标志”src=

计算智能和神经科学
PDF
计算智能和神经科学/2019年/文章

研究文章|开放获取

体积 2019年 |文章的ID 5850830 | https://doi.org/10.1155/2019/5850830

陈Tongjie Renzhou Gui,韩寒聂, ”情感音乐活跃的投资回报率的影响抑郁症患者基于深度学习:一个任务状态的功能磁共振成像研究”,计算智能和神经科学, 卷。2019年, 文章的ID5850830, 14 页面, 2019年。 https://doi.org/10.1155/2019/5850830

情感音乐活跃的投资回报率的影响抑郁症患者基于深度学习:一个任务状态的功能磁共振成像研究

Renzhou Gui,1 Tongjie陈,1 和 汉聂1

1信息和通信工程系,同济大学,上海201804,中国

学术编辑器:路易斯·哈维尔Herrera
收到了 08年7月2019年
修改后的 2019年9月12日
接受 2019年9月14日
发表 2019年10月20日

文摘

随着科学的不断发展,越来越多的研究成果证明,机器学习的能力诊断和研究重度抑郁症(MDD)在大脑中。我们提出一个深入学习网络multibranch和当地残余反馈,对四种不同类型的功能性磁共振成像(fMRI)数据由抑郁症患者和控制人们听的情况下积极和消极情绪的音乐。我们使用相同大小的大型卷积核的相关矩阵匹配特性和264年获得特征匹配的结果感兴趣的区域(roi)。首先,四维的功能磁共振成像数据用于生成二维相关矩阵基于roi的一个人的大脑,然后由选定的阈值处理根据复杂网络和小世界网络的特征。之后,本文中的深度学习模型与支持向量机(SVM)相比,逻辑回归(LR),再(资讯),一个共同的深层神经网络(款),和一个深卷积神经网络(CNN)的分类。最后,我们进一步计算中间结果的匹配的roi深度学习模型可以帮助相关领域进一步探讨抑郁症患者的病因。

1。介绍

抑郁症是一种复杂的精神疾病的患者会不断感到压抑,消极,悲观,甚至有自杀的念头。这不仅给病人带来极大的危害自己,也对他的家庭负担,朋友,和周围的人1]。

这种疾病带来了巨大挑战,准确的诊断和有效和及时治疗的医学社区。人类的情感是一个巨大和复杂的过程;情绪调节可以帮助我们身心发展,有很大的积极影响抑郁症患者的症状。然而,人类的大脑是由大约1000亿个神经元,数以万亿计的神经胶质细胞,和其它小细胞,维持神经元的功能(2]。大脑的所有部分连接和相互作用形成一个巨大的网络组织。

功能性磁共振成像(fMRI),神经成像模式下,可以显示大脑的特定部分的功能活动实时高空间和时间分辨率3]。现在有许多fMRI-based分析抑郁症患者,已作出了显著贡献的比较和分析不同的大脑活动在正常和抑郁的人之间。

地蜡et al。4- - - - - -9)使用fMRI扫描过程进行实验抑郁症患者,19日MDD,和20 never-depressed主题,ND。他们被要求不断听标准的积极和消极情绪的音乐,没有音乐刺激。扫描后,他们主观评估。数据集(在线发表https://openfmri.org/dataset/ds000171/)。结果发现抑郁症患者可能过程情感听觉刺激不同的类型取决于刺激和情感刺激的内容。帮助找到研究音乐与情感之间的差异将提高我们对人类大脑的复杂性的理解。和发现情感反应在MDD中可能导致更有效的和有针对性的治疗。

计算机科学可以受益很多从fMRI-based大脑研究[10]。随着时间的发展,越来越多的机器学习方法已经发现我的功能磁共振成像数据,了解大脑的更深层次的思考过程(11),并找到fMRI数据之间的关系和相关的任务12]。通过处理不同状态和类型的数据,可以使用机器学习分类的功能磁共振成像数据,包括独立分量分析(ICA) [13),支持向量机(SVM) [14,15),再(资讯)16),高斯朴素贝叶斯(GNB),线性判别分析(LDA) (17),逻辑回归(LR) [18],autoencode [19),深层神经网络(款),和卷积神经网络(CNN)。Cai et al。13)使用ICA方法的准确性达到72% (13/18)。Afshin-Pour et al。17使用广义典型相关分析(gCCA)和线性判别分析(LDA)实现75%的准确性。Ramasubbu et al。14)使用线性支持向量机处理的静息状态功能磁共振成像数据和分类MDD抑郁症患者和对照组的准确率为66%。Khazaee et al。15)使用SVM方法选择感兴趣的区域(ROI) (26420.从荟萃分析)和相应的信号和fc映射方法。他们分类三组:HC、广告和MCI患者。分类精度达到88.42%。Kamonsantiroj et al。19使用强大的组合的探照灯autoencode映射和解码的信息以减少维度和学习有效的编码。他们取得了改善分类精度超过20%,与目前的神经影像学方法进行比较。

这些模型中使用的大多数的数据相对容易区分,但精度不够高。近年来,深度学习已广泛应用在学习和挖掘的功能磁共振成像数据。和强大的数据分析和分类能力,吸引了越来越多的关注。张和霁(21)利用CNN分类功能磁共振成像数据对应8项,准确率87.69%。Tahmassebi et al。22)用CNN预测复发烟鬼主题基于静息状态功能磁共振成像的。他们通过XGBoost算法精度达到0.86。Sarraf和Tofighi23,24CNN)用来区分阿尔茨海默氏症患者和健康人。通过使用LeNet和GoogleNet框架,它们分别达到96.86%和98.84%,准确度。实验显示,CNN的转变和规模不变的特性。再加上深度学习分类,证明了CNN是最强大的方法在功能磁共振成像来区分临床数据和健康数据。与此同时,当前的学术研究也探讨更多关于大脑的抑郁症患者样本。

上述研究成果是基于静息状态数据,精度高。这是不一样的任务的结果数据。任务状态的功能磁共振成像数据,要求受试者在扫描完成相应的任务可以避免思考无关紧要的事情。这种方式可以更好地反映大脑的变化,以应对外部的刺激,以及包括信息的抑郁症患者和正常人之间的差异。但由于fMRI数据任务状态的复杂性,其分类精度较低。根据不同的数据和分类精度变化很大。听刺激的任务状态数据的准确率一般不是很高。倪et al。25是否支持向量机分类算法。他们的平均精度达到77.38%。王等人。26)提出了一种新颖的抑郁障碍的分类算法,名叫加权歧视fMRI数据字典学习(WDDL)任务状态,,取得了79.31%的准确率。基于支持向量机和递归特性消除(RFE),香奈儿et al。27)提出了一个完全数据驱动(分布)的方法来区分个体与自闭症谱系障碍(ASD)从控制可以应用于两个不同的功能磁共振成像实验与社会刺激(脸和身体)。与上述研究依赖于静息状态的连通性测量,他们的方法达到精度在69%和92.3%之间。钟等。28)提出了探索性工作基于节点的使用热内核特性应用于功能性核磁共振数据,取得了平均精度为83.7%。罗莎et al。29日)使用SVM建立fMRI数据歧视基于稀疏网络建模框架和模式识别是用来区分MDD和正常人之间深度抑郁症患者,最后获得了85%的准确率。特·et al。30.)提出了一个新颖的框架编码本地连接大脑的模式。他们分类的认知状态人类连接体项目(HCP)任务fMRI数据集训练支持向量机。当血氧之间的两两相关等级相关(粗体显示)响应对各区域的特点,分类精度为77.49%。

正如上面提到的,深度学习的重要作用也反映在功能磁共振成像数据处理和分析。发展技术和机器学习的潜力MDD已被证实的诊断方法。在本文中,一种新形式的深入学习网络和大型卷积内核提出了四种不同的功能磁共振成像数据由抑郁症患者和正常人的情况下听积极和消极情绪的音乐,和网络结构提高了multibranch和当地残余的反馈。此外,大多数机器学习方法只是分类的类型;活动ROI和进一步的统计分析,MDD的发病机制还没有意识到这是最重要的分析人类情感和大脑解码。

在本文中,我们使用相关矩阵ROI (20.264 roi的单个人的大脑进行高精度的分类和特征匹配。为了验证新的深度学习模型的可用性提出了,我们比较我们的模型和五个其他常见的机器学习模型,支持向量机,LR,然而,普通款模型,由Inception-ResNet-v2 CNN模型(31日]。最后,为了研究ROI的发病机理和操作规则在音乐刺激大脑的,本文使用中间的卷积结果训练深度学习网络模型进行统计和探索更大的投资回报率对抑郁症患者的影响。通过卷积特性的分析和统计分类器,roi与相应的高相关的大脑区域。最后,我们比较和验证了统计结果与其他研究。

2。材料和方法

整体数据预处理和深度学习本文分类过程如图所示1。第一功能磁共振成像数据预处理获得264 ROI的相关矩阵20.),然后由阈值处理和分类不同的机器学习模型。分类后,训练有素的卷积核被用来计算ROI和ROI职位匹配的统计与明显的抑郁患者和正常人之间的区别。


图1
整个过程的数据处理。
2.1。实验材料和预处理

地蜡的实验数据等。4- - - - - -9]本文使用;他们的研究是人类主体委员会批准堪萨斯大学的医疗中心,发现与音乐是更积极地刺激大脑的相应区域的刺激比没有音乐。可以从OpenfMRI获得数据库的数据。其入世号码是ds000171。西门子Skyra扫描仪进行扫描在3特斯拉(德国西门子,埃朗根)和TR / TE /翻转角= 3 s / 25 ms / 90度,视野(FOV) = 220 mm,矩阵= 64×64,切片厚度= 3毫米,0毫米跳过,平面分辨率= 2.9×2.9毫米。此外,三维解剖数据体素的大小176×256×256 1毫米大小3已经被收购了。图2显示片从一个病人的大脑解剖(图的所有三个轴2(一个))和功能(图2 (b))表示。

(一)”name=
(一)
(b)”name=
(b)
图2
(一)解剖和(b)大脑的功能片。

功能磁共振成像扫描过程中,患者19 MDD(11个女性,九人,平均年龄为34.15)和20 never-depressed科目(ND)(11女,八个人,平均年龄28.5)听没有音乐和音乐刺激积极和消极的情绪。MDD组的参与者都经历一个当前抑郁发作的时候扫描,由筛查研究目的使用SCIDI / NP。这是扫描后主观评估。参与者年龄在18岁到59岁的年龄,MDD的参与者在研究中都经历过当前抑郁发作时测试。

每个主题在这个实验测试了5次,包括音乐型刺激的3倍和2倍没有音乐刺激。总共 组测试,其中 组music-stimulation实验(数据采用本文)。每个测试流程如图3。除了纯粹的音调,两个积极的音乐刺激和两个负面刺激经历,和结果 组了。统计参数映射(SPM12) (https://www.fil.ion.ucl.ac.uk/spm/)被用来预处理数据包括片时间校正、运动校正,规范化的标准空间,平滑滤波。


图3
测试时间研究对象的过程。

264年计算的时间序列大脑区域之后,DPARSFA的工具箱32)被用来生成不同状态和对象的相关系数矩阵和相应的标签包括与积极的音乐,一般人正常的人-音乐,抑郁患者积极的音乐,和抑郁患者消极的音乐。

在本文的研究中,有39个对象,每个都有12个样品。因此,总共有468示例数据。这些数据可以分为数据228抑郁症患者和240名正常受试者根据对象的类型。它也可以分为积极的音乐刺激和234 - 234的数据刺激根据音乐的类型的情感。共有468个相关矩阵生成,其中80%作为训练数据,20%作为测试数据。

2.2。阈值处理

人类的大脑是一个复杂的三维网络,其中每个ROI可以看作是网络的一个节点。每个值的相关系数矩阵可以被认为是无向复杂网络中的每个节点对的重量。也就是说,相关系数矩阵的功能磁共振成像数据类似于无向网络结构。这是一个复杂网络的方法来研究人类大脑功能区域之间的相互作用。

大脑解剖网络稀疏和复杂,经济小世界属性(33]。网络有很多噪声和弱连接几乎没有相关性。通过阈值处理、弱连接边缘和噪声可以删除,以确保两个连接节点相似度很高的行为。不同的阈值可能会影响大脑网络的统计特征和拓扑构造(2,34]。的值的选择应尽可能高,而网络连接(没有孤立的大脑区域)的相对完整性保证网络和网络的小世界35,36]。

因此,理想的阈值可以通过复杂的网络和小世界网络的约束。主要的复杂网络的统计特征(37,38)包括网络平均价值<k>、平均聚类系数 ,和平均路径长度 。 是顶点之间的聚集程度的系数可以表示程度的相邻点之间的互连ROI的大脑网络。 代表所有成对的节点之间的平均距离,它描述了平均分离度(网络有多小)大脑网络的中间节点之间。

计算过程如下所示:

无向网络,可能的边缘之间的最大数量 节点 ,而实际的边数 。因此,我们定义 作为节点的聚类系数 。和 之间最短的距离是什么 和 。

维护网络的小世界特征,大脑功能网络的平均度<k应该大于> N是网络节点的数量。当网络的小世界满意,聚类系数 和平均路径长度特征 随机网络的大小相同(相同数量的节点和边)应满足: 在哪里 和 。通过不断设置阈值的大小和相应的网络计算每个统计特性是否每个处理后通过阈值满足上面的复杂网络限制,最优匹配阈值的值将被发现。

摘要网络节点的数量是264,所以网络平均度<k不能小于> 这是5.5759。不同的阈值和对应值如图4。根据这一数据,当阈值为0.75,平均网络度约为26.3820,远远大于5.5759。和平均聚类系数 = 0.4238,平均路径长度特征 = 2.1439。在这个时候, = 0.0999, = 1.70379。 和 。这些计算的结果在一个相应的相应脑网络的小世界特性和功能连通性。阈值的0.75,结果和分销网络的特征值的示例如图5。和影响图的相关系数矩阵处理的阈值图所示6。


图4
变化的曲线 和 在不同的阈值。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图5
fMRI-related变化曲线的特征值在阈值为0.75。(一)中间性中心分布。(b)聚类系数分布。(c)程度分布。
(一)”name=
(一)
(b)”name=
(b)
图6
相关矩阵呈现。(一)在阈值处理。阈值处理后(b)。
2.3。深度学习模型

如今,CNN领域起着重要的作用深度学习的图像。卷积核是局部敏感输入空间,可以区分位移,缩放、和其他形式的畸变图像的对象和内容,从而更好地挖掘图像中局部空间相关性强。

然而,对于我们的相关系数矩阵,矩阵之间没有相关职位,如图7。位置(I, J)代表第I个ROI的相关系数J ROI和没有相关职位的相关系数(K、M)。然而,卷积的特性匹配功能可以应用。由于二维卷积的计算,更紧密的特点匹配图像卷积核,计算结果就会越高。同时,通过不断的培训,每个卷积内核也更近似匹配特性,如图8。因此,为了匹配ROI的重要特征系数矩阵,大型卷积内核相同大小的矩阵可用于实现匹配。通过这种方式,我们不仅可以分类数据,也让那些作出更大贡献的ROI的分类结果和探索ROI职位抑郁和正常人之间明显不同。


图7
两个不同的点的相关系数矩阵。

图8
矩阵的卷积内核之前和之后的训练。

2014年,GoogleNet [31日,39网络赢得了2014年ImageNet冠军。因为有效的《盗梦空间》的网络结构,它有一个更深层次的网络结构,但计算效率高。利用净净的想法,这些过滤器有不同感觉领域,实现较高的分类精度。

《盗梦空间》模块的基本结构如图8(a)。这个模块可以使用不仅在CNN的网络结构,但也在多层感知来达到同样的效果。卷积模块有不同的大小和尺寸可以通过感知器模块替换不同的宽度和深度,实现共同款深学习网络,如图9 (b)。

(一)”name=
(一)
(b)”name=
(b)
图9
《盗梦空间》的基本结构模块。(一)最初的形式。(b)修改的形式。

本文借鉴《盗梦空间》的结构形式和款剩余的概念网络(ResNet) [40),我们提出了一个深刻的学习网络与multibranch和当地残余反馈任务状态功能磁共振成像数据,如图10。这个网络有17层,参数的总数是114159902。网络采用ReLU激活函数和交叉熵损失函数来训练网络。辍学有0.5的模型还可以防止过度拟合率和L2正规化。


图10
深层网络模型。

网络结构中,卷积层的卷积内核都是一样的大小作为输入相关系数矩阵,这充分利用CNN特性匹配能力。卷积后,1500年特性得到匹配结果然后发送到两个款Inception-ResNet结构。最后,完整的链路层后,获得的分类输出SoftMax层。这样一个网络,不仅保证了足够的深度,使网络具有良好的非线性,也传送错误每一层更好地训练整个网络。

优化算法,有很多算法的参数优化的深度学习模型,包括随机梯度下降法(SGD)、均方根传播(RMSprop),自适应估计(亚当),和Nesterov适应性时刻评估(纳丹)41]。通过连续的算法改进和有针对性的修改,他们对不同的模型可以实现更好的性能。尽管上级培训结果,人们已经发现,自适应优化方法如亚当,Adagrad或RMSprop一般低于随机梯度下降法(SGD) [42]。凯斯卡和Socher et al。42)提出了一个混合策略,首先训练模型,利用自适应方法,然后转向SGD在适当的时候,结果显示该方法能够关闭泛化SGD差距和亚当在大多数的任务。因此,通过实验结果的比较,我们选择一个简单的混合策略结合亚当算法和SGD算法提供模型参数的优化,即首先使用亚当培训网络达到一个稳定值,然后利用SGD训练一遍。

为了比较简单的模型,我们使用SVM (LR)和资讯模型对数据进行分类。和不使用卷积层和使用的比较小回旋的层,我们设计了一个简单款,采用了著名的CNN, Inception-ResNet-v2。款模型中,共有4层隐藏的采用神经网络实现分类,如图11。输入层包含34716个输入数据。四个隐藏层神经元的数量,分别是1500年,1000年,500年和200年,辍学在每一层的系数是0.5,L2正规化的衰减系数是0.001,最后一层删除辍学、正规化和相应的输出结果是由SoftMax根据分类的数量。


图11
款模型。

原GoogleNet Inception-ResNet-v2网络,如图12由十部分组成,包括三个初始模块和减少相应的模块。最终的输出没有完整的链路层,和最终的输出是通过平均池层和SoftMax层。虽然这网络具有强大的网络和学习能力,很容易overfit当前数据集,由于网络的复杂性和无法轻易看到卷积网络学习的特性。


图12
《盗梦空间》V4网络模型。

操作环境如下:英特尔CPU核心(TM) i57300hq (R), GPU NVIDIA GeForce GTX 1050 ti,记忆是8 g,视频4 g内存,操作系统是Windows10 64位操作系统,我们安装了CUDA 10.0。Matlab2014a用于预处理,Python3.6深度学习,Pytorch作为深度学习工具。深度学习由GPU加速和优化算法采用亚当的学习速率0.001和SGD学习速率的0.005;一阶矩估计的指数衰减率为0.999,二阶矩估计的指数衰减率是0.999,和一批一批培训的大小是5。大纪元时报的培训包括在使用500倍亚当和当使用SGD 20倍。

3所示。实验结果

3.1。深度学习和分类的结果

在本文中,我们比较其他五个常见的机器学习模型,如支持向量机、LR、资讯,普通款模型,CNN模型由GoogleNet Inception-ResNet-v2模型在本文提出。首先,fMRI数据被用来生成相关系数矩阵,然后阈值方法用于处理根据复杂网络和小世界网络的特征。

表1显示了分类评分包括准确性,记得,AUC, F1-score验证数据集的分类的正常人和抑郁症患者在积极向上音乐和消极的音乐刺激。中华民国曲线对应于每个模型图所示13。从表中可以发现1听积极的音乐时,分类精度远高于只听负面的音乐时,表明消极的音乐刺激抑郁患者超过正常的人。当两种类型的数据训练在一起,分类精度进一步提高。我们模型的分类精度提出了最高达到94.68%时听所有类型的音乐,听积极的音乐时93.61%,89.36%听负面的音乐。
类型的音乐刺激 分类分 然而, 支持向量机 LR 款 GoogleNet 本文模型
积极的和消极的音乐 精度 0.5213 0.7979 0.7872 0.9149 0.8617 0.9468
回忆 0.2979 0.7660 0.7021 0.8936 0.8085 0.8936
AUC 0.5430 0.8918 0.8628 0.9701 0.9393 0.9887
F1的分数 0.3836 0.7912 0.7674 0.9130 0.8539 0.9438
积极的音乐 精度 0.3617 0.6596 0.5532 0.8298 0.6808 0.9361
回忆 1.0 0.8462 0.8462 0.4615 1.0 0.8461
AUC 0.6538 0.8303 0.7217 0.7805 0.9253 0.9864
F1的分数 0.4643 0.5789 0.5116 0.6 0.6341 0.88
消极的音乐 精度 0.5532 0.7447 0.6596 0.8298 0.8298 0.8936
回忆 0.36 0.68 0.56 0.92 0.84 0.8
AUC 0.7 0.8327 0.7636 0.9655 0.94 0.9909
F1的分数 0.4615 0.7391 0.6363 0.8519 0.84 0.8889
表1
分类的分数。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图13
ROC曲线分类的正面和负面的音乐使用六个模型。(一)正面和负面的音乐。(b)只有在积极的音乐。(c)只有在消极的音乐。
3.2。卷积层数据和相应的活跃的roi

如图14训练模型后,我们提取的卷积模型的层火车所有音乐类型和卷积层积累形成的矩阵。卷积的数据层用作相关系数矩阵的特征匹配结果的功能磁共振成像,和活跃的roi计算在当前情感音乐刺激。


图14
图1500年累积的结果计算卷积矩阵低统计高统计(黑色和白色)。每个卷积矩阵是阈值阈值为0.75之前积累了去除噪声的影响。

根据结果,最大统计值在第一行,第142列的位置统计矩阵和统计值是146。和相应的投资回报之间的相关性是第一个ROI和第142 ROI。其他前五的排名统计数据和相应的ROI如表所示2。此外,单独统计每个ROI进行,也就是说,统计金额超过阈值矩阵的列数,和相对应的坐标表值264 ROI。十大如表所示3。
ROI # 大脑区域 半球/ BA 立体定位坐标 统计值
x y z
1 枕下回 l/ 17 −25 −98 −12 146年
142年 舌回 l/ 17 −12 −95 −13
178年 额中回 l/ 6 −23 11 64年 104年
185年 后叶,锥体 35 −67 34
222年 丘脑 6 −24 0 80年
226年 丘脑 −5 −28 −4
159年 楔片 R/ 19 15 −77 31日 76年
182年 额上回 l/ 11 −21 41 −20
177年 顶叶小叶 l/ 40 −53 −49 43 73年
204年 顶叶小叶 R/ 40 55 −45 37
表2
ROI相关性统计结果。
ROI # 大脑区域 半球/ BA 立体定位坐标 统计值
x y z
142年 舌回 l/ 17 −12 −95 −13 392年
2 梭状回 R/ 18 27 −97 −13 389年
185年 后叶,锥体 35 −67 −34 383年
182年 额上回 l/ 11 −21 41 −20 366年
184年 后叶,锥体 17 −80 −34 349年
127年 楔前叶 R/ 19 28 −77 −32 343年
141年 梭状回 R/ 18 17 −91 −14 327年
159年 楔片 R/ 19 15 −77 31日 306年
178年 额中回 l/ 6 −23 11 64年 283年
222年 Sublobar,丘脑 6 −24 0 281年
表3
ROI统计结果。

从这两个表的数据统计中,我们可以看到相同的地区包括142,159,178,182,185,222,和其他类似的地区,这些地区在深度学习的特征匹配。这些重要的roi如图15。


图15
统计ROI分布在大脑中。

4所示。讨论和结论

本文的目的是不仅要提出一个模型,可以提高分类精度的相关系数矩阵的静息状态功能磁共振成像也使用抒情音乐的影响探讨抑郁症对大脑的积极影响通过这个深度学习模型。通过统计和分析的特点积极的ROI,它可以帮助相关领域进一步探索抑郁症患者的原因。

如表所示1,我们的模型达到最好的分类精度不同的分类结果。这种分类精度也高分类任务状态数据的当前研究的结果(24,25,28,30.]。这证实了深度学习的有效性模型,它允许进行进一步的统计分析feature-matched卷积层。深度学习模型的特点是使用相同大小的卷积内核作为相关系数矩阵来实现特征匹配。没有空间属性相邻数据之间的相关矩阵,但是CNN功能匹配和卷积可以利用的能力。

通过深入学习,我们可以找到积极的roi由二维卷积(表匹配2和3)。很多都是符合当前的研究成果。Gourgouvelis et al。43]显示一些地区的下降与抑郁症相关活动,包括ROI (36, 88, 11) (Brodmann 19个地区)和ROI(24岁,73年,13)(Brodmann 18个地区)。Brodman区18和Brodman区19(区域ROI(27岁,97年,13),ROI(28日,77年,32),ROI(17, 91,14),和ROI(15, 77, 31)本文计算)形成一个视觉相关的皮质,还间接影响人类的心理情绪。哈维et al。44和惠利et al。45)提到的比较效应Brodmann区40和Brodmann区6在正常和抑郁症患者也占较大比重。Brodmann supramarginal回的部分面积40 (ROI的地方(27)48岁,25日和ROI(55岁,45岁,37)本文计算)的地区下顶叶参与语音和阅读的意义。此外,我们还发现第182 ROI(21, 41岁,20)有显著差异在我们的结果位于Brodmann地区11所示。Brodmann面积11是前额皮质的一部分帮助解决思维和知觉认知功能相关,如解决问题和情绪管理。

这些结果反映了卷积的组合与大内核和到款小的数据集是一个好办法找到相关系数矩阵的特点,提高分类精度。从音乐的角度来看,它具有十分重要的意义和研究价值,探索正常人和抑郁症患者的ROI特征fMRI数据和反映的哪一部分ROI影响抑郁症患者的情绪。抑郁症患者的脑机制的深入分析更有利于解决抑郁病人的状况和减少伤害自己和社会。本文的下一步是进一步分析相关矩阵和特征矩阵生成的卷积和帮助抑郁症患者的实际情况。

附录

我们的训练模型的可视化

在图14,我们将展示一种累积1500年的卷积矩阵的计算。事实上,每个卷积内核都有自己的特点。我们随机选择10效果图卷积对应内核,如图16,颜色映射的范围与图一致6。


图16
卷积的第一层网络模型的效果图。

数据可用性

最初的功能磁共振成像数据,请访问https://www.openfmri.org/dataset/ds000171/。处理过的数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(61271351和61271351)。

引用

  1. l·安德拉德j . j . Caraveo-Anduaga p·巴瑞et al .,“主要抑郁发作:结果的流行病学国际财团的精神病流行病学(ICPE)调查,“国际精神病学研究中的方法杂志》上,12卷,不。1,3-21,2003页。视图:出版商的网站|谷歌学术搜索
  2. 美国罗,功能连通性研究基于功能磁共振成像的大脑休息桂林电子科技大学,桂林,中国,2014。
  3. e·李”的应用功能性磁共振成像在认知神经科学中,“计算机科学与探索,卷2,不。6日,页。589 - 600年,2008年,在中国。视图:谷歌学术搜索
  4. r . j .地蜡r . a,左起第二个人大肠Chrysikou et al .,“情感的音乐和音乐无关刺激的神经处理抑郁症,”《公共科学图书馆•综合》,11卷,不。9篇文章ID e0156859 2016。视图:出版商的网站|谷歌学术搜索
  5. r . j .地蜡r . a .,左起第二个人和c·r·萨维奇”发展研究一套验证情感挑衅音乐刺激,”音乐心理学,44卷,不。5,1012 - 1028年,2015页。视图:出版商的网站|谷歌学术搜索
  6. r . j .地蜡r . a,左起第二个人l·e·马丁et al .,“边缘反应积极和消极情绪唤起音乐:一个功能磁共振成像研究,”美国神经科学学会2012年年会2012年10月,新奥尔良,洛杉矶,美国。视图:谷歌学术搜索
  7. r . j .地蜡r . a,左起第二个人l·e·马丁et al .,“音乐经验的影响和音乐训练神经反应具有情感冲击力的音乐和我的声音,”《社会和情感神经科学学会学报2013年年会美国圣地亚哥CA, 2013年4月。视图:谷歌学术搜索
  8. r . j .地蜡r . a,左起第二个人l·e·马丁et al .,“音乐和没有声音唤起不同的神经活动模式:一个功能磁共振成像研究,”美国心理学协会年会2012年11月,明尼阿波利斯,美国。视图:谷歌学术搜索
  9. r . j .地蜡r . a,左起第二个人t . m .贵族et al .,“音乐耳朵:神经反应在抑郁、动人的音乐和声音”《生物精神病学协会2013年度科学会议美国,旧金山,CA, 2013年5月。视图:谷歌学术搜索
  10. g . Atluri a·麦克唐纳三世,k . o . Lim和诉Kumar“脑网络范式:使用功能成像数据来研究大脑是如何工作的,”电脑卷,49号10日,65 - 71年,2016页。视图:出版商的网站|谷歌学术搜索
  11. m·j·帕特尔,a Khalaf)和h . j . Aizenstein”研究抑郁使用成像技术和机器学习方法,”科学杂志:临床,10卷,不。4、115 - 123年,2016页。视图:出版商的网站|谷歌学术搜索
  12. a . Tahmassebi a . h . Gandomi m·h·j·舒尔特a . e . Goudriaan s . y . Foo和a . Meyer-Baese”优化摘要fMRI戒烟分类和决策树方法,”复杂性卷,2018篇文章ID 2740817, 24页,2018。视图:出版商的网站|谷歌学术搜索
  13. j . Cai l .郑l .李et al。”功能磁共振成像的比较研究癫痫病灶检测通过独立分量分析,“临床放射学杂志没有,卷。31日。10日,页。1370 - 1374年,2012年,在中国。视图:谷歌学术搜索
  14. r . Ramasubbu m·r·g·布朗,f . Cortese et al .,“自动分类精度的重度抑郁症症状的严重程度,”科学杂志:临床》12卷,第331 - 320页,2016年。视图:出版商的网站|谷歌学术搜索
  15. a . Khazaee a Ebrahimzadeh, a . Babajani-Feremi”网络上静息状态功能磁共振成像的应用先进的机器学习方法对轻度认知障碍的识别和阿尔茨海默氏症,”脑成像和行为,10卷,不。3、799 - 817年,2016页。视图:出版商的网站|谷歌学术搜索
  16. a . Panat a·帕蒂尔,r . Chauhan”功能磁共振成像图像特征提取和分类”,国际电气电子杂志和数据通信,卷2,不。10日,2014年。视图:谷歌学术搜索
  17. b . Afshin-Pour S.-M。沙姆斯,斯特罗瑟,“混合LDA + gCCA fMRI数据分类模型和可视化,”IEEE医学成像,34卷,不。5,1031 - 1041年,2015页。视图:出版商的网站|谷歌学术搜索
  18. s . Ryali k . Supekar d·a·艾布拉姆斯诉梅农,“稀疏的全脑功能磁共振成像数据分类logistic回归,”科学杂志,51卷,不。2、752 - 764年,2010页。视图:出版商的网站|谷歌学术搜索
  19. 美国Kamonsantiroj、p . Charoenvorakiat和l . Pipanmaekaporn“学习使用autoencoder表示功能磁共振成像数据分析,”先进应用信息学IIAI国际大会熊本,页560 - 565年,日本,2016年7月。视图:谷歌学术搜索
  20. j . d ., a·l·科恩,s·m·纳尔逊et al .,“人类大脑的功能网络组织”,神经元,卷72,不。4、665 - 678年,2011页。视图:出版商的网站|谷歌学术搜索
  21. 张z和j .霁”功能磁共振成像数据基于卷积神经网络分类方法,”模式识别和人工智能,30卷,不。6日,页。549 - 558年,2017年,在中国。视图:谷歌学术搜索
  22. a . Tahmassebi a . h . Gandomi麦肯,m·h·j·舒尔特a . e . Goudriaan和a . Meyer-Baese“深度学习在医学成像:fMRI大数据分析通过卷积神经网络”诉讼实践和经验的高级研究计算ACM,页1 - 4,宾夕法尼亚州匹兹堡,美国,2018年7月。视图:出版商的网站|谷歌学术搜索
  23. Sarraf和g . Tofighi“深度上优于管道使用fMRI数据识别阿尔茨海默氏症,”程序未来的技术会议温哥华,加拿大,2017年11月。视图:谷歌学术搜索
  24. Sarraf和g . Tofighi“DeepAD:阿尔茨海默病分类通过深卷积神经网络利用磁共振成像和功能磁共振成像,”2016年,https://www.biorxiv.org/content/10.1101/070441v4。视图:谷歌学术搜索
  25. c . h .倪w . Wang彭日成,j . Yu”分类判断的功能磁共振成像数据的视觉识别任务,”国际研讨会的程序复杂性和数据挖掘页47-50,华盛顿,美国,2012年12月。视图:出版商的网站|谷歌学术搜索
  26. 杨任x, y, y, w . Zhang和n . n .熊”加权区别的字典学习方法对抑郁障碍分类使用fMRI数据,”《IEEE国际会议在大数据和云计算成都,页618 - 623年,中国,2016年7月。视图:出版商的网站|谷歌学术搜索
  27. g .香奈儿s Pichon l . Conty s Berthoz c .舍瓦和j . Grezes“自闭症个体的分类和控制使用cross-task fMRI活动的描述,“科学杂志:临床,10卷,第88 - 78页,2016年。视图:出版商的网站|谷歌学术搜索
  28. a·w·钟,大肠Pesce, r·p·蒙蒂·g·蒙大拿,“HCP task-fMRI网络使用热内核,分类”《2016年国际研讨会在模式识别神经成像(PRNI)特兰托,意大利,2016年6月。视图:谷歌学术搜索
  29. m·j·罗莎·l .葡萄牙,t·哈恩和j . Mourao-Miranda”患者分类稀疏网络模型使用fMRI,”《2013年第三国际研讨会在神经影像的模式识别卷,105年,页66 - 69,深圳,中国,2013年10月。视图:出版商的网站|谷歌学术搜索
  30. i o·埃尔·m·Ozay, f . t . y . Vural”编码认知任务的本地连接的功能磁共振成像模式和状态分类,“脑成像和行为,13卷,不。4、1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
  31. c . Szegedy s Ioffe诉Vanhoucke, a . Alemi”Inception-v4 inception-ResNet和剩余连接对学习的影响,”2016年,https://arxiv.org/abs/1602.07261。视图:谷歌学术搜索
  32. y记炒肝”和z于峰(音),“DPARSF: MATLAB工具箱对管道静息状态功能磁共振成像数据分析,“神经系统科学卷,4 p。13日,2010年。视图:出版商的网站|谷歌学术搜索
  33. 美国Achard和大肠图像”,效率和经济的大脑功能网络的成本,”PLoS计算生物学,3卷,不。2,p . e17 2007。视图:出版商的网站|谷歌学术搜索
  34. m·柯h .沈,d,“复杂网络分析静息状态脑功能基于功能磁共振成像,”国防科技大学学报,32卷,不。1,第151 - 147页,2010。视图:谷歌学术搜索
  35. c·斯塔姆琼斯b, g .诺尔特·m·Breakspear p . Scheltens,“小世界网络和功能连通性在阿尔茨海默氏症,”大脑皮层,17卷,不。1,第99 - 92页,2006。视图:出版商的网站|谷歌学术搜索
  36. m p v . d . Heuvel c·j·斯塔姆m . Boersma和h E Hulshoff波尔,“小世界和无标度的组织分布在人类大脑静息状态的功能连通性,”科学杂志,43卷,不。3、528 - 539年,2008页。视图:出版商的网站|谷歌学术搜索
  37. 雪,y, j·李et al .,“脑功能网络施工方法基于功能磁共振成像数据,”计算机应用研究,27卷,不。11日,页。4055 - 4057年,2010年,在中国。视图:谷歌学术搜索
  38. 陈x, j .焦m . et al。“大脑网络建模和功能连通性特征在静息状态下,“兰州理工大学学报,36卷,不。5,88 - 92年,2010页。视图:谷歌学术搜索
  39. c . Szegedy w·刘,y贾et al .,“要更深的曲线玲珑,”学报2015年IEEE计算机视觉与模式识别会议(CVPR)美国,页1 - 9,波士顿,MA, 2015年6月。视图:谷歌学术搜索
  40. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,6 - 2016。视图:出版商的网站|谷歌学术搜索
  41. a . Tahmassebi“iDeepLe:深度学习在一瞬间,”颠覆性技术在信息科学学报》上美国佛罗里达州奥兰多,2018年5月。视图:出版商的网站|谷歌学术搜索
  42. n美国凯斯卡和r . Socher提高泛化性能通过切换从亚当到SGD,”2017年,https://arxiv.org/abs/1712.07628。视图:谷歌学术搜索
  43. p . j . Gourgouvelis屈服者和b·墨菲,“运动促进健康和沮丧的大脑神经可塑性:fMRI试点研究,“神经可塑性ID 8305287条,卷。2017年,13页,2017。视图:出版商的网站|谷歌学术搜索
  44. P.-O。哈维,p . Fossati J.-B。Pochon et al .,“认知控制抑郁症和大脑资源:一项功能磁共振成像研究使用了n - back任务后,“科学杂志,26卷,不。3、860 - 869年,2005页。视图:出版商的网站|谷歌学术搜索
  45. m·d·m·g·惠利拉格,c . r .等“抑郁的自传式记忆:一个功能磁共振成像研究,”精神病学研究:神经成像,卷201,不。2、98 - 106年,2012页。视图:出版商的网站|谷歌学术搜索

版权©2019 Renzhou Gui et al。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。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点1279年
下载773年
引用

相关文章