面向认知表现预测的时-空共变混合深度学习模型

认知表现预测已经成为当前大脑研究的重要课题.功能磁共振成像技术由于同时具有较好的时间和空间分辨率,有潜力为认知表现预测提供数据支持.为了解决基于功能磁共振成像数据对认知表现进行预测时大脑所具有的时-空共变难刻画问题,提出了一种新型基于大脑学习机制的时-空共变混合深度学习模型,即深度稀疏自编码器与循环全连接网络混合模型,以混合神经网络模型的损失函数误差作为认知表现预测能力的评价标准.在人类连接组项目数据集上的实验结果表明,提出的时-空共变混合模型能够有效和稳健地预测认知表现,并提取到与人脑学习、记忆相关的有意义的脑影像特征,从而为认知表现预测提供技术支持.

基于脑电的多媒体情绪诱发对智力发挥影响研究

多媒体能够对情绪产生影响,而情绪与智力发挥息息相关。通过多媒体诱发情绪来探究情绪对智力发挥的影响,对移动传媒、教育教学等领域具有十分重要的意义。本文基于脑电信号探究多媒体诱发情绪对智力发挥的影响。为此,本文构建了新的情绪诱发视频数据集,设计了基于情绪视频的情绪与智力发挥脑电实验,并创新性地提出机器学习情绪识别方法对智力发挥阶段的真实情绪进行识别,从而探究情绪对智力发挥的影响。结果表明,积极情绪相对于中性情绪在被试的数学计算正确率上有积极影响,但在答题反应时上存在抑制作用,而消极情绪则相反。不同难度的数学计算中,积极情绪在解决中高等难度问题时表现更佳,而消极情绪在解决高难度问题时更有利于智力发挥。结果暗示,积极情绪和消极情绪在解决问题时,可能会针对不同的问题调用不同的影响策略,从而导致在不同难度问题上,情绪对智力发挥的影响也不同。

基于■2,1范数和神经网络的非线性特征选择方法

在基于■2,1范数的特征选择方法中,■2,1范数可以使选择的特征具有组间稀疏性和组内稀疏性,同时还可以去除特征数据中的异常值。然而,大多数基于■2,1范数的特征选择算法常通过线性方程求解,无法探究特征之间的非线性关系。因此,本文提出了一种基于■2,1范数的非线性特征选择方法,将■2,1范数与神经网络相结合。一方面,该方法利用神经网络的非线性特性对■2,1范数进行求解。另一方面,该方法利用■2,1范数实现基于神经网络框架的特征选择。最后,本文将该方法与当前流行的特征选择方法在八个公开数据集进行了对比,实验结果验证了该方法具有一定的优越性。

基于正交回归和特征加权的脑电情感特征选择方法

颅内容积传导效应导致大量脑电特征之间具有高度相关性,而这些高度相关的脑电特征无法为情感识别提供额外的有用信息,并且会降低基于脑电信号的情感识别效率.为了去除冗余信息和挑选有判别力的脑电特征,本文提出了一种基于正交回归和特征加权的脑电情感特征选择方法.与传统特征选择方法相比,该方法利用正交回归在脑电特征映射空间中保留更多的判别信息,更加适合于非线性和非平稳脑电信号的分析处理.为了验证所提出方法的性能,我们采集了由视频诱发的多通道脑电情感数据,并将所提出方法与4种常用的脑电特征选择方法进行了比较.实验结果证明了本文所提出方法能有效降低脑电特征集内冗余信息,并挑选出具有判别力的脑电特征子集.此外,通过分析由该方法所挑选的脑电特征类型,我们发现中心频率特征是最具判别力的脑电情感特征.该发现将为未来脑电情感特征提取研究提供新的思路.