跨多个 fMRI 研究学习人类认知的神经表征
机器学习
2019-05-16 v2 机器学习
神经元与认知
摘要
认知神经科学正快速增加大量公开脑成像数据集。这为大规模统计模型打开了大门。为所有可用数据找到统一视角，需要可扩展且自动化的方案来解决一个旧有挑战：如何将关于脑功能的异质信息聚合为一个通用的认知系统，将心理操作/认知过程/心理任务与脑网络关联起来？我们将此挑战置于一种机器学习方法中，以跨不同研究从统计脑图预测条件。为此，我们利用多任务学习与多尺度降维来学习携带认知信息且能稳健关联心理刺激的脑图像低维表征。我们的多数据集分类模型在多个大型参考数据集上取得了最佳预测性能，相较于无认知感知低维表征的模型，它为小数据集分析带来显著性能提升，且可被内省以识别通用模板认知概念。
引用
@article{arxiv.1710.11438,
title = {Learning Neural Representations of Human Cognition across Many fMRI Studies},
author = {Arthur Mensch and Julien Mairal and Danilo Bzdok and Bertrand Thirion and Gaël Varoquaux},
journal= {arXiv preprint arXiv:1710.11438},
year = {2019}
}
备注
Advances in Neural Information Processing Systems, Dec 2017, Long Beach, United States. 2017