解码功能脑网络的编码：非负矩阵分解（NMF）、独立成分分析（ICA）与稀疏编码算法的 fMRI 分类比较
神经元与认知
2016-07-05 v1 机器学习
机器学习
摘要
fMRI 中的脑网络通常使用空间独立成分分析（ICA）来识别，然而诸如稀疏编码和正性等数学约束均提供了生成脑网络的替代性生物学合理框架。非负矩阵分解（NMF）将通过强制正性来抑制负 BOLD 信号。空间稀疏编码算法（ 正则化学习和 K-SVD）将施加局部特化并抑制多任务处理，即单个体素中观察到的总活动源自有限数量的可能脑网络。我们比较了独立性、正性和稀疏性在编码任务相关脑网络时的假设；不同约束下生成的脑网络被用作基函数，以编码给定时间点的观察到的功能活动。这些编码使用机器学习进行解码，以比较算法及其假设，利用时间序列权重来预测受试者是在观看视频、听取音频提示还是处于静息状态，数据来自 51 名受试者的 304 次 fMRI 扫描。在认知活动分类方面， 正则化学习的稀疏编码算法在不同网络数量和噪声水平下始终优于 4 种 ICA 变体（p0.001）。抑制负 BOLD 信号的 NMF 算法准确率最低。在每种算法内部，使用更稀疏空间网络（包含更多零值体素）的编码具有更高的分类准确率（p0.001）。稀疏编码算法的成功可能表明，强制稀疏编码、抑制多任务处理并促进局部特化的算法可能比允许无尽局部过程（如 ICA）的算法更好地捕获底层源过程。
引用
@article{arxiv.1607.00435,
title = {Decoding the Encoding of Functional Brain Networks: an fMRI Classification Comparison of Non-negative Matrix Factorization (NMF), Independent Component Analysis (ICA), and Sparse Coding Algorithms},
author = {Jianwen Xie and Pamela K. Douglas and Ying Nian Wu and Arthur L. Brody and Ariana E. Anderson},
journal= {arXiv preprint arXiv:1607.00435},
year = {2016}
}