多通道二维卷积神经网络模型Task-Evoked fMRI数据分类

文摘

深度学习模型已经成功地应用于各种功能磁共振成像数据分析。卷积神经网络(CNN),发现了一类神经网络,善于提取当地有意义的特性基于shared-weights建筑和空间不变性特征。在这项研究中,我们建议M2D CNN,一种新颖的多通道2 d CNN模型,对3 d功能磁共振成像数据进行分类。模型使用2 d切片fMRI数据作为输入,并集成了多通道信息从2 d CNN网络。我们通过实验比较了提出M2D CNN对一些广泛使用的模型包括支持向量机、1 d CNN, 2 d CNN, 3 d CNN, 3 d可分CNN对基于任务的功能磁共振成像数据进行分类的性能。我们测试M2D CNN对六个模型作为基准分类大量时间序列的全脑成像数据基于电动机任务项目(HCP)在人类的连接体。我们的实验结果证明:(i)卷积操作在CNN高维全脑成像数据分类模型是有利的,因为所有CNN模型优于支持向量机;(2)3 d CNN模型实现精度高于2 d CNN和1 d CNN模型,但3 d CNN模型计算成本高昂,输入添加任何额外的维度;(3)M2D CNN模型提出了研究达到的最高精度和减轻过度拟合给定数据规模较小的参数的数量与3 d CNN。

1。介绍

Task-evoked功能性磁共振成像(fMRI)是最常见的类型的功能磁共振成像数据的研究大脑功能的基础上,改变水平的血液氧化程度依赖(粗体)信号。在task-evoked fMRI扫描中,参与者同时接收不同的刺激和任务执行特定反应导致不同的信号,产生时间序列的三维体积的大脑极其细微的空间分辨率块在一个任务。

目标使用计算方法分类task-evoked fMRI数据可能开发预测模型或系统可以识别大脑如何回应不同的任务刺激(1]。这些模型的影响是深刻的识别大脑反应之间的关系,个人行为和认知任务(即。brain-behavior-cognition关系)。

深度学习模型已经成功地应用于各种功能磁共振成像数据分析(2),如卷积神经网络(CNN),一类神经网络,提取当地的能力在整个数据集共享有意义的特性,由于CNN shared-weights建筑和空间不变性特征(3]。静息状态功能磁共振成像相比,task-evoked fMRI数据涉及到参与者的反应在一个较短的时间跨度,可以表示为三维数据覆盖冠状、矢状,和轴向轴/飞机的大脑2]。

在本文中,我们专注于CNN模型分类3 d voxel-wise fMRI数据,尤其是task-evoked fMRI数据。目前,2 d和3 d CNN方法被用来分类task-evoked voxel-wise fMRI数据文献中在两大集群。(我)第一个集群是2 d CNN对功能磁共振成像数据分类模型。Nathawani et al。4)3 d的大脑图像转变成二维图像中值通过计算平均值的z设在并训练了2 d CNN的功能磁共振成像数据分类词阅读任务。亲爱的,汗5)每一个3 d的大脑图像转变成2 d切片并计算每个切片的图像熵,然后提取片最高的培训2 d熵CNN网络。征服者et al。6)改变了3 d大脑图像分成多层2 d图像作为输入2 d CNN对特征提取和选择的特性t以及对视觉任务的支持向量机算法进行分类。(2)第二个集群是3 d CNN对功能磁共振成像数据分类模型。李等人。7)使用3 d CNN学习信息从大脑年龄预测整个大脑功能。李等人。8)计算均值的3 d图像和标准偏差的3 d图像所有像素点的时间序列在每个滑动窗口和生成2声道输入3 d图像训练他们2声道3 d CNN模型。王等人。9)使用3 d CNN分类4 d任务功能磁共振成像时间序列对多通道三维输入。除了模型应用于task-evoked fMRI数据如前所述,CNN模型也被用于静息状态功能磁共振成像数据分类;例如,Sarraf和Tofighi10)2 d CNN架构LeNet-5用于阿尔茨海默病分类由一堆2 d图像从fMRI 4 d转换数据。

然而,在许多情况下,它是具有挑战性的比较不同类型的CNN模型和设计(或选择)3 d功能磁共振成像数据分类的优化模型。卷积与2 d、3 d卷积可以从3 d功能磁共振成像中提取三维空间信息数据,但计算资源要求高,和模型参数的数量成指数增加,添加一个额外的维度。因此,训练一个3 d CNN模型计算昂贵,和太多的参数也会导致过度拟合的数据监督学习。同时,开发了模型与可分离旋转在计算机视觉研究[11使计算更容易处理。具体地说,3 d分离卷积神经网络(3 d SepConv)被用于提高效率的上下文结构磁共振成像规律的3 d CNN (12),但学习3 d SepConv模型的有效性可能会受到更少的参数在卷积内核与一般3 d CNN模型相比,和3 d SepConv模型也比2 d CNN模型参数。相比之下,2 d CNN模型需要更少的计算资源和更少的参数,但是他们失去一些3 d功能磁共振成像数据的空间信息而获得更高的训练效率。

应对这一挑战,我们研究不同类型的CNN模型对3 d功能磁共振成像数据分类和提出M2D CNN,一种新颖的多通道2 d CNN模型分类的3 d功能磁共振成像数据。该模型包括两个阶段:(我)将3 d功能磁共振成像图像转换成多通道2 d图像与多通道2 d CNN网络学习:首先,我们3 d功能磁共振成像影像切成一组以及一维二维核磁共振成像图像,其中一个2 d切片功能磁共振成像图像将被视为一个频道的形象。2 d CNN模型将获得多通道2 d图像作为输入,考虑到图像在不同的渠道,如RGB图像(13]。在MRI文献3解剖平面的大脑传统成像研究人员用来描述图片:日冕x协调,矢状y协调和轴向z协调。我们使用三个多通道2 d CNN网络学习和提取这些飞机的特点,分别。(2)从三个2 d cnn:集成多通道信息集成的信息从三个多通道2 d cnn学习网络,我们使用一个完全连接的神经网络学习的三维信息。

拟议中的M2D CNN模型从而使用2 d CNN大脑处理3 d图像,平衡学习能力和parameter-efficiency模型的(更少的参数)。我们检查模型分类性能(精度、精度和F1-score),模型训练时间,数量的参数,训练,和确认损失和比较我们的模型与其他六个分类模型作为基准的大量的时间序列从电动机全脑成像数据任务项目(HCP)在人类的连接体。

2。方法

2.1。M2D CNN模型架构

正如上面提到的,大脑图像沿3解剖飞机,日冕x协调,矢状y协调和轴向z协调。我们使用三个2 d CNN提取特征的飞机,分别,然后结合三个2 d CNN并行体系结构,即多通道2 d CNN (M2D CNN)。M2D CNN模型由三部分组成的2 d CNN并行体系结构,加上一个完全连接隐层集成多通道信息。每个2 d CNN使用一种类型的多通道2 d图像作为输入和独立进行卷积计算。三个2 d CNN部分的输出被夷为平地,连接到1 d系列特征,这是完全连接的输入神经网络进行进一步的学习。最后,M2D CNN输出分类结果。因为连接特性包含特征提取三个正交平面,M2D CNN考虑三维空间信息。M2D CNN的体系结构模型如图1。

M2D CNN架构在这个模型包括3输入层,六个卷积层,六个池层,一层合并,一个完全连接层和一个输出层。使用多通道的二维卷积可以有效改善计算相比,三维卷积。模型细节如下。

2.1.1。输入层

将每个功能磁共振成像大脑三维图像转换成三个多通道2 d图像。一个3 d的大脑图像样本的大小(例如,3×3×3毫米),沿x设在在单位长度二维图像的大小在冠状面。同样,片沿y设在和z设在得到二维图像的大小在矢状面和二维图像的大小轴面。这样,三组图像基于不同的飞机。

基于渠道在CNN的想法,把每个图像在冠状面图像在一个通道,将这组图像转换成二维图像频道。同样,一个2 d图像渠道和2 d图像渠道可以获得。因此,三个多通道2 d图像被转换从每个大脑3 d图像,如图2。这三个渠道,重要的是,也与立体定位大脑空间,参考传统用于核磁共振研究[14]:x(矢状),y(冠),z(轴向)。三个多通道2 d图像然后输入三个部分的2 d CNN。

2.1.2。卷积的层

每2 d CNN M2D CNN流程输入多路2 d图像的卷积计算和提取特征的平面。每个卷积核卷积的宽度和高度在2 d从上一层输入量,计算内核和输入之间的点积。所有输入量的结果总结到达这个内核的结果,生成二维激活每个内核映射。

2.1.3。汇聚层

每个卷积层是紧随其后的是一个马克斯池层,这对卷积的结果执行特征选择和过滤层来达到平滑压缩在一个学位。

2.1.4。合并图层

输出三个部分的2 d CNN架构被连接到一个一维向量,代表合并后的空间特性从大脑三个正交平面的3 d图像。

2.1.5节讨论。完全连接层

从合并层连接向量输入到完全连接层,在单位是完全连接到上一层单位。执行功能组合,在这一层复杂的非线性关系进行建模。由于数量有限的功能磁共振成像数据样本,几个完全连接层就足够了。在我们的实验中,我们使用一个隐藏层。

2.1.6。输出层

模型输出多个实数,代表每个分类的概率样本可能属于的类别。将softmax函数,见方程(1),用于每个类别的概率计算:

2.2。对比模型

鉴于以上M2D CNN模型,我们使用以下模型作为比较基准的分类性能相同的输入数据和输出类别。

2.2.1。PCA +支持向量机

与主成分分析(PCA)建立支持向量机模型(8,15),所有体素特性三维大脑图像简化成一个一维向量。利用主成分分析法(PCA)降维后,向量输入支持向量机进行训练和分类。

2.2.2。mv2D CNN

我们在这里讨论的中值2 d CNN voxel-wise功能磁共振成像的大脑图像分析(4]。3 d的大脑图像转换为二维中值图像在轴面计算均值的体素的特性z设在(即平均压缩第三维度的值)。二维中值图像然后输入2 d CNN,如图3。

2.2.3。1 d CNN

比较不同的卷积方法,我们提供一个基线和设计分析的1 d CNN voxel-wise fMRI数据。在这个1 d CNN模型中,每个大脑三维图像转换为矢量序列。在我们的实验中,这是通过切片沿z设在一个轴向平面上的二维图像数量和连接他们的y设在获得一个向量序列。从大脑三维向量序列图像输入1 d CNN,如图4。

2.2.4。3 d CNN

这是典型的3 d CNN voxel-wise fMRI数据的分析,在做以前的工作(7,8]。输入3 d的大脑图像发送到3 d CNN,如图5。

2.2.5。3 d SepConv

可分离旋转可以直观地理解为一种因式分解一个卷积内核为两个更小的内核。在这项研究中,3 d SepConv模型使用相同的结构上面的3 d CNN模型但3 d卷积层改为3 d卷积分离层。

2.2.6款。s2D CNN

单通道2 d CNN设计在这个研究voxel-wise fMRI数据的进行分析。这个模型的区别和M2D CNN是s2D CNN(轴向,只关注一个维度z设在)。在我们的实验中,这意味着,一个3 d的大脑图像片沿z设在在单位长度的轴面图像,变换成一个多通道2 d图像,输入到2 d CNN,如图6。

2.2.7。M2D CNN

提出的多通道2 d CNN中描述部分2.1。每一个3 d的大脑图像转换成三个多通道2 d图像的方法部分详细描述2.1和输入成M2D CNN(见图1)。

3所示。实验

3.1。实验数据集和预处理

电动机的功能磁共振成像数据任务的公众WU-Minn人类连接体项目(HCP)被用作我们的实验比较不同的基准数据模型(http://protocols.humanconnectome.org/HCP/3T/task-fMRI-protocol-details.html)。不断运动任务期间,核磁共振成像扫描参与者的大脑,在此期间,参与者有视觉线索/标签,请他们来执行特定操作,包括录制左手的手指(标签“左手”)或右手指(标签“右手”)或挤压他们的左脚趾(标签“左脚”)或右脚趾(标签“右脚”)或移动舌头(标签“舌头”)。这5种运动在整个电机进行两次任务(共有10运动块,每个对应一个运动)。此外,有三个15秒固定块的运动任务,运动块混杂在一起。功能磁共振成像采集和预处理的更多细节,请参阅[16,17]。通过提取出每个运动块的功能磁共振成像数据分析,我们深刻的学习方法提出了本研究的目的在参与者的运动类型分类识别人类行为和大脑活动之间的关系。

过滤后的对象异常数据或没有机动任务数据,我们一共获得了995名受试者,每个主题包含4 d fMRI数据与91年的大小109年91年284年。这意味着有284 3 d大脑的时间序列帧图像大小为91109年91(立体像素大小= 222毫米³期间)扫描电机的任务。根据机动任务的流程图,每个主题接受3固定块和10运动块,和固定块作为基准来计算每个体素的大胆的值。在我们的实验中,我们使用运动块的大胆的信号来生成三维大脑图像样本进行训练和分类如下。

固定块的3 d图像,我们计算中值3 d图像的大胆的基线值各体素。3 d图像的运动块,意味着信号的百分比变化的广泛使用的方法(PSC),每体元计算的平均变化相对于基线值,从而转变成一个框架意味着大脑的3 d图像。意味着PSC每体元计算

在方程(2),代表了这个运动的三维大脑图像块代表中的体素值图像。代表的基线值从固定块体元计算。是体素的平均变化。所有体素都改造成的平均变化意味着三维图像,因此将运动块中的数据转换为三维大脑图像。每一个主题,10个样本3 d的大脑图像得到主题的10块的运动。

数据规范化是通过减去均值和分裂为所有样本标准差每体素。然后,每个样本的移动类型作为其分类标签。总共有9950个样本的三维大脑图像大小为91109年从91年的995人。

3.2。模型参数

对比模型和相应的参数配置如下。

3.2.1之上。PCA +支持向量机

每一个三维图像有902629个维度被夷为平地。我们测试200名被试的数据子集PCA的所有科目,和原来的向量的方差比例(保存信息)的比例达到85%8)当选择主成分的数量是500。考虑内存的限制,主成分分析的结果向量的维数设置为500。支持向量机模型参数C的值设置为1.0,并使用L2-regularization和线性内核。

3.2.2。M2D CNN

M2D CNN包括三部分的2 d CNN架构,每个都包含2卷积层和2马克斯池层,如部分所述2.1在细节。

3.2.3。1 d CNN, s2D CNN, mv2D CNN,和3 d CNN

这些CNN卷积模型包含2层2马克斯池层,一个完全连接层和一个输出层。CNN的卷积2层以上包含16和32内核,分别与内核3的长度。每个卷积层是紧随其后的是一个马克斯池层2的窗口长度和批处理规范化。每一个完全连接层包含128个节点,辍学函数随机下降50%输入单元,以防止过度拟合。

3.2.4。3 d SepConv

3 d SepConv模型使用相同的结构和参数三维CNN模型除了第二个3 d卷积层改为分离卷积的层。单独的卷积核的分裂成两个较小的内核,做深度方面的卷积和逐点的卷积。每个输入通道都是空间卷积由深度方面卷积分开;然后通过点态运算结果输出混合与内核1×1×1的大小。三维分离卷积模块的代码实现Spasov et al (12]。

上面所有的深度学习模型使用softmax函数在输出层和LeakyReLU函数在其他层的激活函数(18]。亚当优化器初始学习速率为0.0025,每50时代减少一半,用于训练模型,和分类叉被选中作为损失函数。训练模型在每个时代都是验证后验证数据和保存最好的验证结果。模型停止培训时,培训损失已经停止减少六个时期。5倍交叉验证的分类执行5移动类型电机的任务。在每一个褶皱,80%的样本作为训练数据被选中作为验证数据(10%),剩下的20%作为测试数据。样品分为根据主题来确保每个主题的10个样本来自相同的部分数据。

我们用于实验专业计算机i7 - 6700 k的CPU, 64 GB的RAM和NVIDIA GTX 1080 Ti图形处理单元(GPU)。模型是用Python编写的。Keras (https://keras.io)和TensorFlow (https://www.tensorflow.org),后端也应用实现模型。开放科学的精神,促进再现性(19),我们让我们的源代码公开的在我们的项目网站(https://github.com/largeapp/M2DCNN)。

3.3。结果

3.3.1。大型数据集的分类性能

表1和图7显示实验结果通过比较准确,精度,和F1-score率超过5倍交叉验证对9950个样本的数据从995年所有科目。M2D CNN的准确性,3 d CNN, 3 d SepConv s2D CNN,和1 d CNN模型都达到80%以上,这是比PCA + SVM的准确性和mv2D CNN模型。这可能是因为一些CNN模型保存所有体素特性三维大脑的图像。最明显的是,M2D CNN模型提出了研究达成了在分类精度83.2%,与83.6%的精确率。因此,M2D CNN优于所有其他模型,这样M2D CNN > 3 d CNN > s2D CNN > 1 d CNN > 3 d SepConv。

3.3.2。样本大小的影响

为进一步验证样本大小的影响,我们随机选择的200年和500年的995例,分别形成了与2000年和5000年的样本数据集。深度学习模型相比都是这三个数据集(即测试。,从200年开始,500年和995年)。

表2介绍了分类精度在不同样本大小的数据。随着数据量的增长,增加每个模型的准确性。3 d的准确性CNN, 3 d SepConv, M2D CNN比200年的其他CNN模型主题。M2D CNN的准确性比500年的其他CNN模型对象。

3.3.3。参数的数量和培训时间

表3显示单元连接到完全连接层的数量和总数量的每个CNN模型基于实验的参数配置节3.2。完全连接层导致参数的数量急剧增加。

3 d CNN使用内核在三维旋卷,生产352800辆从卷积和池层压扁后的结果。3 d SepConv减少了参数通过使用单独的卷积相比一般3 d CNN,但仍有许多参数的大量参数驻留在这个模型完全连接网络。相比之下,2 d CNN模型等一架飞机旋卷mv2D CNN和s2D CNN模型只包含16800台。M2D CNN使用二维卷积核,从而减少单位的数量从卷积完全连接层,和它连接向量从3部分的卷积每架飞机含有47712单位,导致6355717参数,这远少于45174181 3 d CNN。

表3也显示了总培训时间和总时代超过5倍交叉验证所有CNN模型与2000 200例样本。我们已经注意到,培训时间由底层软件会受到影响(如Keras、TensorFlow和操作系统)和硬件系统(GPU和CPU主机设备),特别是在大型数据需要从硬盘中读取模型的训练。减少开销的影响从硬盘读取数据,我们选择了小数据样本(2000)和加载所有这些数据到内存的主机前培训。所以我们可以得到近似这个实验培训时间根据特定的计算机。从表3,可以看出3 d CNN, 3 d SepConv, M2D CNN模型用更多的时间来训练比1 d和2 d CNN模型。3 d SepConv模型使用相同的输入数据和参数少于3 d CNN模型,但3 d SepConv模型使用更多的培训时间在我们的实验中,原因可能是这一事实的实现3 d SepConv模型是无效的。M2D CNN模型训练时间少于3 d CNN和3 d SepConv模型。

3.3.4。过度拟合

图8显示的标准差的意思是训练和验证损失在5倍训练和验证M2D CNN模型和3 d CNN模型,分别与2000年200例样本(见图8(一个))和5000年500例样本(见图8 (b))。它可以看到3 d CNN模型的训练损失下降很快,但验证损失大幅波动。相比之下,训练和验证损失M2D CNN模型的稳步下降,这表明M2D CNN的数据能缓解过度拟合问题。

总之,该M2D CNN task-evoked fMRI的分类更经济划算,这是比其他模型实验测试比较。M2D CNN优于其它模型与最佳的分类性能和达到parameter-efficiency高于3 d CNN用更少的参数,从而减轻数据过度拟合。

4所示。结论

由于复杂的时空结构的功能磁共振成像数据和大量的体素的特性,现有的深度学习方法需要考虑3 d的完整性或4 d信息中包含的全脑功能磁共振成像数据,以及考虑特征提取能力和培训效率的相关模型。本文提出了一种新型M2D CNN模型,使用三个并行多通道2 d CNN网络保护大脑的3 d图像和体素的特性通过完全连接神经网络集成的三维信息。我们的实验结果表明,M2D CNN优于其他模型比较和达到最佳的分类性能。

在本文提供的工作有两个局限性:(i)电机的数据集是有限的任务,将是重要的提议M2D CNN模型是否擅长分类功能磁共振成像数据基于认知任务;(2)数据集是有限的总样本量- 9950年的样本3 d所有995名受试者的大脑图像仍然是小范围的深度学习模型的计算能力。未来的工作应该关注我们建议的模型对于其他大型静息状态的性能以及task-evoked fMRI数据基于认知任务的内存,语言,视觉和知觉。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。分析了基于任务的功能磁共振成像数据集在此研究在人类可用的连接体项目存储库(http://www.humanconnectome.org/)。实验报告的代码用于可用https://github.com/largeapp/M2DCNN。

的利益冲突

作者宣称没有利益冲突。

确认

人类所提供的数据连接体项目,WU-Minn联盟(组长:大卫·范·埃森和卡米尔Ugurbil;1 u54mh091657),由16个国家卫生研究院资助的机构和中心支持美国国家卫生研究院的神经科学研究的蓝图和华盛顿大学麦克唐纳系统神经科学中心。这项工作是支持部分由中国广东省自然科学基金(2018年授予nos。a030313309和2015 a030308017),引入高端科研机构的创新基金的中山(批准号2019 ag031),广东珠江人才计划创新和创业团队(批准号2016 zt06s220)。

引用

1. t·m·米切尔,s . v . Shinkareva a·卡尔森et al .,“预测人类的大脑活动与名词的含义,“科学,卷320,不。5880年,第1195 - 1191页,2008年。视图:出版商的网站|谷歌学术搜索
2. n . Kriegeskorte“深层神经网络:一个新的建模框架生物视觉和大脑信息处理”年度回顾视觉科学,1卷,不。1,第446 - 417页,2015。视图:出版商的网站|谷歌学术搜索
3. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
4. d . Nathawani t·沙玛,y杨,神经科学与深度学习,2016,http://www.andrew.cmu.edu/user/dnathawa/documents/10 - 701 dhruv.pdf。
5. m .鸿和n·m·汗”,通过转移学习对阿尔茨海默病的分类,”《IEEE国际会议上生物信息学和生物医学(BIBM)IEEE,页1166 - 1169年,堪萨斯城,密苏里州,美国,2017年11月。视图:出版商的网站|谷歌学术搜索
6. m . r .征服者:•凯米尔Naufal et al .,“解码视觉活动模式的功能磁共振成像使用多元模式分析和卷积神经网络的反应,”综合神经科学杂志》上,16卷,不。3、275 - 289年,2017页。视图:出版商的网站|谷歌学术搜索
7. t·d·h . Li Satterthwaite和y粉丝,“脑年龄预测基于静息状态功能连通性使用卷积神经网络模式,”《IEEE 15日生物医学成像(2018位ISBI)国际研讨会IEEE,页101 - 104年,华盛顿特区,2018年4月。视图:出版商的网站|谷歌学术搜索
8. 李x n . c . Dvornek x Papademetris et al .,“2声道回旋的3 d功能磁共振成像分析深层神经网络(2 cc3d): ASD分类和功能学习,”《IEEE 15日生物医学成像(2018位ISBI)国际研讨会IEEE,页1252 - 1255年,华盛顿特区,2018年4月。视图:出版商的网站|谷歌学术搜索
9. 周x, x, y . et al .,“任务状态解码和个人四维映射功能磁共振成像使用深层神经网络时间序列,”2018年,http://arxiv.org/abs/1801.09858。视图:谷歌学术搜索
10. Sarraf和g Tofighi,”阿尔茨海默病的分类使用fMRI数据和深度学习卷积神经网络,”2016年,http://arxiv.org/abs/1603.08631。视图:谷歌学术搜索
11. f . Chollet”与切除可分离旋转Xception:深入学习,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页1251 - 1258年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
12. s . Spasov l .得到A . Duggento·利奥和n . Toschi”parameter-efficient深学习方法预测转换从轻度认知障碍到阿尔茨海默氏症,”科学杂志卷,189年,第287 - 276页,2019年。视图:出版商的网站|谷歌学术搜索
13. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,http://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
14. s . a . Huettel a . w .歌曲,和g .麦卡锡功能性磁共振成像Sinauer Associates,桑德兰,妈,美国,2014年。
15. 公元前h . c . Hazlett h .顾孟塞尔et al .,“早期大脑发育在高危婴儿孤独症谱系障碍,”自然,卷542,不。7641年,第351 - 348页,2017年。视图:出版商的网站|谷歌学术搜索
16. “人类连接体项目。WU-Minn HCP 1200科目数据发布参考手册”,2017年,https://www.humanconnectome.org/storage/app/media/documentation/s1200/HCP_S1200_Release_Reference_Manual.pdf。视图:谷歌学术搜索
17. m·f·格拉瑟s . n . Sotiropoulos j·a·威尔逊et al .,“人类的最小预处理管道连接体项目,“科学杂志卷,80年,第124 - 105页,2013年。视图:出版商的网站|谷歌学术搜索
18. a . l .马斯河a . y .所有和a . y . Ng“纠正神经网络非线性改善声学模型,”学报》第30届国际会议在国际会议上机器学习2013年6月,亚特兰大,乔治亚州,美国。视图:谷歌学术搜索
19. m·r·穆纳佛b . A . Nosek d . v . m . et al .,主教”宣言的科学。”自然的人类行为,1卷,不。1,2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2019金龙胡锦涛等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。