机构名称：
¥ 2.0
我们提出了一种机器学习方法，以模拟与任务依赖性fMRI数据的大脑效果的长期样本外动力学。我们的方法是三阶段。首先，我们利用扩散图（DMS）来发现一组变量，该变量参数化了低维歧管，而新兴的高维fMRI时间序列序列进化。然后，我们通过两种技术在嵌入式歧管上构造了还原阶模式（ROMS）：前馈神经网络（FNNS）和Koopman操作员。最后，为了预测环境fMRI空间中脑敏感性的样本外长期动力学，我们在使用FNNS和Koopman模式本身时解决了与几何谐波（GH）偶联DMS的前图。在我们的插图中，我们使用了Visuo-Motor任务期间使用带有记录的基准fMRI数据集评估了两种提出的方案的性能。结果表明，高维fMRI时间序列的几个（对于特定任务，五个）非线性坐标为建模和样本外预测的良好基础提供了良好的基础。此外，我们表明所提出的方法的表现优于天真随机步行模型的一步前进的预测，与我们的方案相反，该模型依赖于上一个时间步骤中信号的知识。重要的是，我们表明，提出的Koopman操作员方法为了任何实际目的提供了与FNN-GH方法相同的结果，从而绕开了训练非线性地图并使用GH来超越环境fMRI空间中的预测的需求；可以改为使用L 2综合函数的DMS函数空间的低频截断，以预测fMRI空间中的整个坐标函数列表并解决前图像问题。
使用神经
主要关键词
相关文件推荐
