一种用于基于 fMRI 推断脑状态的监督聚类方法
计算机视觉与模式识别
2011-04-29 v1
摘要
我们提出一种方法，结合功能磁共振成像（fMRI）中观测到的多个脑区信号，以预测受试者在扫描过程中的行为。此类预测受限于标准 fMRI 数据集体素网格上采样的脑区数量巨大，即维度灾难。因此需要降维，但降维通常通过单变量特征选择程序进行，该程序既不处理图像的空间结构，也不处理信号的多变量特性。通过引入包含连接性约束的脑体积层次聚类，我们将可能的空间构型范围缩减为一棵针对信号定制的嵌套区域单树。随后，我们在监督设置下对该树进行剪枝（因此称为监督聚类），以提取一个分区（体积划分），使得基于分区的信号平均值能最佳地预测目标信息。降维由此通过特征聚合实现，而构建的特征现在提供了信号的多尺度表示。在模拟和真实数据上与参考方法的比较表明，我们的方法比标准的基于体素的方法具有更高的预测精度。此外，该方法还能推断出回归或分类任务中所涉及区域的显式权重。
引用
@article{arxiv.1104.5304,
title = {A supervised clustering approach for fMRI-based inference of brain states},
author = {Vincent Michel and Alexandre Gramfort and Gaël Varoquaux and Evelyn Eger and Christine Keribin and Bertrand Thirion},
journal= {arXiv preprint arXiv:1104.5304},
year = {2011}
}