机构名称：
¥ 3.0
将与复杂刺激相关的大脑活动与2的不同特性相关联，刺激是构建功能性脑图的强大方法。然而，3当刺激是自然主义时，它们的性质通常是相关的（例如，自然图像的视觉和4个语义特征，或用作图像特征的卷积神经网络5的不同层）。相关性能可以充当混杂因素6，并使大脑图的解释性复杂化，并可能影响统计估计器的7个鲁棒性。在这里，我们根据提出的两种方法提出了一种大脑映射8的方法：堆叠不同的编码模型和结构化9方差分配。我们的堆叠算法结合了编码模型，每个模型都将10用作输入一个描述不同刺激属性的特征空间。算法11学会预测体素的活性，作为不同12个编码模型的输出的线性组合。我们表明，由此产生的组合模型可以更好或至少与单个编码模型更好或至少预测13个大脑活动。此外，线性组合的14个权重很容易解释；它们显示了预测体素的每个特征空间的重要性15。然后，我们将堆叠模型构建到16个引入结构化方差分区，这是一种新型的方差分区，考虑了17个特征之间的已知关系。我们验证了我们的模拟方法，展示其大脑在fMRI数据上的21个潜力，并发布Python软件包。24我们的方法限制了假设空间的18个大小，并使我们能够提出有关特征空间和大脑区域之间相似性19的有针对性问题，即使在20个特征空间之间存在相关性的情况下。我们的方法对于有兴趣将大脑活动与神经网络的不同层（23）或其他类型的相关特征空间对齐的研究人员有用。
可解释的大脑图的堆叠回归和结构性方差分配
主要关键词
相关文件推荐
