[发明专利]一种迁移学习克服小样本算法及其在揭秘人脑中科研应用

说明书

一种迁移学习克服小样本算法及其在揭秘人脑中科研应用，首先对高维小样本fMRI数据进行预处理，构建脑功能连接体；其次通过设计深度迁移学习模型实现了fMRI小样本数据的高精度二分类，并预测脑区划分方式；最后通过mask法反向研究了对于人脑改变决策相关的人脑脑部感兴趣区域ROI，即Region of Interest。本发明的目的是提供一种深度迁移学习模型用来解决fMRI数据高维小样本难以训练分类的问题，从而实现fMRI数据的高精度分类，并通过深度迁移学习模型确定对脑功能连接的构建方法，进而可以应用于分析得出与人脑改变决策相关的脑部感兴趣区域这类研究方法。

技术领域

本发明属于脑科学和类脑研究领域，特别涉及在功能核磁共振成像数据进行分类以及在此基础上对大脑进行解码分析的算法技术。

背景技术

人的大脑是一个构造非常复杂的生物组织，是人类情感、思维、认知、行为、情绪等产生的来源，对人脑的功能和结构研究一直是非常前沿和挑战性的研究方向。在人脑改变决定的机理研究上，一些学者从心理物理学、计算机建模，和随机理论的角度讨论决策不确定性和人脑做决定的机制，这些主要为为偏理论研究。目前神经成像技术被广泛的运用于人脑解码研究中，常用的手段有脑电图(electroencephalogram，EEG)和磁共振成像(Magnetic Resonance Imaging，MRI)，EEG是通过电极来记录下人脑的细胞的节律性活动，缺点是空间分辨率低，无法很好地测量发生在大脑上层(皮层)以下神经活动。而MRI原理是利用原子核在强磁场中产生的共振信号来对人脑结构进行成像，它不会产生伪影，可以产生高分辨率的图像、对人体没有辐射等诸多优点成为医学影像学中非常优异的观察手段。磁共振成像(Magnetic Resonance Imaging,MRI)技术为我们揭开人脑的奥秘奠定了坚实的技术基础。例如人脑结构磁共振成像(Structural Magnetic Resonance Imaging,sMRI)可以用来反映人脑结构上的特点与变化,而功能磁共振成像(Functional MagneticResonance Imaging,fMRI)则能够反映人脑的功能活动模式。功能磁共振是一种通过检测低频率血氧水平依赖(BOLD)信号来测量大脑活动的程序，帮助人们更好地理解人脑的思维模式和活动规律。

目前fMRI存在数据量较少的特点，在fMRI数据的分类、特征提取上，很多传统机器学习方法如支持向量机(Support Vector Machine,SVM)、逻辑回归(LogisticRegression，LR)等能成功实现。比如：美国南加州大学Garner等人在《A Machine LearningModel to Predict Seizure Susceptibility from Resting-State fMRI Connectivity》介绍利用静息状态功能磁共振成像(fMRI)数据训练支持向量机来预测癫痫的发作结果，经过100轮分层交叉验证，结果表明模型在测试集评估癫痫发作结果的准确率为69％。美国英特尔Turek等人《A semi-supervised method for multi-subject fMRI functionalalignment》中提出了一个半监督方案，同时学习对准和执行分析，使用多项逻辑回归进行fMRI数据分类，该方法的平均分类准确率为68.5％。逻辑回归方法在fMRI数据分类的效率较高，但是准确性还有待提升。但随着近年来的发展，传统的机器学习算法在日益复杂的数据和任务需求下显得越来越吃力。近年来，深度学习发展的势头猛烈。但目前发展深度学习方法用于fMRI数据分析面临的主要问题是训练方法使用的数据量较少。因此，小样本的研究可能会导致明显的过拟合问题。随着样本数量的增加，训练方法可能需要更多的时间，训练时间越长，就越难以进行深入细致的参数调整工作，从而阻碍了方法性能的提高。

发明内容

发明目的

本发明的目的是提供一种深度迁移学习模型用来解决fMRI数据高维小样本难以训练分类的问题，从而实现fMRI数据的高精度分类，并通过深度迁移学习模型确定对脑功能连接的构建方法，进而可以应用于分析得出与人脑改变决策相关的脑部感兴趣区域这类研究方法。