机构名称：
¥ 1.0
摘要 - 近年来，使用功能磁共振成像（fMRI）数据来推断不同大脑区域之间的大脑有效连通性（EC）是神经信息学的重要高级研究。但是，由于神经成像数据的高噪声，当前方法总是表现不佳。在本文中，我们提出了一种有效的连通性学习方法，其中具有深厚的增强学习，称为EC-DRL，旨在更准确地从fMRI数据中确定大脑有效的连通性。提出的方法基于参与者批判性算法框架，使用编码器模型作为Actor网络。更具体地说，编码器采用变压器模型结构，解码器使用带有注意机制的双向长期记忆网络。对模拟fMRI数据和现实世界fMRI数据的大量实验结果表明，与最新方法相比，EC-DRL可以更好地推断有效的连通性。索引术语 - 脑有效的连通性，深度强化学习，编码器模型，双向长短记忆网络，fMRI时间序列。
大脑有效的连通性学习深入增强学习
主要关键词
相关文件推荐
