基于稀疏張量模式方法的改進及其在認知功能上的應用研究.pdf

1、認知神經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的有效信息,為探索大腦的奧秘奠定基礎。
　　大腦核磁共振數(shù)據(jù)本質上是四維的張量數(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)的內在結構與潛在信息,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,能從大規(guī)模、復雜的數(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,最后結合支持向量機的特點,有效地