多尺度的基于分层结构稀疏性的fMRI数据挖掘
摘要：逆向推断：一种解析功能磁共振成像（fMRI）数据的新范式，基于样本识别和统计学习。通过预测与脑活动图有关的一些认知变量，该方法旨在解码脑活动。逆向推断考虑了体素之间的多变量信息，目前是评估整个脑中神经群体的一些认知信息与活动之间编码精度的唯一方法。然而，它依赖于一个受“维度噪声”困扰的预测函数，因为特征数量远远超过样本数量，即体素数量远远超过fMRI体积。为了解决这个问题，已经提出了不同的方法，如单变量特征选择、特征聚合和正则化技术等。本文考虑了一种稀疏的分层结构正则化方法。具体而言，我们使用的惩罚项是由经过空间约束的聚类得到的树构建的。该方法将数据的空间结构在不同尺度上编码进正则化中，使整个预测过程对个体间的可变性更加稳健。所使用的正则化同时在不同尺度上选择具有空间一致性的预测性脑区域。我们在用于研究物体的心理表征的真实数据上测试了我们的算法，并且显示出该算法不仅勾画出有意义的脑区域，而且比参考方法具有更好的预测准确性。
作者：Rodolphe Jenatton (LIENS, INRIA Paris - Rocquencourt), Alexandre Gramfort (LNAO, INRIA Saclay - Ile de France), Vincent Michel (LNAO, INRIA Saclay - Ile de France), Guillaume Obozinski (LIENS, INRIA Paris - Rocquencourt), Evelyn Eger, Francis Bach (LIENS, INRIA Paris - Rocquencourt), Bertrand Thirion (LNAO, INRIA Saclay - Ile de France)
论文ID：1105.0363
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-12-09