TY - Jour A2 - Marzetti，Laura Au - Hu，金龙奥 - 匡，越镇奥 - 廖，宾奥 - 曹，丽杰·奥 - 洞，Shoubin Au - Li，Ping Py - 2019 Da - 2019 Da - 2019年12月31日 -用于任务诱发的FMRI数据分类SP-5065214 VL-2019 AB - 深度学习模型的多声道2D卷积神经网络模型已成功应用于各种功能MRI数据的分析。已经发现卷积神经网络（CNN），一类深神经网络基于其共享架构和空间不变性特征提取局部有意义的功能。在本研究中，我们提出了一种新型多通道2D CNN模型的M2D CNN，用于对3D FMRI数据进行分类。该模型使用切片的2D FMRI数据作为输入，并集成了从2D CNN网络中学到的多声道信息。我们通过在基于任务的FMRI数据分类方面的性能方面，通过实验将所提出的M2D CNN与包括SVM，1D CNN，2D CNN，3D CNN和3D可分离的CNN相比，包括SVM，1D CNN，2D CNN，3D CNN和3D可分离的CNN。我们测试了M2D CNN，以六种模型作为基准，根据人类连接项目（HCP）中的电机任务来分类大量时间序列全脑成像数据。我们的实验结果证明以下内容：（i）CNN模型中的卷积操作对于高维全脑成像数据分类是有利的，因为所有CNN型号都优于SVM;（ii）3D CNN模型可比2D CNN和1D CNN模型实现更高的精度，但3D CNN模型在输入中添加了任何额外的尺寸时，CNN模型都是成本高昂的;（iii）本研究中提出的M2D CNN模型实现了最高的精度，并减轻了与3D CNN相比其较少数量的参数的数据过度拟合。 SN - 1687-5265 UR - https://doi.org/10.1155/2019/5065214 DO - 10.1155/2019/5065214 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -