基于深度自动编码器的脑网络状态观测矩阵降维方法

杨保杰; 王彬; 薛洁; 代照坤; 刘辉; 熊新

doi:10.13873/J.1000-9787(2017)01-0009-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于深度自动编码器的脑网络状态观测矩阵降维方法

研究与探讨 | 更新时间：2025-09-11

- 基于深度自动编码器的脑网络状态观测矩阵降维方法
- Dynamic observation matrix of dimension reduction method for brain network based on deep autoencoder
- 传感器与微系统 2017年36卷第1期页码：9-12
- 作者机构：
  
  1. 昆明理工大学信息工程与自动化学院
  2. 云南警官学院信息网络安全学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（61263017）;云南省自然科学基金资助项目（KKSY201303120）
- DOI：10.13873/J.1000-9787(2017)01-0009-04
  中图分类号： R338;TP181
- 纸质出版：2017
- 稿件说明：
移动端阅览
[1]杨保杰,王彬,薛洁,代照坤,刘辉,熊新.基于深度自动编码器的脑网络状态观测矩阵降维方法[J].传感器与微系统,2017,36(01):9-12.

YANG Bao-jie, WANG Bin, XUE Jie, et al. Dynamic observation matrix of dimension reduction method for brain network based on deep autoencoder[J]. 2017, 36(1): 9-12.
[1]杨保杰,王彬,薛洁,代照坤,刘辉,熊新.基于深度自动编码器的脑网络状态观测矩阵降维方法[J].传感器与微系统,2017,36(01):9-12. DOI： 10.13873/J.1000-9787(2017)01-0009-04.

YANG Bao-jie, WANG Bin, XUE Jie, et al. Dynamic observation matrix of dimension reduction method for brain network based on deep autoencoder[J]. 2017, 36(1): 9-12. DOI： 10.13873/J.1000-9787(2017)01-0009-04.

摘要

针对人脑网络状态观测矩阵高维无特征的特点

给出了一种基于深度自动编码器（DAE）的降维算法。利用深度学习网络

将高维的人脑网络空间表达映射到低维的本质特征空间中

为进一步提炼脑网络的动态性能提供了基础。实验结果证明:应用该方法可以达到有效的降维效果

且降维后脑网络状态通过自组织特征映射聚类具有一定的规律性

从而为脑网络的动态特性研究提供了基础。

Abstract

Aiming at properties of unlabelled and high-dimensional of brain network state observation matrix

a dimensional reduction algorithm based on deep autoencoder（ DAE） is presented. By using the deep learning network algorithm

high dimensional brain network character space is mapped into low dimensional fundamental feature space and so basis for refining the dynamic performance of brain network is provided. Experimental results show that this method can reduce the dimension of human brain status observation matrix effectively

and when applying self-organizing feature map clustering method to the data after dimension reduction

the clustering results show regularity which may give us some hints for further research

provide basis for study of dynamic features of brain networks.

关键词

Keywords

references

基于互信息的生物神经网络功能性连接辨识 [J]. 刘剑钊,董朝轶,冯丽斐. 传感器与微系统 . 2016(06)

基于动态功能连接的运动任务大脑状态表达 [J]. 张欣,胡新韬,郭雷. 计算机应用 . 2015(07)

静息态脑电信号动态功能连接分析 [J]. 杨剑,陈书燊,皇甫浩然,梁佩鹏,钟宁. 物理学报 . 2015(05)

粗集与小波在医学超声图像降噪中的应用 [J]. 焦圣喜,魏宏建. 传感器与微系统 . 2013(08)

基于可视化传感器阵列系统的肺癌标志物快速检测研究 [J]. 侯长军,宋坤,彭剑,霍丹群,董家乐,黄承洪. 传感器与微系统 . 2012(09)

Erratum to “On spurious and real fluctuations of dynamic functional connectivity during rest” [J] . Nora Leonardi,Dimitri Van De Ville. NeuroImage . 2015

Assessing dynamic brain graphs of time-varying connectivity in fMRI data: Application to healthy controls and patients with schizophrenia [J] . Qingbao Yu,Erik B. Erhardt,Jing Sui,Yuhui Du,Hao He,Devon Hjelm,Mustafa S. Cetin,Srinivas Rachakonda,Robyn L. Miller,Godfrey Pearlson,Vince D. Calhoun. NeuroImage . 2014

Small-world and scale-free organization of voxel-based resting-state functional connectivity in the human brain [J] . M.P. van den Heuvel,C.J. Stam,M. Boersma,H.E. Hulshoff Pol. Neuroimage . 2008 (3)

A Fast Learning Algorithm for Deep Belief Nets [J] . Geoffrey E. Hinton,Simon Osindero,Yee-Whye Teh. Neural Computation . 2006 (7)

Self-organizing neural projections [J] . Teuvo Kohonen. Neural Networks . 2006 (6)

浏览量

193

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于组合能量特征的表面肌电信号手势识别算法