解码fMRI数据:支持矢量机器和深度神经网络之间的比较

科学领域:

• 神经成像分析分析神经成像分析
• 机器学习在神经科学中的应用
• 认知神经科学是一种认知神经科学.

背景情况:

• 多变量模式分析 (MVPA) 使用fMRI研究认知状况,提供超出单变量分析的见解.
• 支持向量机 (SVM) 在MVPA中很常见,但仅限于线性可分离数据.
• 卷积神经网络 (CNN),擅长于非线性关系,正在成为MVPA中SVM的替代品.

研究的目的:

• 将SVM和CNN的性能与相同的fMRI数据集进行比较.
• 为了调查SVM和CNN在神经成像数据中发现的独特模式.

主要方法:

• 将SVM和CNN应用于两个fMRI数据集:一个来自视觉空间注意力任务,另一个来自查看情感图像.
• 比较解码精度,并分析了SVM和CNN生成的热图的重叠,以评估特征贡献.

主要成果:

• 无论是SVM还是CNN,都在偶然的情况下实现了对注意力和情绪处理的解码精度.
• 在数据集和大脑区域中,CNN的解码精度始终高于SVM.
• SVM和CNN的解码精度在很大程度上没有相关性,它们的衍生热图显示的重叠很小.

结论:

• fMRI数据包含线性和非线性可分离的特征,可以区分认知状态.
• SVM和CNN捕捉了大脑活动的不同方面,表明使用这两种方法可以更全面地分析神经成像数据.