基于卷积神经网络的fMRI数据分类方法
发布时间：2021-08-24 23:10
功能性磁共振成像（fMRI）数据分类方法无法有效提取fMRI数据的局部特征,影响分类准确性.因此文中提出基于卷积神经网络的fMRI数据分类方法.首先设计卷积神经网络结构,并根据卷积神经网络的卷积核尺寸构建受限玻尔兹曼机模型.然后使用fMRI数据感兴趣区域体素构造数据,对受限玻尔兹曼机进行预训练,并将训练得到的权重矩阵进行相对变换,用于初始化卷积神经网络的卷积核参数.最后训练初始化好的整个模型,得到最终的分类模型.在Haxby和LPD数据集上的实验表明,文中方法可以有效提升fMRI数据的分类准确率.
【文章来源】：模式识别与人工智能. 2017,30(06)北大核心CSCD
【文章页数】：10 页
【部分图文】：
RBM结构设计过程
本文主要通过如下3个步骤构造模型．1)RBM结构设计．首先确定CNN的卷积核尺寸，然后根据该尺寸设计RBM结构，具体过程如图2所示．假设CNN包含m个n×n大小的卷积核，RBM应设计为n×n个可见层单元和m个隐藏层单元的结构，这样保证训练的权重矩阵W正好可以初始化CNN的全部卷积核参数．2)CNN初始化参数构造．主要通过总体样本构造RBM训练样本，通过训练得到RBM的参数矩阵W，将W重构并归一化，作为卷积核的初始化参数，具体过程如图3所示．图2RBM结构设计过程Fig．2DesignprocessofRBMstructure图3CNN初始化参数构造过程Fig．3ConstructionprocessofCNNinitialparameters首先，已知设计好的RBM含有n×n个可见层单元和m个隐藏层单元，现在假设每个fMRI样本数据包含x个通道(Channel)，每个channel的大小为y×z，在构造RBM训练样本时，应从样本数据的每个channel中随机采样kn个n×n大小的体素块并展开为一维向量，作为RBM的输入，本文取kn=5．样本每个channel的采样如下:i=Rand(0，y－n+1)，j=Rand(0，z－n+1)，Voxel=Pic［i∶i+n－1，j∶j+n－1］，其中，Rand()为随机采样函数，i和j分别为采样矩阵左上角顶点的横、纵坐标，Pic为采样前每个channel的体素矩阵，Voxel为最终采样结果．经过上述采样步骤后，每个样本数据可以得到x×kn个n×n长度的子数据，用于训练RBM．下面采用对比散度算法训练RBM，求解W，具体过程如下．算法1求解RBM权重矩阵W的对比散度算法输入训练集T={v1，v2，…，vi}，Gibbs采样次数k输出权重矩阵Wstep1随机初始化W．step2对训练集中每条数据v∈T，将v赋值给可见层v(0)，执行步骤如下．step2．1使用Gibbs采样，循环n(n=0，1，…，k－1)次，每次重复如下操作．ste
行巳で?蛱逅兀?缓蠼??行巳で??以外其它位置的体素值全部置0，作为模型的样本数据．经过上述预处理步骤后，LPD数据集的每条数据大小为109×91×91，Emotion、Gambling、Social和WorkingMemory这4个类别分别包含5174、6831、7398和10935条样本数据．3．2分类性能对比实验为了验证本文模型的合理性，分别从准确率和收敛速度2方面对比纯卷积神经网络模型(RAW-CNN)和使用受限玻尔兹曼机初始化卷积核的卷积神经网络模型(RBM-CNN)在Haxby数据集上的分类性能．3．2．1网络结构和参数设计本文所用CNN的具体结构如图4所示．图4实验所用CNN结构示意图Fig．4StructureofCNN该网络由6层结构组成，每层都包括可训练的参数(权值)．输入层包含40个通道(Channel)，每个channel大小为64×64的三维fMRI脑成像数据．网络层C1是由30个特征图(FeatureMap)组成的卷积层，每个神经元与输入图像的一个5×5大小的邻域连接，因此每个特征图的大小为(64－5+1)×(64－5+1)，即60×60．网络层S1是由30个大小为30×30的特征图组成的下采样层，由C1层经过抽样得到，特征图的每个神经元与C1层的一个大小为2×2的邻域连接．网络层F1包括512个神经元，与网络层S1进行全连接．网络层F2包括8个神经元，与网络层F1全连接．最后，整个网络与一个Softmax分类器连接，输出最后的类别标签．确定CNN结构后，再选取合适的训练参数．学习率为参数更新时的速率，大小为0．001．模型使用批梯度下降的方式进行训练，批大小为128．权重衰减系数为计算代价函数时正则项前的参数，可以有效防止模型过拟合，设计为0．0005．3．2．2实验对比使用上述CNN结构和训练参数，分别独立训练6个被试5次，2种方法的准确率变化和参数收敛时迭代次数的变化分别如图5和图6所?
本文编号：3360904
【文章来源】：模式识别与人工智能. 2017,30(06)北大核心CSCD
【文章页数】：10 页
【部分图文】：
RBM结构设计过程
本文主要通过如下3个步骤构造模型．1)RBM结构设计．首先确定CNN的卷积核尺寸，然后根据该尺寸设计RBM结构，具体过程如图2所示．假设CNN包含m个n×n大小的卷积核，RBM应设计为n×n个可见层单元和m个隐藏层单元的结构，这样保证训练的权重矩阵W正好可以初始化CNN的全部卷积核参数．2)CNN初始化参数构造．主要通过总体样本构造RBM训练样本，通过训练得到RBM的参数矩阵W，将W重构并归一化，作为卷积核的初始化参数，具体过程如图3所示．图2RBM结构设计过程Fig．2DesignprocessofRBMstructure图3CNN初始化参数构造过程Fig．3ConstructionprocessofCNNinitialparameters首先，已知设计好的RBM含有n×n个可见层单元和m个隐藏层单元，现在假设每个fMRI样本数据包含x个通道(Channel)，每个channel的大小为y×z，在构造RBM训练样本时，应从样本数据的每个channel中随机采样kn个n×n大小的体素块并展开为一维向量，作为RBM的输入，本文取kn=5．样本每个channel的采样如下:i=Rand(0，y－n+1)，j=Rand(0，z－n+1)，Voxel=Pic［i∶i+n－1，j∶j+n－1］，其中，Rand()为随机采样函数，i和j分别为采样矩阵左上角顶点的横、纵坐标，Pic为采样前每个channel的体素矩阵，Voxel为最终采样结果．经过上述采样步骤后，每个样本数据可以得到x×kn个n×n长度的子数据，用于训练RBM．下面采用对比散度算法训练RBM，求解W，具体过程如下．算法1求解RBM权重矩阵W的对比散度算法输入训练集T={v1，v2，…，vi}，Gibbs采样次数k输出权重矩阵Wstep1随机初始化W．step2对训练集中每条数据v∈T，将v赋值给可见层v(0)，执行步骤如下．step2．1使用Gibbs采样，循环n(n=0，1，…，k－1)次，每次重复如下操作．ste
行巳で?蛱逅兀?缓蠼??行巳で??以外其它位置的体素值全部置0，作为模型的样本数据．经过上述预处理步骤后，LPD数据集的每条数据大小为109×91×91，Emotion、Gambling、Social和WorkingMemory这4个类别分别包含5174、6831、7398和10935条样本数据．3．2分类性能对比实验为了验证本文模型的合理性，分别从准确率和收敛速度2方面对比纯卷积神经网络模型(RAW-CNN)和使用受限玻尔兹曼机初始化卷积核的卷积神经网络模型(RBM-CNN)在Haxby数据集上的分类性能．3．2．1网络结构和参数设计本文所用CNN的具体结构如图4所示．图4实验所用CNN结构示意图Fig．4StructureofCNN该网络由6层结构组成，每层都包括可训练的参数(权值)．输入层包含40个通道(Channel)，每个channel大小为64×64的三维fMRI脑成像数据．网络层C1是由30个特征图(FeatureMap)组成的卷积层，每个神经元与输入图像的一个5×5大小的邻域连接，因此每个特征图的大小为(64－5+1)×(64－5+1)，即60×60．网络层S1是由30个大小为30×30的特征图组成的下采样层，由C1层经过抽样得到，特征图的每个神经元与C1层的一个大小为2×2的邻域连接．网络层F1包括512个神经元，与网络层S1进行全连接．网络层F2包括8个神经元，与网络层F1全连接．最后，整个网络与一个Softmax分类器连接，输出最后的类别标签．确定CNN结构后，再选取合适的训练参数．学习率为参数更新时的速率，大小为0．001．模型使用批梯度下降的方式进行训练，批大小为128．权重衰减系数为计算代价函数时正则项前的参数，可以有效防止模型过拟合，设计为0．0005．3．2．2实验对比使用上述CNN结构和训练参数，分别独立训练6个被试5次，2种方法的准确率变化和参数收敛时迭代次数的变化分别如图5和图6所?
本文编号：3360904
本文链接：https://www.wllwen.com/yixuelunwen/fangshe/3360904.html
最近更新
教材专著
