题名 | 基于fMRI和深度学习的视觉神经信息编码研究 |
作者 | 王海保 |
答辩日期 | 2020-05-29 |
文献子类 | 硕士 |
授予单位 | 中国科学院大学 |
授予地点 | 远程答辩 |
导师 | 何晖光 |
关键词 | 深度学习 fMRI 神经信息编解码 感受野 |
学位名称 | 工学硕士 |
学位专业 | 模式识别与智能系统 |
英文摘要 | 几个世纪以来,哲学家和科学家一直在试图揣测、观察、理解和破译大脑是如何运作的,使得人们能够感知和探索复杂的自然世界。其中,作为人类感知世界最重要的信息通道,视觉系统的加工机制得到了研究者最广泛的关注。很多研究尝试利用神经信息编解码的方法,即通过构建外部刺激与神经活动间的定量关系,来揭示大脑视觉信息加工的机制。但由于大脑功能的高度复杂性,要构建精确有效的神经编解码模型仍面临巨大挑战。研究更有效的神经编解码模型,对于探索人脑视觉系统加工机制和开发类脑机器感知模型均具有重要意义。本文基于功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)和深度学习构建了两种神经编码模型,能够有效地提高神经编码的性能和揭示视觉功能区域的编码特性。本文的主要内容和创新点如下: (1) 本文提出了基于弱先验感受野的深度神经编码模型。过去的基于fMRI的神经编码模型要么依赖于对感受野空间特性的强先验假设,要么依赖于需要人工设置的参数估计方法,这极大地限制了它们的编码能力。为了解决这两个问题,本文提出了一个新的“what”和“where”神经编码框架,将深度神经网络分成特征维度(“what”)与空间维度(“where”)进行学习。在空间维度,本文采用了稀疏和平滑的感受野进行编码。在特征维度,编码的神经网络特征图被同时回归到体素响应。本文将这两个维度的学习统一到端到端的深度框架下,在公开的fMRI数据集上的实验表明该方法比现有的几种方法具有更好的编码性能。 (2) 本文提出了基于多阶段特征细化的深度神经编码模型。为了进一步提高编码性能,本文设计了包含空间感受野和通道注意力的特征细化模块。模型分成三个阶段将自然图像映射成到体素响应,这种多阶段的编码方式能够挖掘不同视觉皮层体素和神经网络的不同特征单元之间的相关性,从而揭示视觉皮层的特征选择性。此外,我们尝试了将该模型扩展到多体素联合编码模型,提供了一种提高低信噪比体素的编码效果的可能方式。在公开的fMRI数据集上的实验表明,该方法提供了一种视觉皮层神经编码的有效策略,具有更优的编码性能。 |
语种 | 中文 |
页码 | 64 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/39156] ![]() |
专题 | 类脑智能研究中心_神经计算及脑机交互 |
推荐引用方式 GB/T 7714 | 王海保. 基于fMRI和深度学习的视觉神经信息编码研究[D]. 远程答辩. 中国科学院大学. 2020. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论