人员开发了一种人类大脑的计算机模型，该模型比现有方法更真实地模拟了实际的大脑损伤模式。这项进步代表了两种建立数字模拟环境的方法的结合，该数字模拟环境可以作为特定神经损伤假设的试验场，从而帮助中风受害者和其他脑损伤患者。 UB艺术与科学学院的心理学助理教授克里斯托弗·麦克诺根说：“这种模型与大脑的功能连接精确地联系在一起，并能够证明认知障碍的现实模式。由于该模型反映了大脑的连接方式，因此我们可以以提供洞察力的方式来操纵它。例如，深入研究可能受损的患者大脑区域。 这些发现为识别和理解大脑网络及其功能提供了强有力的手段，这可能导致曾经无法实现的发现和理解的可能性。 相关结果发表在《Neuroimage》杂志上。 解释McNorgan的模型首先要研究其设计的两个基本组成部分：功能连接性和多元模式分析（MVPA）。 多年以来，传统的基于脑的模型一直依赖于一般的线性方法。这种方法检查大脑中的每个部位，以及这些部位对刺激的反应。这种方法用于功能连接的传统研究中，该研究依赖于功能磁共振成像（fMRI）来探索大脑的连接方式。线性模型假定两个事物之间存在直接关系。 尽管线性模型擅长识别在某些条件下哪些区域处于活动状态，但它们通常无法检测到多个区域之间潜在存在的复杂关系。MVPA，一种“可教学”的机器学习技术，可以在更全面的水平上进行操作，以评估大脑各个区域的活动方式。 MVPA是非线性的。例如，假设有一组神经元专用于识别停车标志的含义。当我们看到红色或八边形时，这些神经元不活跃，因为在红色与停止符号之间，或者在八角形与成为八角形之间没有一对一的线性映射。McNorgan解释说：“非线性响应可确保当我们看到既是红色又是八边形的物体时，它们确实会亮起。”因此，诸如MVPA之类的非线性方法一直是所谓“深度学习”方法的核心。” 就其本身而言，传统的功能连接和MVPA方法都有局限性，并且将每种方法产生的结果进行整合需要脑研究人员为弄清楚证据而付出大量的努力和专业知识。 “我的职业经历使我能够广泛地使用不同的理论模型。这种背景提供了一组特殊的经验，使这种结合在事后看来很明显。” 资讯出处：Brain model offers new insights into damage caused by stroke and other injuries 原始出处：Chris McNorgan, Gregory J. Smith, Erica S. Edwards. Integrating functional connectivity and MVPA through a multiple constraint network analysis.NeuroImage, 2020; 208: 116412 DOI: 10.1016/j.neuroimage.2019.116412
但是，如果将两者结合起来，局限性便会相互制约。McNorgan是第一位成功整合功能连接性和MVPA的研究人员，从而开发出一种机器学习模型，该模型明确地植根于大脑区域之间的真实功能连接。换句话说，相互制约的结果是一个自我组装的难题。
来源链接：http://news.bioon.com/article/6749187.html
