用于多被试 fMRI 数据对齐的监督超对齐
机器学习
2020-01-10 v1 机器学习
神经元与认知
摘要
超对齐(Hyperalignment, HA)已广泛应用于多变量模式(MVP)分析中,以基于多被试功能磁共振成像(fMRI)数据集发现人脑中的认知状态。现有大多数 HA 方法采用无监督方法,仅最大化时间序列中相同位置体素之间的相关性。然而,这些无监督方案对于处理监督 MVP 问题中的功能对齐可能并非最优。本文提出一种监督超对齐(SHA)方法,以确保更好的 MVP 分析功能对齐;该方法提供一个监督共享空间,可最大化同类刺激之间的相关性,并最小化不同类别刺激之间的相关性。此外,SHA 采用广义优化方案,在单次迭代中生成共享空间并计算映射特征,因而对大型数据集具有最优的时间和空间复杂度。在多被试数据集上的实验表明,SHA 方法在多类问题上比最先进的 HA 算法性能提升高达 19%。
引用
@article{arxiv.2001.02894,
title = {Supervised Hyperalignment for multi-subject fMRI data alignment},
author = {Muhammad Yousefnezhad and Alessandro Selvitella and Liangxiu Han and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2001.02894},
year = {2020}
}
备注
IEEE Transactions on Cognitive and Developmental Systems