基于稀疏張量模式方法的改進(jìn)及其在認(rèn)知功能上的應(yīng)用研究.pdf

1、認(rèn)知神經(jīng)科學(xué)的研究是為了揭示大腦的認(rèn)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(cè)出大腦在受到外界刺激時(shí)腦功能的變化。機(jī)器學(xué)習(xí)方法能夠從腦活動(dòng)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(diǎn),本文提出了一種

2、新的基于張量模式的稀疏非負(fù)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(shí)結(jié)合支持向量機(jī)(Support Vector Machine)的特點(diǎn),完成對(duì)大腦特定視覺的認(rèn)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(shí)l1范數(shù)正則化和非負(fù)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(fù)的。這不僅提高了運(yùn)算效率,減少了運(yùn)算量,且數(shù)據(jù)符合真實(shí)的物理屬性(可解釋性強(qiáng)、局部特征明顯等),模型符合人們對(duì)于客觀世界的認(rèn)識(shí)規(guī)律。
　　本文采用基于稀疏非負(fù)張量模式的機(jī)器學(xué)習(xí)方法,先對(duì)大腦核磁數(shù)據(jù)進(jìn)行分析處理,把 fMRI預(yù)處理后的認(rèn)知數(shù)據(jù)當(dāng)成一個(gè)大張量,從張量的層面上構(gòu)建高階非負(fù)張量模型,然后對(duì) fMRI認(rèn)知數(shù)據(jù)每個(gè)維度上進(jìn)行特征降維,從而得到維度較小的稀疏、非負(fù)的特征張量,最后結(jié)合支持向量機(jī)的特點(diǎn),有效地