基于图像复杂性的fMRI-BOLD视觉网络对视觉数据集进行分类,使用拓描述符和深度混合学习

科学领域:

• 神经科学是一个神经科学.
• 数据科学数据科学数据科学
• 计算机视觉 计算机视觉

背景情况:

• 了解视觉感知包括分析大脑活动模式.
• 功能磁共振成像 (fMRI) 血氧水平依赖 (BOLD) 信号提供了对神经活动的洞察.
• 拓数据分析 (TDA) 为描述复杂数据结构提供了新的方法.

研究的目的:

• 调查视觉网络的拓特征中的差异.
• 检查网络拓在响应不同的视觉刺激时如何变化 (COCO,ImageNet,SUN数据集).
• 探索TDA在分类视觉网络响应方面的潜力.

主要方法:

• 从使用BOLD5000数据集的fMRI BOLD时间序列数据构建视觉网络.
• 对每个视觉网络进行了计算的0维和1维持久图.
• 应用K-means集群,从持久性图中提取特征.
• 利用了一种新的深度混合模型来对视觉网络进行分类.

主要成果:

• 深度混合模型在基于拓特征的视觉网络分类方面实现了90-95%的准确性.
• 对于与不同图像数据集相关的视觉网络,确定了不同的拓模式.
• 该研究成功地捕获了对应不同复杂度和背景图像的BOLD信号的差异.

结论:

• 对fMRI数据的拓分析提供了一个强大的方法来对视觉网络响应进行分类.
• 这种方法可以区分由各种视觉刺激引起的大脑活动模式.
• 研究结果表明,有可能开发用于视觉处理障碍和认知跟踪的神经成像生物标志物.