Apr, 2011

基于 fMRI 的大脑状态推断的监督聚类方法

PDF
TL;DR提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。
functional magnetic resonance imaginghierarchical clusteringfeature agglomerationsupervised clusteringprediction accuracy
发现论文，激发创造
  • 基于结构化图像的快速聚类方法，用于可扩展的统计分析

    本文旨在通过探究基于快速聚类的交替方案，用于替代耗时的函数评估来降低记忆需求，从而处理大规模的脑成像数据。结果表明，基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果，能够用于分析大型数据集。

    Nov, 2015

  • 小样本脑图：在具有随机化和聚类的空间相关设计上实现稀疏恢复

    使用稀疏回归模型和变量聚类来解决功能性磁共振成像数据的支持恢复问题。

    Jun, 2012

  • 应用降维作为 LSTM-CNN 模型的先导用于基于 ECoG 的脑机接口中图像和运动信号的分类

    通过优化脑机接口（BCI）中的运动想象分类算法，利用无监督的降维技术 UMAP 和 KNN 评估了使用监督学习方法 LSTM 和 CNN 进行分类任务的必要性，实验结果表明 UMAP 降维后具有高 KNN 分数的参与者同样在监督深度学习模型上取得了高准确率，说明降维技术是有效的预处理步骤，减少对大量标记数据和监督深度学习技术的需求，对于运动障碍的定向治疗和解决脑机接口领域中的监管、安全和可靠性问题具有重要意义。

    Nov, 2023

  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • MRI 脑肿瘤分割基于信息特征向量和核字典学习

    基于核字典学习算法的方法用于在磁共振图像中分割脑瘤区域，通过提取大小为 3*3 的图像块周围像素的一阶和二阶统计特征向量，训练两个分别用于健康和肿瘤组织的核字典，并通过基于相关性的样本选择技术，选择了最具信息和辨别力的特征向量子集，进而利用线性分类器根据学到的字典对健康和不健康像素进行区分，实验证明该方法在分割精度上优于其他现有方法，并显著减少了训练所需的时间和内存，从而实现了极快的训练过程。

    Oct, 2023

  • 脑协方差选择：利用群体先验改进个体功能连接模型

    通过建立整个脑部的概率模型，利用群体数据来推断个体的脑连接结构，进而探索大规模的功能结构，以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。

    Aug, 2010

  • 构建基于时空预测的脑数据表示模型

    通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

    Feb, 2020

  • 基于黎曼流形的受试者选择用于无监督跨受试者癫痫检测

    利用 Riemannian 流形聚类协方差矩阵的新算法，对选择哪些实验对象进行无监督筛选，实验结果表明该方法在脑信号分析领域表现出色，准确率和特异度达到了 89.84% 和 89.64%，并将错误报警率从原来的每小时 0.8 降低至 0.77。

    Dec, 2017

  • 利用立方体持久性揭示时变 fMRI 数据的拓扑结构

    使用拓扑学方法编码 fMRI 数据检测时间点后高维空间极小值的并归图，以此来处理数据集中的噪音及人与人之间的差异，并开发了一种聚类和轨迹分析的技术，成功分析儿童和成人在观看电影 “Partly Cloudy” 时的大脑状态和拓扑活动。

    Jun, 2020

  • 机器学习的层次聚类用于 2D 和 3D 图像分割

    提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

    Mar, 2013