具有判别特征可视化的深度语义架构用于神经影像分析
神经元与认知
2018-07-03 v2 人工智能
定量方法
摘要
神经影像数据分析通常涉及对数据特征的先验选择以研究潜在的神经活动。由于这可能导致次优的特征选择从而妨碍对神经活动中细微模式的检测，数据驱动方法近来在优化神经影像数据分析流程并进而增进我们对神经机制的理解方面日益受到青睐。在此背景下，我们开发了一种深度卷积架构，能够识别神经影像数据中的判别模式，并将其应用于从 25 名受试者在休息期或一次运动前后执行手部运动任务所采集的脑电图（EEG）记录。该深度网络被训练用于根据 EEG 信号的差异将受试者分类为运动组和对照组。随后，我们开发了一种称为类激活图线索组合（ccCAM）的新方法，使我们能够在确定频带（23–33 Hz）内识别判别性的时空特征，并评估运动对大脑的影响。此外，据我们所知，所提出的架构首次实现了对两组之间皮层上潜在神经活动传播差异的可视化。我们的结果表明，在不同情境下使用深度网络架构进行神经影像分析是可行的，例如用于识别稳健的脑生物标志物，以更好地表征并潜在地治疗神经系统疾病。
引用
@article{arxiv.1805.11704,
title = {Deep Semantic Architecture with discriminative feature visualization for neuroimage analysis},
author = {Arna Ghosh and Fabien dal Maso and Marc Roig and Georgios D Mitsis and Marie-Hélène Boudrias},
journal= {arXiv preprint arXiv:1805.11704},
year = {2018}
}