基于多视图自编码器的多被试者脑影像功能校准

作     者：黄硕 孙亮 汪美玲 张道强 HUANG Shuo;SUN Liang;WANG Meiling;ZHANG Daoqiang

作者机构：南京航空航天大学脑机智能技术教育部重点实验室南京211106 南京航空航天大学计算机科学与技术学院南京211106 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2024年第51卷第3期

页      面：141-146页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62136004,61732006,62006115,62106104) 国家重点研发计划(2018YFC2001600,2018YFC2001602) 中国博士后科学基金(2022T150320) 中国人工智能协会(CAAI)-华为MindSpore开放基金 

主　　题：功能磁共振成像 功能校准 多视图表示学习 多被试分析 脑解码 

摘      要：功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)研究面临的主要挑战之一是不同被试者fMRI数据的异质性。一方面,多被试数据分析对于确定所生成结果跨被试的通用性和有效性至关重要。另一方面,分析多被试者fMRI数据需要在不同被试者的神经活动之间进行准确的解剖和功能校准,以提升最终结果的性能。然而,现有大多数功能校准研究都采用浅层模型来处理多被试者间的复杂关系,这严重束缚了多被试信息的建模能力。为此,提出了一种基于多视图自编码器的功能校准(Multi-view Auto-encoder Functional Alignment,MAFA)方法。具体地,该方法通过重构不同被试者的响应空间来学习节点嵌入,捕获不同被试者之间共享的特征表示,从而创建一个公共的响应空间。此外,通过引入自训练聚类目标,利用高置信度节点作为软标签来监督图聚类过程。在4个数据集上的实验结果表明,相比其他多被试者脑影像功能校准方法,所提方法在解码精度方面取得了最佳效果。