基于SVM的fMRI数据分类:一种解码思维的方法

使用机器学习分类f MRI数据的方法已逐渐被应用到解码思维状态的研究中.对比了使用血氧含量水平(blood oxygenlevel dependent,BOLD)累计变化和使用BOLD变化时间序列作为特征值训练SVM分类器,并依此来判断人脑正在执行的高级思维类型.在预测4×4 Sudoku问题类型的实验中,使用BOLD时间序列为特征的方法分类正确率较高.通过分析分类正确率较高的voxel的解剖结构,发现很多voxel位于前额、顶叶、前扣带回等与高级思维关系密切的脑区,实验结论与认知神经科学相关结论吻合.该方法可以进一步应用在脑机接口(brain computer interface,BCI)等领域.

基于体素的fMRI数据分类研究及其应用

使用机器学习方法分类f MRI(functional magnetic resonance imaging)数据已经逐渐广泛被应用到探索大脑认知的研究中。在探索人脑视觉区域对颜色特征和形状特征的捆绑图像认知研究中,使用血氧含量水平BOLD(blood oxygen level dependent)最大值、BOLD变化累计值作为特征值训练SVM分类器,使用BOLD变化时间序列方差及均值组合作为特征值训练多个SVM弱分类器,并使用Adaboost算法将多个SVM分类器集成到一起构造集成分类器,以此来判断人正在观察的图像的类型。实验结果表明,使用BOLD时间序列方差及均值组合作为特征构造的集成分类器分类正确率较高,对比不同视觉区域对特征捆绑任务识别正确率,发现V3区对图像复杂度的改变比较敏感,与特征捆绑的任务联系比较紧密。该方法可以应用到脑机接口BCI(brain computer interface)等领域。