用于分析多站点fMRI数据的共享空间迁移学习
机器学习
2020-10-30 v1 人工智能
图像与视频处理
泛函分析
神经元与认知
摘要
多体素模式分析（MVPA）从基于任务的functional magnetic resonance imaging (fMRI)数据中学习预测模型，以区分受试者执行不同认知任务（例如观看电影或做决策）时的状态。MVPA在特征集设计良好且样本量充足时效果最佳。然而，大多数fMRI数据集噪声大、高维、收集成本高且样本量小。此外，训练一个能够分析由多站点fMRI数据集提供的同质认知任务的鲁棒、泛化预测模型还面临额外挑战。本文提出共享空间迁移学习（SSTL）作为一种新颖的迁移学习（TL）方法，可对不同站点的同质fMRI数据集进行功能对齐，从而提升每个站点的预测性能。SSTL首先为每个站点中的所有受试者提取一组共同特征，然后使用TL将这些站点特定特征映射到站点无关的共享空间，以改善MVPA的性能。SSTL使用可扩展的优化过程，对高维fMRI数据集有效。该优化过程通过使用单迭代算法提取每个站点的共同特征，并将这些站点特定的共同特征映射到站点无关的共享空间。我们评估了所提方法在不同认知任务间迁移的有效性。我们的综合实验验证了SSTL取得了优于其他最先进分析技术的性能。
引用
@article{arxiv.2010.15594,
title = {Shared Space Transfer Learning for analyzing multi-site fMRI data},
author = {Muhammad Yousefnezhad and Alessandro Selvitella and Daoqiang Zhang and Andrew J. Greenshaw and Russell Greiner},
journal= {arXiv preprint arXiv:2010.15594},
year = {2020}
}
备注
34th Conference on Neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada. The Supplementary Material: https://www.yousefnezhad.com/publications/NeurIPS2020_Paper4157_SuppMat.zip