从有限的神经成像数据中进行神经指纹的对比学习
Nikolas Kampel1,2,3, Farah Abdellatif1,4, N Jon Shah1,5,6,7
1Institute of Neuroscience and Medicine (INM-4), Forschungszentrum Jülich GmbH, Jülich, Germany.
Frontiers in nuclear medicine
|November 28, 2024
概括
这项研究引入了对比学习和数据增强用于神经指纹,达到98%的准确性. 这种方法增强了深度学习模型,使它们变得可扩展和强大,用于识别使用大脑活动的个体,即使数据有限.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物识别信息 生物识别信息
背景情况:
- 神经指纹识别通过独特的大脑活动模式来识别个体.
- 深度学习是卓越的,但需要重新培训新的科目,并与有限的神经科学数据作斗争.
- 现有的方法面临着可扩展性和数据限制.
研究的目的:
- 开发一种可扩展的神经指纹方法,使用对比学习和数据增强.
- 消除需要重新培训深度学习模型与新科目.
- 在小样本大小条件下增强模型的稳定性.
主要方法:
- 使用LEMON数据集 (138名受试者,3TMRI,休息状态fMRI).
- 计算功能连接用于基线相关性指标.
- 调整了一个深度学习模型,使用数据增强和对比的三重损失.
主要成果:
- 深度学习显著提高了指纹的性能,而不是基于相关性的方法 (98%的准确性).
- 在138名受试者中,通过39个功能连接配置文件确定了单个受试者.
- 对比方法在"离开主体"场景中表现出灵活性和稳定性.
结论:
- 对比学习和数据增强为神经指纹提供了一个可扩展的解决方案.
- 拟议的方法在不同的数据大小中是可靠的,解决有限的样本挑战.
- 这种方法增强了深度学习在通过大脑活动进行个体识别方面的实际应用.
