基于稀疏張量模式方法的改進及其在認知功能上的應(yīng)用研究.pdf

1、認知神經(jīng)科學的研究是為了揭示大腦的認知原理,而通過功能磁共振成像技術(shù)可以比較直觀的觀測出大腦在受到外界刺激時腦功能的變化。機器學習方法能夠從腦活動記錄的圖像數(shù)據(jù)中提取大腦完成特定任務(wù)的有效信息,為探索大腦的奧秘奠定基礎(chǔ)。
　　大腦核磁共振數(shù)據(jù)本質(zhì)上是四維的張量數(shù)據(jù),傳統(tǒng)的算法在處理之前都是先將其展開為一維的向量數(shù)據(jù),這樣不僅破壞了數(shù)據(jù)的內(nèi)在結(jié)構(gòu)與潛在信息,而且也給后續(xù)的研究帶來了麻煩。為了克服向量化數(shù)據(jù)所帶來的缺點,本文提出了一種

2、新的基于張量模式的稀疏非負張量分解(Sparse Nonnegative Tensor Factorization,SNTF)算法用以分析和處理核磁共振圖像,同時結(jié)合支持向量機(Support Vector Machine)的特點,完成對大腦特定視覺的認知狀態(tài)的判定。SNTF是一種大規(guī)模張量低秩近似表示技術(shù),能從大規(guī)模、復(fù)雜的數(shù)據(jù)(如 fMRI數(shù)據(jù))中尋求數(shù)據(jù)的潛在特征信息,同時l1范數(shù)正則化和非負性的約束使得它分解的特征矩陣和結(jié)果張量

3、的數(shù)值都是稀疏、非負的。這不僅提高了運算效率,減少了運算量,且數(shù)據(jù)符合真實的物理屬性(可解釋性強、局部特征明顯等),模型符合人們對于客觀世界的認識規(guī)律。
　　本文采用基于稀疏非負張量模式的機器學習方法,先對大腦核磁數(shù)據(jù)進行分析處理,把 fMRI預(yù)處理后的認知數(shù)據(jù)當成一個大張量,從張量的層面上構(gòu)建高階非負張量模型,然后對 fMRI認知數(shù)據(jù)每個維度上進行特征降維,從而得到維度較小的稀疏、非負的特征張量,最后結(jié)合支持向量機的特點,有效地