Resumen

Los métodos de aprendizaje automático se han aplicado con éxito a las señales de neuroimagen, uno de los cuales es decodificar estados de tarea específicos a partir de datos de resonancia magnética funcional (fMRI). En este trabajo, proponemos un modelo que utiliza simultáneamente las características de la información secuencial espacial y temporal de los datos de fMRI con redes neuronales profundas para clasificar los estados de la tarea de fMRI. Diseñamos un módulo de red de convolución y un módulo de red recurrente para extraer las características espaciales y temporales de los datos de fMRI, respectivamente. En particular, también añadimos el mecanismo de atención al módulo de red recurrente, que resalta con mayor eficacia el estado de activación cerebral en el momento de la reacción. Evaluamos el modelo utilizando datos de fMRI evocados por tareas del conjunto de datos del Proyecto Conectoma Humano (HCP), la precisión de la clasificación obtuvo un 94,31%, y los resultados experimentales han demostrado que el modelo puede distinguir eficazmente los estados cerebrales bajo diferentes estímulos de tareas.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:módulo de red recurrente, datos, imágenes de resonancia magnética, estímulos de tareas diferentes, módulo de red de convolución, estado de activación cerebral, estado de tareas específicas, red neuronal profunda, información secuencial temporal, proyecto conectoma humano
• Keywords:recurrent network module, data, magnetic resonance imaging, different task stimulus, convolution network module, brain activation state, specific task state, deep neural network, temporal sequential information, human connectome project