基于脉冲深度信念网络的fMRI分类研究

摘要

神经科学研究表明，神经信息被编码为精确定时的脉冲序列，而不只是简单的脉冲发放频率。脉冲神经网络应用精确定时的脉冲序列表示与处理信息，是新一代神经网络计算模型。脉冲神经网络与基于脉冲频率编码信息的传统人工神经网络相比，不但具有更好的生物可解释性，同时还拥有着更强大的计算能力。脉冲神经网络自提出以来就有不少科研人员坚持不懈地进行研究，挖掘脉冲神经网络的巨大潜能。神经网络的深度学习模拟人脑的多层结构，对数据从低层到高层渐进地提取特征，进而提高对复杂时空信息的处理能力。因此，将脉冲神经网络与深度学习有效结合，构建脉冲神经网络的深度学习算法，并应用于实际复杂问题的求解，将会成为神经网络领域一个重要的研究方向。
　　首先，对神经信息的编码策略进行了分析，按照不同编码方式将编码策略分为脉冲频率和脉冲精确定时两大类，脉冲频率编码根据神经元发放的脉冲频率对信息进行编码与处理，而脉冲精确定时编码以神经元发放的脉冲时间进行神经信息的表示。此外，根据fM RI脑区划分的特点，构造了fM RI的脉冲序列编码方法。
　　其次，通过对脉冲深度信念网络结构的分析，结合基于三项的脉冲时间依赖可塑性规则，提出了脉冲深度信念网络的无监督预训练方法和监督学习算法。将基于三项的脉冲时间依赖可塑性规则应用到对比散度算法中，得到了改进的脉冲深度信念网络的无监督预训练方法；将基于三项的脉冲时间依赖可塑性规则应用到ReSuMe（Remote Supervised Method）中，给出了比ReSuMe算法的学习准确率更高且迭代次数更少的脉冲神经网络监督学习算法。
　　最后，将构建的脉冲深度信念网络模型和学习算法应用到fMRI分类问题中，选取AD H D标准数据集作为分类数据集，用于验证本文所提方法的性能以及对实际问题的求解能力。实验表明，本文所构建的脉冲深度信念网络对fMRI有着较好的分类效果。

目录

封面

声明

西北师范大学研究生学位论文作者信息

目录

中文摘要

英文摘要

1绪论

1.1研究背景及意义

1.2脉冲神经网络的基本理论

1.3深度信念网络的研究现状

1.4 fMRI基础与原理概述

1.5论文的研究内容及组织结构

2神经信息的脉冲编码策略

2.1基于脉冲频率的编码策略

2.2基于脉冲精确定时的编码策略

2.3 fMRI的脉冲序列编码策略

2.4本章小结

3脉冲深度信念网络的学习算法

3.1脉冲深度信念网络的结构

3.2脉冲时间依赖可塑性学习规则

3.3脉冲深度信念网络的无监督预训练方法

3.4脉冲深度信念网络的监督学习算法

3.5本章小结

4基于脉冲深度信念网络的fMRI分类

4.1静息态fMRI的模式分类

4.2 ADHD分类数据集

4.3 fMRI数据的预处理与脉冲编码

4.4脉冲深度信念网络对fMRI分类过程

4.5 fMRI分类实验结果与分析

4.6本章小结

5总结与展望

5.1工作总结

5.2研究展望

参考文献

7攻读硕士学位期间的学术成果

致谢