基于 fMRI 时间序列分类的深度学习归纳偏置研究
神经元与认知
2025-09-23 v1 机器学习
摘要
深度学习已推动 fMRI 分析，但仍不清楚哪些建构性归纳偏置在捕获人脑活动功能模式方面最有效。这一问题在小样本设置中尤为重要，因为大多数数据集都落入此类别。我们在生物性别分类任务中比较了三种主要归纳偏置：卷积神经网络（CNN）、长短期记忆网络（LSTM）和 Transformer。我们在统一的管道中评估这些模型，使用来自 Human Connectome Project（HCP）7-Tesla 队列的分割后的多变量 fMRI 时间序列数据，包括四个休息状态运行和四个观看电影任务运行。我们在 Whole-brain、子脑和 12 个功能网络上评估性能。结果表明，CNN 在休息状态和观看电影两种情况下都实现了最高的性别分类鉴别度，而 LSTM 和 Transformer 模型的表现不佳。网络解析分析表明，Whole-brain、默认模式、睡状节核-运动区、背侧注意和前额叶运动区网络最具辨识度。这两种结果在休息状态和观看电影之间基本相似。我们的发现表明，在该数据集大小下，辨识信息由局部空间模式和区域间依赖性携带，偏好卷积归纳偏置。我们的研究为选择 fMRI 时间序列分类的深度学习架构提供了见解。
关键词
引用
@article{arxiv.2509.16973,
title = {Deep Learning Inductive Biases for fMRI Time Series Classification during Resting-state and Movie-watching},
author = {Behdad Khodabandehloo and Reza Rajimehr},
journal= {arXiv preprint arXiv:2509.16973},
year = {2025}
}