【摘要】：認(rèn)知科學(xué)是一門探索大腦、心智工作機(jī)制的前沿性交叉學(xué)科,對(duì)認(rèn)知活動(dòng)的功能磁共振成像(fMRI)數(shù)據(jù)的研究能夠揭示認(rèn)知行為在大腦中對(duì)應(yīng)的加工機(jī)制,解釋和預(yù)測(cè)人的認(rèn)知行為。然而在認(rèn)知fMRI數(shù)據(jù)的分析中,研究者們通常只關(guān)注構(gòu)建的分類器的分類效果,而忽視了特征選擇結(jié)果的穩(wěn)定性。但實(shí)際上,fMRI數(shù)據(jù)具有高維小樣本特性,容易發(fā)生特征子集的不穩(wěn)定現(xiàn)象,從而導(dǎo)致特征選擇結(jié)果不具有可靠性。因此,在fMRI數(shù)據(jù)的特征學(xué)習(xí)過(guò)程中,特征選擇的穩(wěn)定性甚至比分類性能更重要。本文采用基于隨機(jī)結(jié)構(gòu)稀疏優(yōu)化的特征選擇算法來(lái)分析認(rèn)知fMRI數(shù)據(jù),在穩(wěn)定性選擇的基礎(chǔ)上加入約束塊子采樣過(guò)程,并利用認(rèn)知活動(dòng)的fMRI數(shù)據(jù)中體素的局部相關(guān)性作為算法的先驗(yàn)結(jié)構(gòu)信息,能夠在控制假陽(yáng)性的同時(shí)保持較低的假陰性水平。在此基礎(chǔ)上,將隨機(jī)結(jié)構(gòu)稀疏方法應(yīng)用到認(rèn)知活動(dòng)的兩類特征選擇問(wèn)題中:(1)以分類準(zhǔn)確率為目標(biāo)的特征選擇問(wèn)題,即通過(guò)改進(jìn)特征選擇方法來(lái)提高分類表現(xiàn)。本文通過(guò)人腦對(duì)情緒識(shí)別機(jī)制的多體素模式分析實(shí)驗(yàn)來(lái)研究這類問(wèn)題。實(shí)驗(yàn)利用多種特征選擇方法來(lái)對(duì)面孔情緒數(shù)據(jù)進(jìn)行特征選擇和分類,結(jié)果表明,相對(duì)于其他方法,隨機(jī)結(jié)構(gòu)稀疏算法可以得到最高的分類準(zhǔn)確率,而且能夠更好地揭示與情緒識(shí)別相關(guān)的激活腦區(qū)。(2)以體素選擇準(zhǔn)確性為目標(biāo)的特征選擇問(wèn)題,也就是說(shuō)重點(diǎn)關(guān)注特征選擇而非分類準(zhǔn)確率。在此類問(wèn)題中,只用真正差異區(qū)域的一小部分體素構(gòu)建分類器,分類準(zhǔn)確率就能夠輕松達(dá)到很高甚至100%,這時(shí)關(guān)注分類準(zhǔn)確率是沒(méi)有意義的,而真正應(yīng)該關(guān)注的是特征選擇。本文通過(guò)人腦對(duì)中性面孔的加工機(jī)制的多體素模式分析實(shí)驗(yàn)和人腦對(duì)開(kāi)心面孔加工機(jī)制的多體素模式分析實(shí)驗(yàn)來(lái)研究這類問(wèn)題。實(shí)驗(yàn)利用多種特征選擇方法來(lái)對(duì)面孔數(shù)據(jù)進(jìn)行特征選擇,結(jié)果顯示,相對(duì)于其他方法,隨機(jī)結(jié)構(gòu)稀疏優(yōu)化算法能夠更加全面地檢測(cè)到面孔加工相關(guān)的激活腦區(qū),且檢測(cè)腦區(qū)精準(zhǔn)而緊湊,潛在假陽(yáng)性少,腦區(qū)可解釋性強(qiáng)。
【圖文】：

31圖 4-2 開(kāi)心臉刺激與中性臉刺激實(shí)驗(yàn)各方法得到的腦模式差異圖4.6 本章小結(jié)本章通過(guò)用多體素模式分析方法對(duì)開(kāi)心面孔刺激狀態(tài)與中性面孔刺激狀態(tài)間的腦模式差異進(jìn)行檢測(cè)分類來(lái)研究人腦對(duì)面孔情緒識(shí)別機(jī)制，這也就是以分類準(zhǔn)確率為目標(biāo)的特征選擇問(wèn)題。實(shí)驗(yàn)結(jié)果表明，配對(duì)樣本 T 檢驗(yàn)并不能檢測(cè)到任何差異，這也說(shuō)明了情緒識(shí)別是個(gè)比較困難的問(wèn)題。而對(duì)于這個(gè)比較困難的識(shí)別分類問(wèn)題，RSS、L2SVM、L1SVM、SVM-RFE、Randomized L1 這幾種多變量方法的分類準(zhǔn)確率普遍不是很高，但是其中 RSS 方法的表現(xiàn)還是比其他方法要好很多，無(wú)論是在分類準(zhǔn)確率上，還是檢測(cè)出的與面孔情緒識(shí)別任務(wù)相關(guān)腦區(qū)的可解釋性上，這歸因于 RSS 算法對(duì)假陽(yáng)性的控制和先驗(yàn)結(jié)構(gòu)信息的獲取。這同時(shí)也說(shuō)明了好的特征選擇方法能夠提高分類效果。

第五章 人腦對(duì)中性面孔加工機(jī)制的多體素模式分析綜合這三個(gè)圖可知，選擇體素個(gè)數(shù)為 3000 時(shí)，RSS 能檢測(cè)到一部分區(qū)域法也能檢測(cè)到一部分區(qū)域，這可能是因?yàn)樵谶x擇體素為 3000 的情況下，異腦區(qū)的體素個(gè)數(shù)大于 3000，所以各算法只能檢測(cè)到真實(shí)差異腦區(qū)中的區(qū)。而隨著選擇的體素個(gè)數(shù)增加到 6000，RSS 的檢測(cè)結(jié)果明顯比其他算此時(shí) RSS 能夠檢測(cè)到全部五個(gè)關(guān)注的區(qū)域，且區(qū)域連續(xù)性好，雜質(zhì)區(qū)域少低）。L2SVM 和 SVM-RFE 的結(jié)果類似，能檢測(cè)到這五個(gè)區(qū)域，但是結(jié)果些雜質(zhì)區(qū)域的存在。而 L1SVM 和 Randomized L1 的結(jié)果一如既往地離散是由于它們過(guò)于稀疏卻沒(méi)有組效應(yīng)造成的。另一方面，選擇體素由 3000000后，RSS的檢測(cè)結(jié)果提升力度比其他方法大：RSS的檢測(cè)結(jié)果增加了vm時(shí)五個(gè)檢測(cè)到的關(guān)鍵區(qū)域都很連續(xù)整齊，L2SVM 和 SVM-RFE 的結(jié)果也但是雜質(zhì)區(qū)域也增加了，而 L1SVM 和 Randomized L1 的結(jié)果提升很小且很離散，解釋性很不好。選擇體素增加到 9000 時(shí)，，所以方法結(jié)果的雜質(zhì)加了，即假陽(yáng)性比率可能都提高了，在這種情況下，RSS 的雜質(zhì)區(qū)域相法的雜質(zhì)區(qū)域要少。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;R445.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 李鈞濤;賈英民;;用于癌癥分類與基因選擇的一種改進(jìn)的彈性網(wǎng)絡(luò)(英文)[J];自動(dòng)化學(xué)報(bào);2010年07期

相關(guān)博士學(xué)位論文 前1條

1 劉華文;基于信息熵的特征選擇算法研究[D];吉林大學(xué);2010年

本文編號(hào)：2567487