用于青少年脑龄预测的多模态稀疏分类器
机器学习
2019-04-03 v1 神经与进化计算
神经元与认知
机器学习
摘要
对健康脑发育的研究有助于更好地理解从童年到成年期间发生的脑转变与脑连接模式。本研究提出了一种稀疏机器学习方案，针对来自静息态功能磁共振成像（rs-fMRI）和任务态fMRI数据的三组数据（包括工作记忆n-back任务（nb-fMRI）与情绪识别任务（em-fMRI））所导出的全脑功能连接（FC）度量。这些多模态图像数据收集自费城神经发育队列（PNC）中的青少年样本，用于预测脑龄。由于PNC数据的变量-样本比极高，会生成具有若干不相关且高度相关特征的高维矩阵，因此需要一种模式学习方法来提取显著特征。我们提出了一种基于极端学习机（ELM）神经网络在估计逆问题过程中的残差误差的稀疏学习器。该方法旨在通过剪除若干冗余特征及其对应输出权重来克服过学习问题。所提出的基于残差误差的多模态稀疏ELM分类器（RES-ELM）在分类精度上与传统ELM、稀疏贝叶斯学习ELM等同类方法相比极具竞争力。
引用
@article{arxiv.1904.01070,
title = {Multimodal Sparse Classifier for Adolescent Brain Age Prediction},
author = {Peyman Hosseinzadeh Kassani and Alexej Gossmann and Yu-Ping Wang},
journal= {arXiv preprint arXiv:1904.01070},
year = {2019}
}