功能性磁共振成像（fMRI）數(shù)據(jù)分類方法無法有效提取fMRI數(shù)據(jù)的局部特征,影響分類準(zhǔn)確性.因此文中提出基于卷積神經(jīng)網(wǎng)絡(luò)的fMRI數(shù)據(jù)分類方法.首先設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的卷積核尺寸構(gòu)建受限玻爾茲曼機(jī)模型.然后使用fMRI數(shù)據(jù)感興趣區(qū)域體素構(gòu)造數(shù)據(jù),對受限玻爾茲曼機(jī)進(jìn)行預(yù)訓(xùn)練,并將訓(xùn)練得到的權(quán)重矩陣進(jìn)行相對變換,用于初始化卷積神經(jīng)網(wǎng)絡(luò)的卷積核參數(shù).最后訓(xùn)練初始化好的整個模型,得到最終的分類模型.在Haxby和LPD數(shù)據(jù)集上的實驗表明,文中方法可以有效提升fMRI數(shù)據(jù)的分類準(zhǔn)確率. 

【文章來源】：模式識別與人工智能. 2017,30(06)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

RBM結(jié)構(gòu)設(shè)計過程

本文主要通過如下3個步驟構(gòu)造模型．1)RBM結(jié)構(gòu)設(shè)計．首先確定CNN的卷積核尺寸，然后根據(jù)該尺寸設(shè)計RBM結(jié)構(gòu)，具體過程如圖2所示．假設(shè)CNN包含m個n×n大小的卷積核，RBM應(yīng)設(shè)計為n×n個可見層單元和m個隱藏層單元的結(jié)構(gòu)，這樣保證訓(xùn)練的權(quán)重矩陣W正好可以初始化CNN的全部卷積核參數(shù)．2)CNN初始化參數(shù)構(gòu)造．主要通過總體樣本構(gòu)造RBM訓(xùn)練樣本，通過訓(xùn)練得到RBM的參數(shù)矩陣W，將W重構(gòu)并歸一化，作為卷積核的初始化參數(shù)，具體過程如圖3所示．圖2RBM結(jié)構(gòu)設(shè)計過程Fig．2DesignprocessofRBMstructure圖3CNN初始化參數(shù)構(gòu)造過程Fig．3ConstructionprocessofCNNinitialparameters首先，已知設(shè)計好的RBM含有n×n個可見層單元和m個隱藏層單元，現(xiàn)在假設(shè)每個fMRI樣本數(shù)據(jù)包含x個通道(Channel)，每個channel的大小為y×z，在構(gòu)造RBM訓(xùn)練樣本時，應(yīng)從樣本數(shù)據(jù)的每個channel中隨機(jī)采樣kn個n×n大小的體素塊并展開為一維向量，作為RBM的輸入，本文取kn=5．樣本每個channel的采樣如下:i=Rand(0，y－n+1)，j=Rand(0，z－n+1)，Voxel=Pic［i∶i+n－1，j∶j+n－1］，其中，Rand()為隨機(jī)采樣函數(shù)，i和j分別為采樣矩陣左上角頂點(diǎn)的橫、縱坐標(biāo)，Pic為采樣前每個channel的體素矩陣，Voxel為最終采樣結(jié)果．經(jīng)過上述采樣步驟后，每個樣本數(shù)據(jù)可以得到x×kn個n×n長度的子數(shù)據(jù)，用于訓(xùn)練RBM．下面采用對比散度算法訓(xùn)練RBM，求解W，具體過程如下．算法1求解RBM權(quán)重矩陣W的對比散度算法輸入訓(xùn)練集T={v1，v2，…，vi}，Gibbs采樣次數(shù)k輸出權(quán)重矩陣Wstep1隨機(jī)初始化W．step2對訓(xùn)練集中每條數(shù)據(jù)v∈T，將v賦值給可見層v(0)，執(zhí)行步驟如下．step2．1使用Gibbs采樣，循環(huán)n(n=0，1，…，k－1)次，每次重復(fù)如下操作．ste

行巳で?蛺逅兀?緩蠼??行巳で??以外其它位置的體素值全部置0，作為模型的樣本數(shù)據(jù)．經(jīng)過上述預(yù)處理步驟后，LPD數(shù)據(jù)集的每條數(shù)據(jù)大小為109×91×91，Emotion、Gambling、Social和WorkingMemory這4個類別分別包含5174、6831、7398和10935條樣本數(shù)據(jù)．3．2分類性能對比實驗為了驗證本文模型的合理性，分別從準(zhǔn)確率和收斂速度2方面對比純卷積神經(jīng)網(wǎng)絡(luò)模型(RAW-CNN)和使用受限玻爾茲曼機(jī)初始化卷積核的卷積神經(jīng)網(wǎng)絡(luò)模型(RBM-CNN)在Haxby數(shù)據(jù)集上的分類性能．3．2．1網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)計本文所用CNN的具體結(jié)構(gòu)如圖4所示．圖4實驗所用CNN結(jié)構(gòu)示意圖Fig．4StructureofCNN該網(wǎng)絡(luò)由6層結(jié)構(gòu)組成，每層都包括可訓(xùn)練的參數(shù)(權(quán)值)．輸入層包含40個通道(Channel)，每個channel大小為64×64的三維fMRI腦成像數(shù)據(jù)．網(wǎng)絡(luò)層C1是由30個特征圖(FeatureMap)組成的卷積層，每個神經(jīng)元與輸入圖像的一個5×5大小的鄰域連接，因此每個特征圖的大小為(64－5+1)×(64－5+1)，即60×60．網(wǎng)絡(luò)層S1是由30個大小為30×30的特征圖組成的下采樣層，由C1層經(jīng)過抽樣得到，特征圖的每個神經(jīng)元與C1層的一個大小為2×2的鄰域連接．網(wǎng)絡(luò)層F1包括512個神經(jīng)元，與網(wǎng)絡(luò)層S1進(jìn)行全連接．網(wǎng)絡(luò)層F2包括8個神經(jīng)元，與網(wǎng)絡(luò)層F1全連接．最后，整個網(wǎng)絡(luò)與一個Softmax分類器連接，輸出最后的類別標(biāo)簽．確定CNN結(jié)構(gòu)后，再選取合適的訓(xùn)練參數(shù)．學(xué)習(xí)率為參數(shù)更新時的速率，大小為0．001．模型使用批梯度下降的方式進(jìn)行訓(xùn)練，批大小為128．權(quán)重衰減系數(shù)為計算代價函數(shù)時正則項前的參數(shù)，可以有效防止模型過擬合，設(shè)計為0．0005．3．2．2實驗對比使用上述CNN結(jié)構(gòu)和訓(xùn)練參數(shù)，分別獨(dú)立訓(xùn)練6個被試5次，2種方法的準(zhǔn)確率變化和參數(shù)收斂時迭代次數(shù)的變化分別如圖5和圖6所?


本文編號：3360904