【摘要】:针对人脑网络状态观测矩阵高维无特征的特点,给出了一种基于深度自动编码器(DAE)的降维算法。利用深度学习网络,将高维的人脑网络空间表达映射到低维的本质特征空间中,为进一步提炼脑网络的动态性能提供了基础。实验结果证明:应用该方法可以达到有效的降维效果,且降维后脑网络状态通过自组织特征映射聚类具有一定的规律性,从而为脑网络的动态特性研究提供了基础。
【关键词】: 脑功能网络 深度自动编码器 降维 自组织特征映射 无监督聚类
【分类号】:R338;TP181
【正文快照】:
0引言基于血氧水平依赖(blood oxygenation level dependent,BOLD)的静息态功能磁共振成像(functional magnetic reso-nance imaging,f MRI)由于具有较高的时间和空间分辨率,为深入研究人脑功能特性提供了一种重要手段[1],而基于它的脑网络重构技术也成为了研究人脑特性的有力
【相似文献】
1 梁湘群;基于Gabor特征与深度自动编码器的笑脸识别方法[D];五邑大学;2015年
2 吴海燕;基于自动编码器的半监督表示学习与分类学习研究[D];重庆大学;2015年
3 林雨;极限学习机与自动编码器的融合算法研究[D];吉林大学;2016年
4 雒玉玺;稀疏自动编码器及其加速算法的研究[D];兰州大学;2014年