本文關(guān)鍵詞：基于受限玻爾茲曼機(jī)的腦功能連通性檢測(cè)方法

  更多相關(guān)文章： 功能磁共振成像 功能連通性 受限玻爾茲曼機(jī) 主成分分析 區(qū)間估計(jì) 體素削減

【摘要】：為解決受限玻爾茲曼機(jī)(RBM)在功能磁共振成像(fMRI)腦功能連通性檢測(cè)中遇到的體素?cái)?shù)量過(guò)多和模型參數(shù)難以選擇的問(wèn)題,提出一種結(jié)合主成分分析(PCA)和Bootstrap區(qū)間估計(jì)的受限玻爾茲曼機(jī)方法,選出fMRI數(shù)據(jù)中的部分體素,從而削減體素?cái)?shù)量。以經(jīng)體素削減處理后剩余體素的時(shí)間過(guò)程作為樣本,采用改進(jìn)的學(xué)習(xí)算法訓(xùn)練RBM,根據(jù)模型權(quán)重參數(shù)重建腦功能網(wǎng)絡(luò)空間圖譜。實(shí)驗(yàn)結(jié)果表明,在單被試fMRI腦功能聯(lián)通性檢測(cè)中,基于RBM的方法在空間域和時(shí)間域中的分析結(jié)果明顯優(yōu)于稀疏近似聯(lián)合受限玻爾茲曼機(jī)方法。基于RBM的方法和Infomax ICA方法的空間域ROC曲線非常接近,但前者在時(shí)間域上的時(shí)間過(guò)程與實(shí)驗(yàn)刺激BLOCK的相關(guān)性更高。實(shí)驗(yàn)結(jié)果表明,基于RBM的方法能夠有效地降低樣本中的體素?cái)?shù)量和模型參數(shù)選擇的復(fù)雜度,提高RBM在fMRI數(shù)據(jù)分析中的性能。
【作者單位】： 上海海事大學(xué)信息工程學(xué)院;
【關(guān)鍵詞】： 功能磁共振成像 功能連通性 受限玻爾茲曼機(jī) 主成分分析 區(qū)間估計(jì) 體素削減
【基金】：國(guó)家自然科學(xué)基金(31470954) 上海市科委基金(14590501700)
【分類號(hào)】：R445.2;TP391.41
【正文快照】： 中文引用格式:陳艷陽(yáng),曾衛(wèi)明,王倪傳.基于受限玻爾茲曼機(jī)的腦功能連通性檢測(cè)方法[J].計(jì)算機(jī)工程,2017,43(1):231-236.英文引用格式:Chen Yanyang,Zeng Weiming,Wang Nizhuan.Brain Functional Connectivity Detection Method Basedon Restricted Boltzmann M achine[J].Comput

【相似文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李娟;基于RBM的小分子活性及選擇性研究[D];蘭州大學(xué);2015年

2 葉睿;基于深度學(xué)習(xí)的人臉檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 張衛(wèi)東;深度信念網(wǎng)絡(luò)及其在手寫(xiě)字體識(shí)別中的應(yīng)用[D];成都理工大學(xué);2015年

4 施維劏;門限玻爾茲曼機(jī)在人臉識(shí)別中的魯棒性研究[D];北京交通大學(xué);2015年

5 萬(wàn)程;自適應(yīng)基數(shù)受限玻爾茲曼機(jī)[D];清華大學(xué);2015年

6 李亦錟;受限的玻爾茲曼機(jī)在背景建模和文本建模中的研究與應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

7 張艷霞;基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D];電子科技大學(xué);2016年

8 朱常寶;基于深度玻爾茲曼機(jī)的特征學(xué)習(xí)算法研究[D];北京化工大學(xué);2016年

9 張怡康;基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)方法研究[D];北京化工大學(xué);2016年

10 董時(shí)靜;全局形狀與局部一致性聯(lián)合建模的顯著性檢測(cè)[D];大連理工大學(xué);2016年

，

本文編號(hào)：818616