基于深度学习的人脑任务状态解码与映射
神经元与认知
2019-12-17 v3
摘要
基于支持向量机（SVM）的多变量模式分析（MVPA）在基于人脑功能磁共振成像（fMRI）解码特定任务状态方面已展现出良好性能。传统上，SVM-MVPA 需要根据专家知识仔细进行特征选择/提取。在本研究中，我们提出一种深度神经网络（DNN），可直接从脑 fMRI 信号解码多种脑任务状态，而无需任何手工特征设计的负担。我们使用来自人类连接组计划 S1200 数据集（N=1034）的任务 fMRI 数据训练并测试该 DNN 分类器。在验证其性能的测试中，所提出的分类方法以 93.7% 的平均准确率识别出七项任务。我们还展示了 DNN 对小型数据集（N=43）迁移学习的普遍适用性，这是典型神经科学研究中遇到的情况。所提方法在工作记忆任务和动作分类任务上分别达到 89.0% 和 94.7% 的平均准确率，高于 SVM-MVPA 取得的 69.2% 和 68.6%。网络可视化分析表明，DNN 自动检测出来自与各任务相关脑区的特征。在无需承受手工设计特征负担的情况下，所提出的深度解码方法能高精度地对脑任务状态分类，是 fMRI 研究者的有力工具。
引用
@article{arxiv.1801.09858,
title = {Decoding and mapping task states of the human brain via deep learning},
author = {Xiaoxiao Wang and Xiao Liang and Zhoufan Jiang and Benedictor Alexander Nguchu and Yawen Zhou and Yanming Wang and Huijuan Wang and Yu Li and Yuying Zhu and Feng Wu and Jia-Hong Gao and Benching Qiu},
journal= {arXiv preprint arXiv:1801.09858},
year = {2019}
}
备注
27 pages, 8 figures, 4 table