多通道深度关注自闭症谱系障碍的神经网络分类使用神经影像学和个人特征数据

文摘

自闭症谱系障碍(ASD)是一种发育紊乱,影响超过1.6%的8岁的儿童在美国。它的特点是在社会互动和沟通障碍,以及限制的活动和兴趣。ASD的当前标准化临床诊断仍然是一个主观的诊断,主要依赖于基于行为的测试。然而,自闭症的诊断过程不仅费时,而且昂贵,导致一个巨大的患者家庭的经济负担。因此,自动诊断方法一直是一个有吸引力的解决方案之前ASD的识别。在这项工作中,我们将开发一个深度学习模型自动诊断自闭症。具体来说,多通道深度关注神经网络(丹)提出了通过集成的多层神经网络,注意机制、特征融合来捕获数据多峰性的相互关系。我们评估提出的多通道丹模型自闭症脑成像数据交换(遵守)库809例(408自闭症患者和401典型开发控制)。我们的模型实现了先进的0.732 ASD分类精度通过整合三个尺度的大脑功能连接体和个人特征数据,优于多个对等机器学习模型k倍交叉验证实验。额外的k倍,leave-one-site-out进行了交叉验证测试提出的多通道丹模型的普遍性和鲁棒性。深度学习模型的结果显示承诺援助的未来自动化临床诊断自闭症。

1。介绍

自闭症谱系障碍(ASD)据估计发生在超过1.6%的8岁的儿童在美国(1]。慢性神经疾病,ASD的特点是在社会互动和沟通障碍,以及限制的活动和兴趣(2- - - - - -5]。ASD患者表现出不同程度的损伤,从智力障碍高于平均水平。在神经科学,ASD仍然是一个艰巨的挑战,由于其高患病率,复杂性,和大量的异构性,需要多学科的努力6- - - - - -8]。虽然开发了临床治疗治疗症状,自闭症的诊断仍然是一个具有挑战性的任务。目前,基于行为的测试标准的临床诊断自闭症的方法9]。然而,自闭症的诊断过程不仅费时而且昂贵的(10]。这导致一个巨大的患者家庭的经济负担。与此同时,随着这一生ASD,病人可能有困难的正常社会化和工作环境,提高整体社会成本。因此,一个自动诊断自闭症的早期识别方法是可取的。

机器学习是一种很有前途的工具调查模式的可复制性更大,更多的异构数据集(11- - - - - -13]。自动诊断自闭症的个人特征(PC)数据,如智商(IQ)和社会响应能力量表(SRS)分数已经采用一些研究[14- - - - - -16]。研究自闭症,智商是一种标准分数来自几个标准化的测试,用来评估人类智慧,和SRS分数包括65项标准化问卷关于自闭症相关行为(17]。ASD是高度相关的智力障碍主要衡量智商。与此同时,一些研究[18,19]表明,智商差异是一个有意义的表型在asd。通过这种方式,智商变得分类的重要生物标志物ASD。

神经影像数据也被调查探索自闭症近几十年来生物标志物。促进ASD研究社区,自闭症脑成像数据交换(住),一个国际合作项目,收集的数据来自1000多个对象(如结构磁共振成像(sMRI)、静息状态功能磁共振成像(rs-fMRI),和电脑数据),使整个数据库公开。这个测试假说提供了一个通用平台,搜索关键的生物标记物,并开发先进的统计和机器学习算法。例如,Ghiassian et al。20.)提出了一个自动分类器结合面向梯度直方图的特征提取方法从sMRI rs-fMRI数据和支持向量机(svm)的决策。他们的方法遵守数据集上进行了测试,取得了65.0%的准确率的抵抗。晚了,森et al。21)开发了一种LEFMS学习者,稀疏autoencoder适用于从sMRI提取特征和空间非平稳的独立组件rs-fMRI数据。支持向量机是利用分类ASD和准确性提高了0.042。Katuwal et al。22应用随机森林分类器分类ASD和实现了AUC为0.61。添加了言语智商和年龄的形态学特性、AUC提高到0.68。通过引入超图学习技术,祖茂堂et al。23)提出了一种新颖的学习方法复杂的连接生物标志物发现超出了传统的大脑网络中广泛使用的州以及地区与地区之间的联系分析。

深度学习产生了深刻的影响在许多数据分析应用程序,如语音识别、图像分类、计算机视觉、自然语言处理(24]。建设基于数据驱动的特性,深入学习数据分析模型提供了一个新的方向。在过去的几年里,越来越多的文献证实功能建设的成功使用深度学习方法。深度学习已经证明优于传统的机器学习算法在众多的识别和分类任务(24- - - - - -29日],它激发了研究者在ASD社区应用深度学习在ASD的分类方法。早些时候,深层神经网络(款)应用于识别自闭症患者使用rs-fMRI [26]。他们的模型实现了70%的精度,使用功能连通性(FC)矩阵作为模型训练的特点。

香港et al。27]构造个体脑功能网络使用rs-fMRI纽约大学Langone医学中心的182名被试的数据,数据网站内库。FC特性被用来代表所有科目的网络排名,进一步使用F分数。这时,一个堆叠稀疏autoencoder-based款模型开发。显著的性能改进是通过比较该方法与现有的两个算法。

最近,一个ASD-DiagNet,联合学习过程使用autoencoder和单层感知器,提出了(28]。数据增强战略也为脑功能网络的FC特性设计基于线性插值的特征向量以确保ASD-DiagNet的健壮的训练。通过评估模型对1035例17不同站点的存储库,ASD-DiagNet精度达到70.1%,敏感性67.8%,特异性72.8%交叉验证的10倍。在单个数据中心的模式评价,ASD-DiagNet优于其他先进的方法和提高精度性能的最大精度为80% 20%。

在这项工作中,我们的目标是开发一种新型的深度学习模型自动诊断自闭症。具体来说,我们提出了一种多通道深度关注神经网络,称为丹,通过集成的多层神经网络,注意机制、特征融合来捕获多峰性数据的相互关系(功能性神经影像数据和电脑数据)来区分ASD患者典型的开发控制(TDCs)。注意系统,学习是一种深入学习这是一个最近的趋势了解历史信息的一部分重量更在预测疾病(30.,31日]。利用大型异构数据集从住,多尺度的大脑功能连接体和电脑数据得到的特性。我们系统地评估的诊断能力多道丹在ASD分类和比较模型的性能与对等机器学习模型。

剩下的纸是组织如下。部分2描述数据和多通道深度关注自闭症谱系障碍的神经网络。实验设置部分所示3,紧随其后的是实验结果和讨论部分4。最后,结论部分中描述的工作5。

2。材料和方法

2.1。主题

我们收集预处理rs-fMRI和PC的数据来自809名受试者公开访问存储库,其中包括408自闭症题材和401年TDC科目。科目表中列出的详细统计信息1。自闭症的发病率之间的男性和女性受试者明显不同,因此大部分的受试者在遵守数据集都是男性。岁之间没有显著差异的ASD和TDC组。所有三个智商两组之间有显著差异。后,变量的性别、年龄、和三个智商被用作电脑数据在我们的ASD分类实验。

2.2。数据预处理

每个rs-fMRI数据预处理使用可配置的管道连接体的分析(CPAC)预处理,其中包括片时间修正,动态调整,强度归一化。讨厌变量回归是通过带通滤波和全球实现信号回归策略来清洁混杂变化引入的心跳和呼吸,头部运动,和低频扫描仪飘。此外,boundary-based刚体和FMRIB线性和非线性的图像配准工具被用来注册功能解剖图像。然后,功能和解剖图像归一化模板空间(MNI 152)。三个尺度的大脑功能连接体提取工作。平均血氧水平依赖(BOLD)三组时间序列信号的区域(roi)的利益,即。,atlases, including the Automated Anatomical Labeling (AAL) atlas, Harvard-Oxford (HO) atlas, and Craddock 200 (CC200), were calculated. The weights of functional brain connectivity were defined using Pearson’s correlation coefficient between any pair of two ROIs. For AAL atlas, each subject was represented by aFC邻接矩阵,沿着对角线对称,每个条目表示roi的大脑每一对之间的连接。类似地,每个rs-fMRI数据也为代表和对称的FC邻接矩阵使用HO和CC200地图册,分别。此外,从809年主题,我们获得了五个人电脑数据,包括性,偏手性,全面智商(FIQ)、言语智商(VIQ)和性能智商(PIQ)。

2.3。多通道深度关注神经网络

2.3.1。结构概述

图中给出了多道丹的概述1。它由多通道输入,多层感知器(MLP) self-attention,融合和聚合。在以下部分中描述的各种组件。

2.3.2。中长期规划

向MLP块由5层,它是一个辍学层密度和四层。块的细节图所示2。

期间辍学层,防止过度拟合训练模型,应用于输入数据,例如AAL FC(输入大小是4005)。白色的圆图2表示单位根据辍学概率下降。辍学层是紧随其后的是四个致密层,隐藏的单位是1024年,512年,128年,32岁,分别对应的激活函数是“elu”,“双曲正切,”“双曲正切,”和“relu”,分别。

2.3.3。Self-Attention

注意计算提出了一个元素之间的比对的得分从两个来源32]。特别是,给定一个输入FC邻接矩阵,可以转换为FC邻接序列, 和查询的表示 ,关注(33计算之间的比对的得分问和每个元素使用兼容性函数 。softmax函数然后转换调整分数一个概率分布 ,在哪里z是哪个元素的一个指标是重要的问。也就是说,一个大的 意味着重要的信息有助于问。这种关注过程可以形式化

输出根据其重要性加权元素,例如,

添加剂的注意机制(33,34)是常用的注意机制兼容的函数由延时参数化的,即 在哪里 , 可学的参数,d的尺寸是 ,和是一个激活函数。添加剂的关注相比,乘法(注意35,36)使用余弦相似性或兼容性函数内积 ,也就是说,

在实践中,尽管添加剂的关注是昂贵的在时间和内存消耗成本,通常达到更好的经验下游任务的性能。

Self-attention [37,38)每个特性的重要性进行探讨整个FC给定一个特定的任务。特别是,问从常见的兼容性函数删除正式写成以下方程:

输出根据其重要性加权元素,例如,

2.3.4。融合

融合输出u通过结合两个致密层块的输出,可以捕获的空间类型之间的相关性。融合是通过一个门,如图3,也就是说, 在哪里 , 输出的尺寸吗 ,和可学的参数的融合。

2.3.5。聚合

聚合致密层,self-attention,融合成丹,self-attention和融合块的输出可以连接,增多,或取平均值。在我们的实现中,输出的self-attention块和融合块连接,紧随其后的是一层致密层和乙状结肠分类: 在哪里合并后的输出是一个向量的self-attention阻塞和融合。 代表输出的连接 , , 从self-attention块, , , 从融合块从人口统计数据。乙状结肠函数在密集躺然后用于数据分类。

3所示。实验设置

3.1。模型评价

在这项研究中,我们进行了一次综合评价采用提出的多通道丹在遵守数据集分类的ASD科目TDC科目。两个评价策略,k倍交叉验证和leave-one-site-out交叉验证,在我们的实验设计。为k倍交叉验证,整个数据集分成k部分。在每个重复迭代,我们随机一个部分的数据作为测试数据和应用剩下的(k−1)部分的数据作为训练数据。这个过程会重复k次,直到所有数据测试过一次。leave-one-site-out交叉验证,我们分开住数据集根据他们网站的数据。从这个实验我们移除SBL网站由于其小主题大小(N= 4)。这导致共有12个站点的数据。我们随机使用数据从一个网站作为测试数据,把剩余的数据来自11个数据作为训练数据的网站。这是重复12次,直到所有网站数据评估作为测试数据。这两个k倍交叉验证和leave-one-site-out实验重复50次理解结果的可变性。平均值和标准偏差(SD)计算。学生的T以及应用于测试连续值的区别,和卡方检验被用于离散值。单向方差分析(方差分析)是利用比较(即多个条件。、多k倍交叉验证实验)。一个值< 0.05被用于推断统计学意义。

我们计算真阳性(TP),假阳性(FP),真正的负面(TN),假阴性(FN)分类通过比较对照分类标签和标签。然后,我们计算精度,灵敏度、精度F分数的

3.2。对等机器学习模型

比较我们的多道丹与现有的机器学习模型,我们也实现了随机森林(RF)、支持向量机(SVM)模型和多通道款。每个模型设计了多峰性数据作为输入。

3.2.1之上。随机森林(RF)

射频是一个经典的系综学习方法通过学习多个决策树来改善分类性能和控制过度拟合。在森林中树木的数量进行优化的经验值(20、40、60、80、100)。我们将树的最大深度设置为10。

3.2.2。支持向量机(SVM)

开发执行ASD分类支持向量机模型利用矢量化FC特性。我们应用一个线性内核和搜索保证金损失经验值(0.2,0.4,0.6,0.8,1.0)。

3.2.3。深层神经网络(款)

现有深度学习模型,我们将我们的模型与模型款之前对ASD分类(26]。总之,相比现有的模型是一个款五款,与输入输入层的节点数,其次是1024年,512年,128年,在隐藏层和32个节点,输出层包含两个输出单元。采用交叉熵损失函数。学习速率是设置为0.0001。10世纪应用,以确保模型的收敛性。

3.3。发展环境

拟议的丹和对等机器学习模型在Python 3.7中实现环境。建立相关的深度学习模型,我们应用Keras(2.2.4)包TensorFlow(1.13.1)的后端。对于传统的模型,我们采用了模型从Sklearn 0.20 (39]。统计分析进行了使用Matlab 2019 b。

所有的实验与10核Intel Core工作站i9 CPU和64 GB RAM。由于深学习算法的高计算成本,我们配置一个GPU (Nvidia泰坦Xp, 12 GB RAM)加速模型的训练速度。

4所示。结果与讨论

4.1。性能比较对整个数据集

我们首先比较了ASD分类提出了多道丹的性能模型和多个对等机器学习模型,包括射频、支持向量机和多通道款。计算结果基于50重复10倍交叉验证实验通过使用整个数据集。性能指标的均值和SD表中列出2。提出的多通道丹精度明显高于多通道款展出 ,支持向量机 ,和射频 模型。同样,多道丹也最好F分数比多通道款 ,支持向量机 ,和射频 模型。多道丹的敏感性明显高于多通道款 ,支持向量机 ,和射频 模型。多道丹的特异性显著高于SVM 和射频 但没有明显比多通道款模型 。自多通道有一款灵敏度相对较低(0.673),我们取得了最好的平均精度实验。无显著差异 发现了多通道和丹款之间的精度。多道丹模型仍然表现出比SVM更高的精度 和射频 。总的来说,提出了多通道丹达到改善ASD分类精度,灵敏度,F分数,和特异性在机器学习模型相比,在多通道款最高精度。

鼓舞地,提出了多通道DANN显著优于多通道四款的5个性能指标,增加意味着精度0.025,0.072灵敏度,F得分0.018,0.017和特异性。尽管没有发现意义,该方法的精度略低于多通道0.01款。注意机制在我们的模型中,顾名思义,艾滋病深学习模式做出选择应该注意哪些特性。我们的模型可以通过调整权重分配注意力分配给个人FC特性。这个过程可以决定哪些FC特性比其他人更重要的ASD分类任务。换句话说,它优化了特征选择在学习的学习模式。丹的改进的性能证明款注意机制的有效性。结果在表2还显示,多道丹达到显著提高性能,与传统的SVM模型相比,射频。这是符合多个以前的ASD分类研究26,27]。改善可能是因为注意力机制和深度学习模型的优越功能复杂的数据模式,比如FC特性。

4.2。多道丹的Leave-One-Site-Out交叉验证

测试该模型的普遍性在看不见的数据从不同的站点,我们执行一个leave-one-site-out交叉验证。类似于k倍交叉验证,我们保留数据从一个数据作为测试数据和训练我们的模型通过使用所有数据从其余的11个站点的数据。但是,由于训练数据是相同的所有重复,表演已经小得多比变化k倍交叉验证。表3显示了我们的模型的分类性能,并为每个数据对象的大小。

在纽约大学数据网站,包含最大的样本大小,我们的模型的准确性 ,灵敏度为0.720±0.086,0.758±0.127的精度,F得分为0.738±0.069,0.689±0.072和特异性。检查数据与40多个主题网站时,我们发现我们的模型的精度最高(0.803±0.045)振子结构网站和最好的F得分(0.745±0.052)在加州大学洛杉矶分校的网站。这两个网站包含近100名受试者,所以结果是非常有益的。我们还指出,最低精度模型返回从嗯网站为0.684±0.026,表明这里的数据可能有差异,不同于其他网站。总的来说,我们的模型达到平均0.713±0.022和精度的意思F得分0.707±0.043。这是明显低于精度( )和F分数( )从十字架上验证结果表2,表明大型数据变化在不同站点的数据。

4.3。鲁棒性的多道丹在不同数据分割方案

接下来,我们丹进一步测试使用不同的鲁棒性k倍交叉验证。一个分类模型,并不是强大的执行非常不同与不同可能会出现k。图4显示块的准确性、敏感性、精度F分数,拟议的丹和特异性k倍交叉验证策略 。使用单向方差分析,提出丹没有表现出明显不同的性能在不同的k倍实验( ),表明提出的多通道丹模型的鲁棒性。

4.4。数据模式的分类性能的影响

结束时,我们将测试多道丹的性能在不同的数据模式用于自闭症谱系障碍的分类。所有结果都是基于50重复10倍交叉验证实验。表4列出了性能多道丹的不同组合的FC数据(标记为光芒四射,HO和CC200)和PC数据(标记为演示)。表的上方4包含结果基于FC和电脑数据,而较低的表只关注FC数据的一部分。合并后的FC和电脑数据(AAL + + CC +演示)有更好的精度 ,灵敏度 ,和特异性 仅比FC数据(AAL + + CC),没有观察到显著差异在精度 和F分数 。这证明了电脑数据的预测能力。

没有电脑数据,我们的模型达到最高的性能从所有三个脑图谱结合FC。这表明大脑连接的数据从不同的地图册有互补的信息,以帮助自闭症谱系障碍的分类。有趣的是,该模型使用CC200 FC数据(表中标记为CC)执行比FC数据来源于AAL ( )和HO ( )。很可能因为CC200地图集是由rs-fMRI数据,代表大脑功能分割。

5。结论

总之,我们开发了一个多通道丹模型通过应用先进的注意力系统深入学习技术自动诊断自闭症。的k倍交叉验证实验表明,我们的多道丹实现精度0.732,优于多个对等机器学习模型。leave-one-site-out交叉验证实验的结果显示,承诺我们的模型应用到临床数据与看不见的变化。实验使用不同组合的数据形式展示辨别力的个人数据形式如大脑功能连接体和电脑数据。这表明未来的方向相结合的额外的数据形式将机器学习应用程序对自闭症的临床使用计算机辅助诊断工具。当前工作的一个局限是,选择的群组在青少年和年轻的成年人,这限制了模型的普遍性,因为ASD诊断更早了。在未来的研究中,我们将重新培训模型和额外的数据从一个更广泛的人口年龄范围。

数据可用性

数据集用于支持本研究的发现是可用的http://fcon_1000.projects.nitrc.org/indi/abide/。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由北京市教育委员会研究项目批准号下的中国KM201911232004,中国国家自然科学基金批准号61672105,和中国国家重点研发项目批准号2018 yfb1004100。

引用

1. j .已经获得8岁的儿童自闭症谱系障碍发生率Years-Autism和发育障碍监测网络,11个地点疾病控制和预防中心,亚特兰大,乔治亚州,美国,2010年。
2. l . Tonello l . Giacobbi a Pettenon et al .,“危机行为在孤独症谱系障碍:自组织临界性的方法,”复杂性文章ID 5128157卷,2018年,页1 - 7,2018。视图:出版商的网站|谷歌学术搜索
3. e . Simonoff a .泡菜,t·查曼钱德勒,t . Loucas g·贝尔德,“自闭症谱系障碍儿童精神障碍:患病率,发病率、population-derived样本和相关因素,”美国儿童和青少年精神病学会》杂志卷,47号8,921 - 929年,2008页。视图:出版商的网站|谷歌学术搜索
4. s . Goldstein和s . Ozonoff自闭症谱系障碍的评估吉尔福德出版物,纽约,纽约,美国,2018年。
5. 里克尔梅,s . m .喀和p -蒙托亚,“异常压力疼痛、触摸灵敏度、本体感受和自闭症谱系障碍儿童更加纯熟,”神经可塑性卷,2016篇文章ID 1723401、9页,2016。视图:出版商的网站|谷歌学术搜索
6. r . Djemal k . AlSharabi s·易卜拉欣,a . Alsuwailem”EEG-based孤独症谱系障碍的诊断计算机辅助使用小波熵,和安,”生物医学研究的国际卷,2017篇文章ID 9816591、9页,2017。视图:出版商的网站|谷歌学术搜索
7. k . b . Schauder和l . Bennetto”向一个跨学科理解自闭症谱系障碍的感觉功能障碍:一个集成的神经症状和文献,”神经科学前沿,10卷,p。268年,2016年。视图:出版商的网站|谷歌学术搜索
8. n . Newbutt唱c, h . j .郭和m·j·莱希“接受、挑战和未来的应用可穿戴技术和虚拟现实技术来支持孤独症谱系障碍患者,”最近的技术进步包括幸福施普林格,页221 - 241年,柏林,德国,2017年。视图:谷歌学术搜索
9. 美国精神病学协会精神疾病诊断和统计手册(dsm - 5®)美国乔治亚州,美国精神病学协会出版,2013年。
10. m . Galliver e . Gowling w . Farr, a .获得和男性,“成本评估可能的自闭症谱系障碍的孩子吗?当前实践的观察研究儿童发展中心在英国,”BMJ儿科开放,1卷,不。1,文章ID e000052, 2017。视图:出版商的网站|谷歌学术搜索
11. k·k·海德,诺瓦克m . n, n .拉哈伊et al .,“监督机器学习在孤独症谱系障碍中的应用研究:回顾,“评估自闭症与发育障碍杂志》上》第六卷,没有。2、128 - 146年,2019页。视图:出版商的网站|谷歌学术搜索
12. h·d·吉尔·m·Johnsson莫拉,j . Szymanski”架构的发展,大数据,和机器学习技术对于复杂的物联网系统,”复杂性卷,2019篇文章ID 4184708, 3页,2019。视图:出版商的网站|谷歌学术搜索
13. l .周潘,j . Wang和a . v . Vasilakos“机器学习在大数据:机遇和挑战,“Neurocomputing卷,237年,第361 - 350页,2017年。视图:出版商的网站|谷歌学术搜索
14. C。Uğur, h . Tunca大肠Sekmen et al .,“氧化应激指标的比较研究自闭症儿童和健康的孩子,”安纳托利亚精神病学杂志》,19卷,不。3,2018。视图:谷歌学术搜索
15. 王c, h, t . et al .,“自闭症谱系的性能评定量表和识别自闭症谱系障碍的社会反应量表以及智力障碍的情况下,“神经科学通报,34卷,不。6,972 - 980年,2018页。视图:出版商的网站|谷歌学术搜索
16. r·l·汉森:j .布卢姆a生et al .,“孤独症谱系障碍的诊断developmental-behavioral儿科医生在学术中心:DBPNet的一项研究中,“儿科,卷137,不。2,S79-S89, 2016页。视图:出版商的网站|谷歌学术搜索
17. Constantino和c·p·格鲁伯,j . n .社会反应量表(SRS),西方心理服务施普林格,纽约,纽约,美国,2007年。
18. t·查曼a .泡菜,e . Simonoff钱德勒,t . Loucas g·贝尔德,“自闭症谱系障碍儿童的智商:特殊需要和自闭症的数据项目(提前),“心理医学第41卷。。3、619 - 627年,2011页。视图:出版商的网站|谷歌学术搜索
19. s . l .主教j . Richler和c主,“限制和重复性行为之间的关联和非语言智商儿童自闭症谱系障碍,”儿童神经心理学,12卷,不。4 - 5,247 - 267年,2006页。视图:出版商的网站|谷歌学术搜索
20. s . Ghiassian r·格林尼p·金,m·r·g·布朗”使用功能或结构磁共振图像和个人特征数据来识别多动症,自闭症,”《公共科学图书馆•综合》,11卷,不。12篇文章ID e0166934 2016。视图:出版商的网站|谷歌学术搜索
21. b . Sen, n . c . Borle r·格林尼和m·r·g·布朗”一般的预测模型检测的ADHD和自闭症使用结构性和功能性磁共振成像,”《公共科学图书馆•综合》,13卷,不。4篇文章ID e0194856 2018。视图:出版商的网站|谷歌学术搜索
22. g . j . Katuwal s . a . Baum n d·卡希尔和m . m .安德鲁“分而治之:asd的亚群体改善自闭症谱系障碍检测基于大脑形态测量学,”《公共科学图书馆•综合》,11卷,不。4篇文章ID e0153331 2016。视图:出版商的网站|谷歌学术搜索
23. c .祖茂堂y高,b .孟塞尔et al .,“识别疾病相关子网连接体生物标志物的稀疏超图学习,”脑成像和行为,13卷,不。4、879 - 892年,2018页。视图:出版商的网站|谷歌学术搜索
24. 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
25. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统Curran Associates Inc .,太浩湖,NV,美国,2012年。视图:谷歌学术搜索
26. a . s . Heinsfeld a·r·佛朗哥·r·c·克拉多克a . Buchweitz f . Meneguzzi,“自闭症谱系障碍的识别使用深度学习和遵守数据集,“科学杂志:临床,17卷,16-23,2018页。视图:出版商的网站|谷歌学术搜索
27. y, j .高,y, y, j . Wang和j·刘,“自闭症谱系障碍分类结合大脑连通性和深层神经网络分类器,”Neurocomputing卷,324年,第68 - 63页,2019年。视图:出版商的网站|谷歌学术搜索
28. 诉Mirjalili t·伊斯拉米,a方,a . Laird f·赛义德,“ASD-diagnet:混合学习方法检测自闭症谱系障碍的使用功能磁共振成像数据,”2019年,http://arxiv.org/abs/1904.07577。视图:谷歌学术搜索
29. j .郭k, h刘et al .,“堆叠稀疏autoencoder-based探测器自动识别neuromagnetic高频振荡的癫痫,”IEEE医学成像,37卷,不。11日,第2482 - 2474页,2018年。视图:出版商的网站|谷歌学术搜索
30. f·马,问:你,h·肖,r .总体而言,j .周和j·g .冰砾”知识型注意力在医疗、诊断预测模型”美国27日ACM国际会议信息和知识管理ACM,页743 - 752年,都灵,意大利,2018年10月。视图:谷歌学术搜索
31. x彭,长g, t .沈,s . Wang j .江和m . Blumenstein“嵌入”颞self-attention网络医学概念,2019年,http://arxiv.org/abs/1909.06886。视图:谷歌学术搜索
32. 沈t, t .周,g .长,j .江s .锅和c,“Disan:定向self-attention RNN网络/ CNN-free语言理解”三十二AAAI学报》关于人工智能的会议2018年2月,新奥尔良,洛杉矶,美国。视图:谷歌学术搜索
33. d . Bahdanau k .赵,y Bengio”神经共同学习对齐和翻译机器翻译,”2014年,http://arxiv.org/abs/1409.0473。视图:谷歌学术搜索
34. l .商陆z h·李,“神经反应机短对话,”2015年,http://arxiv.org/abs/1503.02364。视图:谷歌学术搜索
35. 苏赫巴托,j·韦斯顿,r·费格斯et al .,“端到端内存网络”神经信息处理的会议系统2015年12月,蒙特利尔,加拿大,。视图:谷歌学术搜索
36. A . m ., Chopra, j·韦斯顿,”神经注意力模型抽象的句子汇总”,2015年,http://arxiv.org/abs/1509.00685。视图:谷歌学术搜索
37. 林z, m .冯c Nogueira多斯桑托斯et al .,“结构化self-attentive句子嵌入,”2017年,http://arxiv.org/abs/1703.03130。视图:谷歌学术搜索
38. c . y . Liu太阳、l·林和x王”学习自然语言推理使用双向LSTM模型和inner-attention,”2016年,http://arxiv.org/abs/1605.09090。视图:谷歌学术搜索
39. f . Pedregosa g . Varoquaux a Gramfort et al .,“Scikit-learn:机器学习在Python中,”机器学习研究杂志》上》12卷,第2830 - 2825页,2011年。视图:谷歌学术搜索

版权

版权©2020克妞妞等。这是一个开放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。