fMRI 大数据的深度学习：一种受试者迁移解码的新方法
机器学习
2015-02-03 v1 机器学习
神经元与认知
摘要
作为从可测量脑活动中读取脑状态的技术，脑解码在工业和医学科学中得到了广泛应用。尽管这些应用对可同时适用于所有个体的通用解码器有很高需求，但个体间脑活动的巨大差异限制了许多研究的范围，使其仅限于开发特定个体的解码器。在本研究中，我们使用深度神经网络（DNN，一种非线性分层模型）构建了一种受试者迁移解码器。我们的解码器是首个成功的基于 DNN 的受试者迁移解码器。当应用于大规模功能磁共振成像（fMRI）数据库时，我们的基于 DNN 的解码器取得了比包括支持向量机（SVM）在内的其他基线方法更高的解码准确率。为了分析该解码器获得的知识，我们将主敏感性分析（PSA）应用于该解码器，并可视化了数据集中所有受试者共有的判别特征。我们的 PSA 成功可视化了有助于训练后解码器受试者迁移能力的受试者无关特征。
引用
@article{arxiv.1502.00093,
title = {Deep learning of fMRI big data: a novel approach to subject-transfer decoding},
author = {Sotetsu Koyamada and Yumi Shikauchi and Ken Nakae and Masanori Koyama and Shin Ishii},
journal= {arXiv preprint arXiv:1502.00093},
year = {2015}
}