检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于迁移学习的脑磁图解码研究

基于迁移学习的脑磁图解码研究

作者：刘亚琳华南理工大学

学位级别：硕士

脑机接口是在人类大脑与电子设备之间建立的一种不依赖于外围神经和肌肉组织的直接的通讯和控制通道。它让人类通过脑信号同外界环境交流成为可能,让人类不需要语言或者动作而可以直接通过大脑来表达想法或操纵设备。脑磁图正迅速成为... 详细信息

脑机接口是在人类大脑与电子设备之间建立的一种不依赖于外围神经和肌肉组织的直接的通讯和控制通道。它让人类通过脑信号同外界环境交流成为可能,让人类不需要语言或者动作而可以直接通过大脑来表达想法或操纵设备。脑磁图正迅速成为不可或缺的非侵入式脑成像技术。通过使用专业的仪器,脑磁图可以检测大脑中神经元群发出的微弱磁性活动,并且只有脑磁图可以精确定位并记录这些信号比地球磁场小约十亿倍的毫秒级现象。传统的脑磁图解码算法过分依赖于训练样本的数量,以及训练样本与测试样本在相同特征空间中分布的一致性。实际应用过程中,很难满足以上条件,因此限制了不同受试者之间的训练数据或训练模型的可迁移性。本文针对上述问题,将迁移学习的思想应用于跨受试者的脑磁图解码中。通过回顾在脑解码中取得令人满意的结果的迁移学习技术,本文提出了三种跨受试者的脑磁图解码方法,具体研究内容如下:本文根据黎曼流形上的点与切空间中切向量的对应关系,在切空间中找到不同受试者脑磁图样本协方差阵特征之间相同的特征子空间进行映射,实现了基于黎曼流形学习的跨受试者脑磁图解码。本文将每个受试者视为一项任务,假设每个受试者的学习模型具有相同的结构,通过共享模型参数之间的先验分布信息,在基于贝叶斯的多任务学习框架的基础上,提出了改进的多任务学习框架。在黎曼流形学习和改进的多任务学习框架的基础上,本文提出一种联合算法,通过结合黎曼流形学习的特征提取和多任务学习框架的分类过程,实现基于特征-模型的迁移,进一步提高了跨受试者的脑磁图解码的性能。本文实验采用16个受试者在目标视觉刺激检测任务中的脑磁图数据集,验证了以上三种算法的有效性。

关键词：脑解码脑磁图迁移学习黎曼几何多任务学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力神经网络的脑状态模式识别研究

基于注意力神经网络的脑状态模式识别研究

作者：刘涛电子科技大学

学位级别：硕士

人类大脑是一种复杂的非线性时变系统,其对不同认知任务的动态响应过程组成了可被观测到的大脑活动。近年来大量的功能磁共振成像(Functional Magnetic Resonance Imaging,f MRI)研究试图从大脑活动中识别出被试所处的任务状态,这些工... 详细信息

人类大脑是一种复杂的非线性时变系统,其对不同认知任务的动态响应过程组成了可被观测到的大脑活动。近年来大量的功能磁共振成像(Functional Magnetic Resonance Imaging,f MRI)研究试图从大脑活动中识别出被试所处的任务状态,这些工作加深了我们对脑机制的理解。大脑的任务响应过程包含时间、空间以及脑区交互等多个维度,且不同层级认知任务的复杂度不同,识别难度也存在差别。然而,以往的研究往往仅从单一维度提取任务特征,并使用定长的f MRI数据识别不同的认知任务,极大地限制了模型的识别性能和应用场景。为了解决上述问题,本文提出了基于多注意力神经网络的脑状态模式识别研究,通过引入多个注意力模块提取不同维度的f MRI任务特征,通过采用动态的网络结构确定不同任务需要的数据长度。本文的主要研究内容如下:1.针对f MRI信号任务特征提取问题,本文提出了基于多注意力机制的特征提取方法,该方法利用时间注意力模块、空间注意力模块和自注意力模块用来提取与任务相关的特征。在本项研究中使用来自人类连接组计划(Human Connectome Project,HCP)1200个被试的情绪任务f MRI数据来评估所提出的模型。该研究对情绪任务的两种条件分类准确率达到99.51%。为了进一步对注意力模块的可解释性进行研究,本研究对注意力权重进行了可视化分析并对注意力模块进行了消融实验。结果表明,注意力模块可以学习到具有生物学意义的大脑表征,从而提高分类精度。2.针对任务识别所需数据长度的确定问题,本文提出了基于动态神经网络的大脑状态识别方法,通过引入动态的网络结构对识别不同样本所需的视觉长度进行确定。本项研究纳入了来自HCP数据集中6种任务(情绪、运动、语言、工作记忆、社交和关系)21种认知状态,采用1111例被试的f MRI数据来评估所提出的模型。结果显示,本研究对21种任务状态的识别准确率达到93.57%。对注意力权重的分析结果进一步证明了注意力模块的有效性。此外,本研究发现引入动态的网络结构可以有效地减少识别所需的数据长度,平均长度为6.2s时解码准确率仍可以达到91%。统计结果表明,识别所需的数据长度与任务的复杂度有关,即复杂的认知任务(社交、关系、工作记忆)比简单的认知任务(语言、情绪、运动)所需要的数据长度更长。本文在上述两个工作中利用深度学习算法构建任务态f MRI数据解码模型,从多个角度来提取任务相关的特征,然后利用这些特征来识别任务条件以及确定任务识别所需的数据长度,结果表明本文提出的模型提高了任务识别的准确率,也能够有效解码出任务识别所需数据长度,这为任务状态识别提供了两个更有效的模型,并为脑机接口系统的实现提供了基础。

关键词：脑解码注意力神经网络动态神经网络 fMRI

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

脑影像智能分析

中国科学：信息科学 2018年第5期48卷 589-602页

作者：张道强朱旗郝小可邵伟王明亮黄嘉爽黄硕南京航空航天大学计算机科学与技术学院南京211106

近年来,"脑科学计划"吸引了各国政府和公众的广泛关注.脑影像技术是研究脑科学的重要工具之一,然而由于脑影像数据所固有的高维度、多模态、异构和时变等特性,对其进行快速有效分析是当前研究的热点之一.在本文中,首先简要介绍脑影像分... 详细信息

近年来,"脑科学计划"吸引了各国政府和公众的广泛关注.脑影像技术是研究脑科学的重要工具之一,然而由于脑影像数据所固有的高维度、多模态、异构和时变等特性,对其进行快速有效分析是当前研究的热点之一.在本文中,首先简要介绍脑影像分析的基本方法,接着回顾作者及其团队近几年在多模态影像数据融合、脑网络构建及其分析、脑影像基因关联分析、脑影像校准等方面的工作,并重点介绍在脑疾病早期诊断以及脑解码领域的应用.

关键词：脑科学计划脑影像脑疾病诊断脑解码多模态

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于图的脑影像功能性校准及优化算法研究

基于图的脑影像功能性校准及优化算法研究

作者：李伟达南京航空航天大学

学位级别：硕士

随着脑成像和机器学习技术的飞速发展,研究人脑如何编码信息成为了热点研究领域,越来越多的研究人员致力于利用机器学习来帮助理解人脑的工作原理。近年来,功能磁共振成像（fMRI）成为解码人脑的一项重要技术,其高分辨率特性能最大程度... 详细信息

随着脑成像和机器学习技术的飞速发展,研究人脑如何编码信息成为了热点研究领域,越来越多的研究人员致力于利用机器学习来帮助理解人脑的工作原理。近年来,功能磁共振成像（fMRI）成为解码人脑的一项重要技术,其高分辨率特性能最大程度地捕捉到大脑某一时刻的活动信息。为了获得关于人脑的广泛性结论,汇总来自不同被试者的fMRI数据是必不可少的。而解剖结构和功能拓扑的多变性则进一步要求必须对不同的大脑活动表征空间进行校准。其中最具代表性的校准方法是功能性校准。但是,现有的功能性校准研究却存在两个亟需解决的问题:1)现有方法均是假设数据集是时序对齐的,而实际却存在大量的非时序对齐的数据集。2)刺激信号的几何结构具有一定的挖掘价值,但缺少对应的算法设计。为了填补这两研究空缺,本文将利用图嵌入技术提出两个更灵活的算法框架,从而更加有效地校准各式各样的fMRI数据集。另一方面,fMRI数据特征空间的高维度特性使得数据可能存在小样本问题,进而导致我们提出的两个优化模型均存在过拟合问题。为了解决过拟合问题,我们针对性地提出一套低维假设理论,可灵活嵌入两个提出的优化模型中。本文的主要研究工作如下:1.先前的研究假设数据集是时序对齐的,但是实际却存在大量非时序对齐的fMRI数据集。尽管非时序对齐的数据集可以通过重新排序和裁剪,或着下采样变成时序对齐的,但这将导致不可避免的信息丢失。因此,基于时序对齐的方法通常无法很好地处理非时序对齐的fMRI数据集。为了解决这种情况,我们建立了一个跨被试者的图来描述非时序对齐的fMRI数据集的内有结构,利用该图,本文进一步提出一种更加通用的框架以及高效的优化算法。实验结果证明,该方法能够更有效地处理非时序对齐的fMRI数据集。2.在许多fMRI数据集上可以构造或推断不同类别的刺激信号的几何结构,但现有方法中却没有利用这一几何信息。为了有效利用刺激信号的几何结构,本文使用图矩阵来对该信息进行编码,并借此提出更有效的基于时序对齐的功能性校准方法。3.为了实现非线性特征提取,在以上两种方案中都采用了核方法。然而,从理论分析可知,fMRI的高维度特征空间可能带来的小样本问题使得我们提出的两种优化模型容易过拟合。为了克服这一困难,本文在每个被试者的新特征空间中添加了一个低维假设,该假设等同于认为,表征空间中的有效数据应落在一个低维流形上,并围绕这一假设提出一套对应的优化理论,使得低维假设能够灵活嵌入我们提出的两套算法框架中。在实际数据集上的实验均证明了低维假设,即使面对大样本问题,能够显著提高功能性校准方法的性能。本文提出的两套基于低维假设的算法框架将扩充现有的功能性校准工具箱。其中,低维假设理论提供了一种新方案以解决小样本问题。我们的实验证实了两个算法框架能够有效解决功能性校准研究所存在的问题,并且验证了我们提出的低维假设的有效性。

关键词：脑解码功能性校准图嵌入降维核优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

脑影像表征相似性分析方法及其应用研究

脑影像表征相似性分析方法及其应用研究

作者：盛晓亮南京航空航天大学

学位级别：硕士

随着脑影像技术的蓬勃发展,基于脑影像技术的大脑神经活动模式的分析和解码,已经成为一个新的研究热点。表征相似性分析方法作为基于数据驱动的大脑表征几何结构分析的强力工具,能够充分利用fMRI数据内在的结构信息构建模型来分析大脑... 详细信息

随着脑影像技术的蓬勃发展,基于脑影像技术的大脑神经活动模式的分析和解码,已经成为一个新的研究热点。表征相似性分析方法作为基于数据驱动的大脑表征几何结构分析的强力工具,能够充分利用fMRI数据内在的结构信息构建模型来分析大脑对不同认知任务项响应的神经活动模式之间的相关性,从而更好地揭示脑认知行为和相关神经活动模式的编码机制。本文的主要工作和创新点如下:一、本文提出一种基于梯度的表征相似性分析算法,针对传统表征相似性分析方法局限于线性模型的问题,以及当数据样本数量太大时算法计算性能不高的问题。具体方法为:首先用其采集的数据得到神经活动模式信息,考虑到数据中高维特征的冗余性,在模型中引入?1正则化项,然后采用随机梯度下降算法对模型进行优化。进而通过模式特征矩阵分析不同认知任务之间在大脑表征中的相似性。最后,在脑局部区域fMRI数据集上验证提出方法的有效性。实验结果表明,提出的方法能很好的对大脑神经活动中隐藏的信息进行判别,从而分析不同认知任务之间的相似性。此外,针对现有方法缺乏对感兴趣区域的群组效应特征进行有效分析的问题,本文又出了一种基于弹性网络的梯度表征相似性分析方法,在基于梯度的表征相似性分析方法上,引入弹性网络的思想,构建基于弹性网络的梯度表征相似性分析模型框架,将其应用于脑局部结构的脑解码研究。在多被试者数据集上的实验研究证实,本文的方法在特定的感兴趣区域数据集上有较好的性能。二、由于感兴趣区域数据缺乏空间局部性,而全脑fMRI数据包含更多符合神经科学基本目标的空间位置信息,因此,本文提出了一种基于Searchlight的梯度表征相似性分析方法。该方法将基于局部区域的表征相似性分析算法推广到全脑结构数据分析中,首先使用Searchlight的思想将全脑数据分块;然后在分块的数据上使用基于梯度的表征相似性分析算法,得到该局部数据的映射特征矩阵;最后,将所有局部的映射特征矩阵融合,对不同的认知任务进行相似性的分析。该方法充分考虑了被试者大脑信息中的结构性与更多的全局信息。在实验研究中,在全脑结构fMRI数据集中验证了所提方法的可行性和鲁棒性。

关键词：脑解码功能脑影像表征相似性分析特征选择梯度优化 Searchlight

基于梯度和流形学习的超校准方法及其应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于梯度和流形学习的超校准方法及其应用研究

作者：徐同林南京航空航天大学

学位级别：硕士

目前神经科学和机器学习相结合研究人类大脑的工作机理已经成为一种重要趋势。功能性磁共振成像作为一种成像技术在人脑研究领域取得了重大进展,它通过测量神经活动获得影像数据,不仅可以帮助人们了解大脑每个区域的功能,而且可以揭示... 详细信息

目前神经科学和机器学习相结合研究人类大脑的工作机理已经成为一种重要趋势。功能性磁共振成像作为一种成像技术在人脑研究领域取得了重大进展,它通过测量神经活动获得影像数据,不仅可以帮助人们了解大脑每个区域的功能,而且可以揭示大脑每个区域的信息编码方式。目前,人们在研究神经活动的解码方面已经取得了重大的进展,然而多被试者fMRI数据的功能校准仍然是长期存在的重要挑战之一。多被试者fMRI数据的典型特点是大样本、高维和非线性,此外由于不同被试者之间大脑生理结构和功能结构的差异性导致在进行分类分析之前必须对数据进行生理结构校准和功能校准。针对这些特点,恰当的功能校准方法和良好的特征选择算法是解决问题的有效途径。本文据此提出两种不同的功能校准算法解决上述问题,主要贡献可概括如下:1.针对多被试fMRI数据分析中的大样本、高维问题,提出了一种基于梯度的超校准方法,称为梯度超校准。超校准算法是目前最有效的功能校准算法之一,它可以大幅度提高分类精度。与大多数采用典型相关分析求解的超校准方法不同,梯度超校准采用独立成分分析求解超校准问题。独立成分分析算法本身就是一种有效的特征选择算法,它通过选择相互独立的特征来提高分类精度和运行效率,而梯度超校准算法吸收了独立成分分析方法的这些优点。另外,由于多被试者fMRI数据集具有大样本、高维度的特点,传统的功能校准方法具有很高的运行时间和内存占用,为了解决这个问题,梯度超校准算法使用随机梯度上升进行优化。通过结合独立成分分析和随机梯度上升两种算法,梯度超校准算法在大型数据集上运行时间较低。实验结果表明,梯度超校准算法可以有效地减少运行时间并且提高预测精度。2.针对多被试fMRI数据分析中的非线性、高维问题,提出了一种基于流形学习的超校准方法,称为流形超校准。多被试fMRI数据通常是高维的和非线性的,因此传统的线性超校准方法不适用于非线性数据。核超校准算法采用核方法处理非线性问题,然而这种方法忽略了数据本身的分布特性,因此流形超校准算法使用流形学习来对高维数据进行降维,由于大多数fMRI数据都属于视觉神经数据,从理论上来说这些数据符合流形特性,因此流形超校准可以更好地实现高维数据到低维流形的转换,从而提高分类预测精度。同样地,为了解决数据中大样本的问题,流形超校准使用随机梯度上升进行优化。因此,流形超校准在大型数据集上运行时间较低。实验结果表明,流形超校准可以有效地减少运行时间并且提高预测精度。3.创建了一个基于图形用户界面的工具箱使得研究易于重现,该工具箱可以运行包括本文提出的方法在内的许多前沿的基于任务的fMRI脑影像分析方法。

关键词：超校准梯度独立成分分析流形学习脑解码特征选择