1. 磐创AI首页
  2. Medium

颞叶腹侧皮层时空功能磁共振成像的认知计算建模

在本系列文章中,我们将回顾以下文章

  • 人脑认知计算模型导论(上)
  • 发现性神经影像分析(下)
  • 人脑功能连通性与相似性分析(三)
  • 人脑分布区域的无监督表征学习(四)
  • 基于机器学习和深度学习的时空fMRI解码(五)

所有相关材料都托管在我的GitHub页面中。别忘了看看这个。如果你是纸质爱好者,你可以阅读这个系列文章的纸质版本,也可以在我的repo中找到。

在深入研究技术方面之前,请先了解

  • 计算神经科学
  • 无监督学习和机器学习基础
  • 简单神经网络(MLP、CNN、…)

他会很有帮助吗?不过,别担心。这些将是高级的、动手的和代码优先的文章。那么,让我们开始吧。

在本文中,我们将简要讨论人脑腹侧颞叶皮质的多体素模式分析(MVPA)。目前,多体素模式分析和识别被用来研究神经活动的分布模式中包含的信息,以推断大脑区域和网络的功能作用。

从机器学习的角度来看,这是一个直接有监督的分类问题。这里,输入通常是来自神经科学实验的fMRI数据。输出是感兴趣类别上的概率分布。在我们的例子中,我们将尝试解码人类受试者(人脸、猫、椅子、鞋子、…)所看到的视觉刺激类别)。

在我们的例子中,fMRI数据将是由空间和时间分量组成的4D时间序列数据。

目录表

文章的链接

链接

  • https://www.hindawi.com/journals/cmmm/2012/961257/

下面的参考文献列表在我的研究中用于机器学习和神经科学两个方面。我强烈推荐复制粘贴参考资料和简要回顾。

参考文献

首页–期刊主要分类–期刊细介绍–期刊题录与文摘–期刊详细文摘内容图层标准化,2016。

[2]L.Buitinck,G.Louppe,M.Blondel,F.Pedregosa,A.Mueller,O.Grisel,V.Nchoae,P.Prettenhofer,A.Gramfort,J.Grobler,R.Layton,J.Vanderplas,A.Joly,B.Holt,10和G.Varoquaux。机器学习软件的API设计:来自SCRKIT-LEARN项目的经验。参见ECML PKDD研讨会:用于数据挖掘和机器学习的语言,第108-122页,2013年。

[3]楚晓明,田智田,王勇,张斌,任海文,魏晓伟,夏海华,沈春春。“双胞胎:重温视觉变形金刚中空间注意力的设计”,2021年。

[4]K.Crammer,O.Dekel,J.Keshet,S.Shalev-Shwartz和Y.Singer。在线被动攻击性算法。2006年。

[5]K.J.弗里斯顿。统计参数映射。1994年。

[6]C.G.Gross,C.D.Rocha-Miranda和D.Bender。猕猴颞下皮质神经元的视觉特性。神经生理学杂志,35(1):96-111,1972。

[7]S.J.Hanson,T.Matsuka和J.V.Haxby。用于目标识别的腹侧颞叶组合码。

[8]书名/作者声明:[by]J.Haxby、M.Gobbini、M.Furey、A.Ishai、J.Schouten和P.Pietrini。《视觉物体识别》,2018年。

[9]R.A.Heckemann,J.V.Hajonal,P.Aljabar,D.Rueckert和A.Hammers。结合标签传播和决策融合的解剖脑MRI自动分割。神经影像,33(1):115-126,2006。

[10]D.Hendrycks和K.Gimpl.高斯误差线性单位(Gelus),2020。

[11]黄胜山,邵伟,王明林,张东全。基于模糊推理的人脑活动视觉信息解码:简要回顾。“国际自动化与计算杂志”,2021年,第1-15页。

[12]R.Koster,M.J.Chadwick,Y.Chen,D.Berron,A.Banino,E.Duzel,D.Hassabis和D.Kumaran。海马系统内的大循环循环支持跨发作的信息整合。神经元,99(6):1342-1354,2018年。

[13]E.毛尔。毕达哥拉斯定理:4000年的历史。普林斯顿大学出版社,2019年。

[14]题名/责任者:Required of[14]K.A.Norman,S.M.Polyn,G.J.Detre,J.V.Haxby。读心术之外:功能磁共振成像数据的多体素模式分析。认知科学趋势,10(9):424-430,2006。

[15]书名/作者声明:[by]A.J.O‘Toole,F.酱,H.Abdi,J.V.哈克斯比(J.V.Haxby)颞叶腹侧皮质中物体和面部的部分分布表征。认知神经科学杂志,17(4):580-590,2005。

[16]F.Pedregosa、G.Varoquaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Duburg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrott和E.Duchernay。Scikit-Learning:Python中的机器学习。“机器学习研究杂志”,12:2825-2830,2011。

[17]R.A.Poldrack。功能磁共振成像的感兴趣区分析。社会认知与情感神经科学,2(1):67-70,2007。

[18]M.Poustchi-Amin,S.A.Mirowitz,J.J.Brown,R.C.McKinstry,T.Li。回波平面成像的原理和应用:给普通放射科医生的回顾。“放射图形学”,21(3):767-779,2001。

[19]R.P.Reddy,A.R.Mathulla,J.Rajeswaran。心理健康专业人员的观点采择和情绪传染的初步研究:移情的玻璃大脑观点。“印度心理医学杂志”,0253717620973380页,2021年。

[20]书名/作者声明:[font=宋体]S.M.Smith、K.L.Miller、G.Salimi-Khorshidi、M.Webster、C.F.Beckmann、T.E.Nichols、J.D.Ramsey和M.W.Woolrich。功能磁共振成像的网络建模方法。神经影像,54(2):875-891,2011。

[21]K.Tanaka。颞下皮层和物体视觉。神经科学年评,19(1):109-139,1996。

[22]多发性硬化症患者MVPA-LIGHT:一个用于多维数据的分类和回归工具箱。神经科学前沿,2020年14:289。

[23]M.P.Van Den Heuvel和H.E.H.Pol探索大脑网络:静息状态功能磁共振成像功能连接的综述。“欧洲神经精神药理学”,20(8):519-534,2010。

[24]G.Varoquaux,A.Gramfort,J.B.Poline和B.Thirion。脑协方差选择:使用总体先验的更好的个体功能连通性模型。arxiv预印本arxiv:1008.5071,2010年。

[25]王勇,康军,P·B·凯默,郭勇。一种使用偏相关估计大规模脑网络功能连通性的有效和可靠的统计方法。神经科学前沿,2016年10:123。

[26]K.Esbensen,P.Geladi,S.Wold,K.Esbensen,P.Geladi。主成分分析。化学计量学与智能实验系统,2(1-3):37-52,1987。

[27]K.Esbensen,P.Geladi,S.Wold,K.Esbensen,P.Geladi。主成分分析。化学计量学与智能实验系统,2(1-3):37-52,1987。

原创文章,作者:fendouai,如若转载,请注明出处:https://panchuang.net/2021/06/21/%e9%a2%9e%e5%8f%b6%e8%85%b9%e4%be%a7%e7%9a%ae%e5%b1%82%e6%97%b6%e7%a9%ba%e5%8a%9f%e8%83%bd%e7%a3%81%e5%85%b1%e6%8c%af%e6%88%90%e5%83%8f%e7%9a%84%e8%ae%a4%e7%9f%a5%e8%ae%a1%e7%ae%97%e5%bb%ba%e6%a8%a1/

联系我们

400-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息