發(fā)布時間：2019-11-29 13:43

【摘要】：認知科學(xué)是一門探索大腦、心智工作機制的前沿性交叉學(xué)科,對認知活動的功能磁共振成像(fMRI)數(shù)據(jù)的研究能夠揭示認知行為在大腦中對應(yīng)的加工機制,解釋和預(yù)測人的認知行為。然而在認知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。本文采用基于隨機結(jié)構(gòu)稀疏優(yōu)化的特征選擇算法來分析認知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程,并利用認知活動的fMRI數(shù)據(jù)中體素的局部相關(guān)性作為算法的先驗結(jié)構(gòu)信息,能夠在控制假陽性的同時保持較低的假陰性水平。在此基礎(chǔ)上,將隨機結(jié)構(gòu)稀疏方法應(yīng)用到認知活動的兩類特征選擇問題中:(1)以分類準(zhǔn)確率為目標(biāo)的特征選擇問題,即通過改進特征選擇方法來提高分類表現(xiàn)。本文通過人腦對情緒識別機制的多體素模式分析實驗來研究這類問題。實驗利用多種特征選擇方法來對面孔情緒數(shù)據(jù)進行特征選擇和分類,結(jié)果表明,相對于其他方法,隨機結(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)的特征選擇問題,也就是說重點關(guān)注特征選擇而非分類準(zhǔn)確率。在此類問題中,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)確率就能夠輕松達到很高甚至100%,這時關(guān)注分類準(zhǔn)確率是沒有意義的,而真正應(yīng)該關(guān)注的是特征選擇。本文通過人腦對中性面孔的加工機制的多體素模式分析實驗和人腦對開心面孔加工機制的多體素模式分析實驗來研究這類問題。實驗利用多種特征選擇方法來對面孔數(shù)據(jù)進行特征選擇,結(jié)果顯示,相對于其他方法,隨機結(jié)構(gòu)稀疏優(yōu)化算法能夠更加全面地檢測到面孔加工相關(guān)的激活腦區(qū),且檢測腦區(qū)精準(zhǔn)而緊湊,潛在假陽性少,腦區(qū)可解釋性強。
【圖文】：

31圖 4-2 開心臉刺激與中性臉刺激實驗各方法得到的腦模式差異圖4.6 本章小結(jié)本章通過用多體素模式分析方法對開心面孔刺激狀態(tài)與中性面孔刺激狀態(tài)間的腦模式差異進行檢測分類來研究人腦對面孔情緒識別機制，這也就是以分類準(zhǔn)確率為目標(biāo)的特征選擇問題。實驗結(jié)果表明，配對樣本 T 檢驗并不能檢測到任何差異，這也說明了情緒識別是個比較困難的問題。而對于這個比較困難的識別分類問題，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，無論是在分類準(zhǔn)確率上，還是檢測出的與面孔情緒識別任務(wù)相關(guān)腦區(qū)的可解釋性上，這歸因于 RSS 算法對假陽性的控制和先驗結(jié)構(gòu)信息的獲取。這同時也說明了好的特征選擇方法能夠提高分類效果。

第五章 人腦對中性面孔加工機制的多體素模式分析綜合這三個圖可知，選擇體素個數(shù)為 3000 時，RSS 能檢測到一部分區(qū)域法也能檢測到一部分區(qū)域，這可能是因為在選擇體素為 3000 的情況下，異腦區(qū)的體素個數(shù)大于 3000，所以各算法只能檢測到真實差異腦區(qū)中的區(qū)。而隨著選擇的體素個數(shù)增加到 6000，RSS 的檢測結(jié)果明顯比其他算此時 RSS 能夠檢測到全部五個關(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，能檢測到這五個區(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于稀疏卻沒有組效應(yīng)造成的。另一方面，選擇體素由 3000000后，RSS的檢測結(jié)果提升力度比其他方法大：RSS的檢測結(jié)果增加了vm時五個檢測到的關(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，，所以方法結(jié)果的雜質(zhì)加了，即假陽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)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;R445.2

【參考文獻】

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的彈性網(wǎng)絡(luò)(英文)[J];自動化學(xué)報;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：2567487