Loading...
机构名称:
¥ 2.0

使用神经影像数据将精神健康障碍与健康对照的患者区分开来,已采用了广泛的机器学习方法。但是,几乎所有此类方法都基于连接矩阵或从神经成像数据得出的特征应用于输入。最近只有几篇论文根据原始的基于体素的时空数据考虑了这种分类。在本文中,我们报告了基于体素的fMRI数据上一些尖端机器学习算法的性能,以对健康对照和精神分裂症患者进行分类。我们采用的方法包括卷积神经网络,具有较长短期记忆的卷积复发性神经网络以及基于Wasserstein生成的对抗网络的分类的转移学习方法。为了减轻适合可用硬件的计算负担,我们必须将原始的4维数据减少到几乎所有架构的3维输入中。我们的结果表明,基于卷积神经网络的相对简单的体系结构在对健康对照组中的患者分组中表现出合理的不兼容性。相反,我们使用的其他两个复杂架构的性能相对较差。

基于fMRI 4D时空数据

基于fMRI 4D时空数据PDF文件第1页

基于fMRI 4D时空数据PDF文件第2页

基于fMRI 4D时空数据PDF文件第3页

基于fMRI 4D时空数据PDF文件第4页

基于fMRI 4D时空数据PDF文件第5页

相关文件推荐

2024 年
¥2.0
2023 年
¥4.0
2024 年
¥4.0
2024 年
¥1.0
2025 年
¥1.0
2023 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2022 年
¥2.0
2024 年
¥1.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥1.0
2025 年
¥3.0
2024 年
¥1.0
2023 年
¥1.0
2020 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥3.0
2024 年
¥1.0