CN106056602A - 基于CNN的fMRI视觉功能数据目标提取方法 - Google Patents
基于CNN的fMRI视觉功能数据目标提取方法 Download PDFInfo
- Publication number
- CN106056602A CN106056602A CN201610365605.XA CN201610365605A CN106056602A CN 106056602 A CN106056602 A CN 106056602A CN 201610365605 A CN201610365605 A CN 201610365605A CN 106056602 A CN106056602 A CN 106056602A
- Authority
- CN
- China
- Prior art keywords
- fmri
- convolutional neural
- model
- target
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于CNN的fMRI视觉功能数据目标提取方法,首先被试在复杂场景自然图像刺激下采集到的fMRI视觉功能数据,训练一个由刺激图像到fMRI视觉功能数据的深度卷积神经网络模型,同时训练一个由fMRI视觉功能数据到关注目标类别的线性映射模型;在深度卷积神经网络模型中加入反馈层,将训练好的线性映射模型与其复合,对一幅测试图像中的不同目标类别分别得到类别评分映射;利用类别评分映射,分析被试观看全新测试图像的fMRI视觉功能数据,提取被试所关注的目标。本发明能够对被试观看复杂场景自然图像时所引发的fMRI视觉功能数据进行解析,提取出被试在图像中所关注的目标,提高提取关注目标的准确性。
Description
技术领域
本发明涉及人机交互fMRI视觉功能数据处理技术领域,特别涉及一种基于CNN的fMRI视觉功能数据目标提取方法。
背景技术
大脑是人体的知觉中心、思维中心和控制中心,每时每刻都有极其庞大而复杂的信息流入和流出,它以高效的信息传递及处理方式保证人体正常的运转。理解这种现代科学技术无法比拟的信息处理方式是新兴的神经信息学领域一直以来的研究目标。其中,大脑视觉信息是人类获取外界信息最主要的方式,其解读方法更是神经科学的研究重点。近年来,神经影像技术取得了长足的进步,陆续出现了脑电(Electroencephalography,EEG)、脑磁(Magnetoencephalography,MEG)、功能性近红外光谱(functional Near-InfraredSpectroscopy,fNIRS)、功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)等一系列的非侵入式成像方法。为了系统研究人脑视觉功能活动,了解人脑对于视觉信息的处理机制,人脑视觉功能脑区的fMRI信号解析技术取得了显著的进展,这些研究也被称为视觉信息编解码技术研究。视觉信息的编码技术,是一种视觉认知正向计算的技术,通过建立视觉计算模型即视觉编码模型,预测任意视觉刺激所能引发的大脑视觉功能的响应。而视觉解码技术则是由测量到的脑功能活动信号恢复出视觉刺激的类别、场景、细节等信息。
2001年,Haxby等人证明视觉目标的类别信息在腹侧颞叶(ventral temporallobe)分布式地表达,利用该脑区的体素激活模式能够准确地分辨多种目标类别。2003年,Cox等人应用多体素模式分类方法进行十种类别物体的分类。2010年,Chen等人提出基于皮层表面探照灯(Searchlight)的特征选择方法对旋转的乐器、椅子和小船进行了分类。2012年,Connolly等人研究人脑生物种类的表达,对不同的灵长类、鸟类、昆虫进行了分类。尽管现有研究已经能够对于某一类别的图像刺激所引发的fMRI视觉功能数据解析出其所属类别,然而对于复杂场景自然图像,如何确定出被试关注的是哪个类别的目标,却没有相应的研究成果。
发明内容
为克服现有技术中的不足,本发明提供一种基于CNN的fMRI视觉功能数据目标提取方法,能够对被试观看复杂场景自然图像时所引发的fMRI视觉功能数据进行解析,提取出被试在图像中所关注的目标,提高被试关注目标提取的准确性,进一步提升了对于人脑视觉功能的解析能力。
按照本发明所提供的设计方案,一种基于CNN的fMRI视觉功能数据目标提取方法,包含如下步骤:
步骤1、采集被试在复杂场景自然图像刺激下的fMRI视觉功能数据,训练一个由刺激图像到fMRI视觉功能数据的深度卷积神经网络模型,及一个由fMRI视觉功能数据到关注目标类别的线性映射模型,深度卷积神经网络模型包含卷积层、矫正线性单元层、最大池化层及全连接层;
步骤2、在深度卷积神经网络模型中加入反馈层,得到卷积神经反馈模型,卷积神经反馈模型与步骤1中得到的线性映射模型进行复合,得到类别评分映射;
步骤3、分析被试观看全新测试图像的fMRI视觉功能数据,利用类别评分映射提取出被试所关注目标。
上述的,步骤2具体包含如下步骤:
步骤2.1在深度卷积神经网络模型中的每个矫正线性单元层后堆叠一个反馈层,得到卷积神经反馈模型;
步骤2.2通过如下公式:
,对卷积神经反馈模型进行优化求解,其中,sk表示卷积神经反馈模型与线性映射模型复合后对刺激图像所属类别的评分,k为语义类别序号,||d||1衡量反馈层的稀疏性,表示第l反馈层(i,j,c)位置处神经元的状态。
上述的,步骤3具体包含如下内容:
步骤3.1采集被试观看全新测试图像的fMRI视觉功能数据;
步骤3.2与类别评分映射进行匹配,根据数据相似程度获得被试关注目标的类别序号,提取出被试所关注目标。
优选的,所述步骤3.2具体包含:通过类别评分映射的一阶Taylor展开,得到:
sk(I,d)≈Tk(d)TI+b
,其中,b为表示偏置参数的常数,Tk(d)表示评分映射sk关于刺激图像I的一阶偏导数并视为作用于图像I的一个线性模板,通过求得的Tk(d)将被试关注目标在图像中提取出来。
本发明的有益效果:
本发明通过构建卷积神经网络反馈网络模型CNN模拟复杂场景自然图像到fMRI视觉功能数据的映射关系,利用各个类别映射所产生的模拟fMRI视觉功能数据与真实fMRI视觉功能数据匹配程度确定出被试观看测试图像时所关注目标的类别信息,再通过映射函数Taylor展开的方式获得刺激图像线性模板,从而提取出图像中关注目标,能够对被试观看复杂场景自然图像时所引发的fMRI视觉功能数据进行解析,提取出被试在图像中所关注的目标,提高提取关注目标的准确性,为基于视觉功能解析的脑机交互应用研究提供进一步的技术支撑。
附图说明:
图1为本发明的流程示意图。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
实施例一,参见图1所示,一种基于CNN的fMRI视觉功能数据目标提取方法,包含如下步骤:
步骤1、采集被试在复杂场景自然图像刺激下的fMRI视觉功能数据,训练一个由刺激图像到fMRI视觉功能数据的深度卷积神经网络模型,及一个由fMRI视觉功能数据到关注目标类别的线性映射模型,深度卷积神经网络模型包含卷积层、矫正线性单元层、最大池化层及全连接层;
步骤2、在深度卷积神经网络模型中加入反馈层,得到卷积神经反馈模型,卷积神经反馈模型与步骤1中得到的线性映射模型进行复合,得到类别评分映射;
步骤3、分析被试观看全新测试图像的fMRI视觉功能数据,利用类别评分映射提取出被试所关注目标。
实施例二,参见图1所示,一种基于CNN的fMRI视觉功能数据目标提取方法,包含如下步骤:
步骤1、采集被试在复杂场景自然图像刺激下的fMRI视觉功能数据,训练一个由刺激图像到fMRI视觉功能数据的深度卷积神经网络模型,及一个由fMRI视觉功能数据到关注目标类别的线性映射模型,深度卷积神经网络模型包含卷积层、矫正线性单元层、最大池化层及全连接层;
步骤2、在深度卷积神经网络模型中加入反馈层,得到卷积神经反馈模型,卷积神经反馈模型与步骤1中得到的线性映射模型进行复合,得到类别评分映射,具体包含如下步骤:
步骤2.1在深度卷积神经网络模型中的每个矫正线性单元层后堆叠一个反馈层,得到卷积神经反馈模型;
步骤2.2通过如下公式:
,对卷积神经反馈模型进行优化求解,其中,sk表示卷积神经反馈模型与线性映射模型复合后对刺激图像所属类别的评分,k为语义类别序号,||d||1衡量反馈层的稀疏性,表示第l反馈层(i,j,c)位置处神经元的状态,考虑网络神经元激活的稀疏性对模型进行优化。
步骤3、分析被试观看全新测试图像的fMRI视觉功能数据,利用类别评分映射提取出被试所关注目标,具体包含如下内容:
步骤3.1采集被试观看全新测试图像的fMRI视觉功能数据;
步骤3.2与类别评分映射进行匹配,根据数据相似程度获得被试关注目标的类别序号,提取出被试所关注目标,具体是指:通过类别评分映射的一阶Taylor展开,得到:
sk(I,d)≈Tk(d)TI+b
,其中,b为表示偏置参数的常数,Tk(d)表示评分映射sk关于刺激图像I的一阶偏导数并视为作用于图像I的一个线性模板,通过求得的Tk(d)将被试关注目标在图像中提取出来。
本发明克服现有技术中仅有能够识别某一类别的图像刺激所引发的fMRI视觉功能数据所属类别,通过构建卷积神经网络反馈网络模型模拟复杂场景自然图像到fMRI视觉功能数据的映射关系,利用各个类别映射所产生的模拟fMRI视觉功能数据与真实fMRI视觉功能数据匹配程度确定出被试观看测试图像时所关注目标的类别信息,再通过映射函数Taylor展开的方式获得刺激图像线性模板,从而提取出图像中关注目标,能够对被试观看复杂场景自然图像时所引发的fMRI视觉功能数据进行解析,提取出被试在图像中所关注的目标,大大提高关注目标提取的精确度。
本发明并不局限于上述具体实施方式,本领域技术人员还可据此做出多种变化,但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。
Claims (4)
1.一种基于CNN的fMRI视觉功能数据目标提取方法,其特征在于:包含如下步骤:
步骤1、采集被试在复杂场景自然图像刺激下的fMRI视觉功能数据,训练一个由刺激图像到fMRI视觉功能数据的深度卷积神经网络模型,及一个由fMRI视觉功能数据到关注目标类别的线性映射模型,深度卷积神经网络模型包含卷积层、矫正线性单元层、最大池化层及全连接层;
步骤2、在深度卷积神经网络模型中加入反馈层,得到卷积神经反馈模型,卷积神经反馈模型与步骤1中得到的线性映射模型进行复合,得到类别评分映射;
步骤3、分析被试观看全新测试图像的fMRI视觉功能数据,利用类别评分映射提取出被试所关注目标。
2.根据权利要求1所述的基于CNN的fMRI视觉功能数据目标提取方法,其特征在于:步骤2具体包含如下步骤:
步骤2.1、在深度卷积神经网络模型中的每个矫正线性单元层后堆叠一个反馈层,得到卷积神经反馈模型;
步骤2.2、通过如下公式:
对卷积神经反馈模型进行优化求解,其中,sk表示卷积神经反馈模型与线性映射模型复合后对刺激图像所属类别的评分,k为语义类别序号,||d||1衡量反馈层的稀疏性,表示第l反馈层(i,j,c)位置处神经元的状态。
3.根据权利要求1所述的基于CNN的fMRI视觉功能数据目标提取方法,其特征在于:步骤3具体包含如下内容:
步骤3.1采集被试观看全新测试图像的fMRI视觉功能数据;
步骤3.2与类别评分映射进行匹配,根据数据相似程度获得被试关注目标的类别序号,提取出被试所关注目标。
4.根据权利要求3所述的基于CNN的fMRI视觉功能数据目标提取方法,其特征在于:所述步骤3.2具体包含:通过类别评分映射的一阶Taylor展开,得到:
sk(I,d)≈Tk(d)TI+b,
其中,b为表示偏置参数的常数,Tk(d)表示评分映射sk关于刺激图像I的一阶偏导数并视为作用于图像I的一个线性模板,通过求得的Tk(d)将被试关注目标在图像中提取出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610365605.XA CN106056602B (zh) | 2016-05-27 | 2016-05-27 | 基于CNN的fMRI视觉功能数据目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610365605.XA CN106056602B (zh) | 2016-05-27 | 2016-05-27 | 基于CNN的fMRI视觉功能数据目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056602A true CN106056602A (zh) | 2016-10-26 |
CN106056602B CN106056602B (zh) | 2019-06-28 |
Family
ID=57175717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610365605.XA Active CN106056602B (zh) | 2016-05-27 | 2016-05-27 | 基于CNN的fMRI视觉功能数据目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056602B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414957A (zh) * | 2018-03-06 | 2018-08-17 | 莒县人民医院 | 一种实时磁共振成像数据采集分析方法及系统 |
CN108985332A (zh) * | 2018-06-15 | 2018-12-11 | 清华大学 | 基于动作电位发放间隔的自然图像随机森林成像方法 |
CN109816630A (zh) * | 2018-12-21 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于迁移学习的fMRI视觉编码模型构建方法 |
CN110192860A (zh) * | 2019-05-06 | 2019-09-03 | 复旦大学 | 一种面向网络信息认知的脑成像智能测试分析方法及系统 |
CN112633099A (zh) * | 2020-12-15 | 2021-04-09 | 中国人民解放军战略支援部队信息工程大学 | 基于Gabornet的大脑低级视觉区信号处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003054794A2 (de) * | 2001-12-20 | 2003-07-03 | Siemens Aktiengesellschaft | Auswerten von mittels funktionaler magnet-resonanz-tomographie gewonnenen bildern des gehirns |
CN104598575A (zh) * | 2015-01-14 | 2015-05-06 | 中国人民解放军信息工程大学 | 基于实时功能磁共振成像的脑机交互图像检索系统 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
CN104808794A (zh) * | 2015-04-24 | 2015-07-29 | 北京旷视科技有限公司 | 一种唇语输入方法和系统 |
CN105184303A (zh) * | 2015-04-23 | 2015-12-23 | 南京邮电大学 | 一种基于多模态深度学习的图像标注方法 |
-
2016
- 2016-05-27 CN CN201610365605.XA patent/CN106056602B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003054794A2 (de) * | 2001-12-20 | 2003-07-03 | Siemens Aktiengesellschaft | Auswerten von mittels funktionaler magnet-resonanz-tomographie gewonnenen bildern des gehirns |
CN104598575A (zh) * | 2015-01-14 | 2015-05-06 | 中国人民解放军信息工程大学 | 基于实时功能磁共振成像的脑机交互图像检索系统 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
CN105184303A (zh) * | 2015-04-23 | 2015-12-23 | 南京邮电大学 | 一种基于多模态深度学习的图像标注方法 |
CN104808794A (zh) * | 2015-04-24 | 2015-07-29 | 北京旷视科技有限公司 | 一种唇语输入方法和系统 |
Non-Patent Citations (2)
Title |
---|
《12TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
《SPRINGER SCIENCE+BUSINESS MEDIA》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414957A (zh) * | 2018-03-06 | 2018-08-17 | 莒县人民医院 | 一种实时磁共振成像数据采集分析方法及系统 |
CN108985332A (zh) * | 2018-06-15 | 2018-12-11 | 清华大学 | 基于动作电位发放间隔的自然图像随机森林成像方法 |
CN109816630A (zh) * | 2018-12-21 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于迁移学习的fMRI视觉编码模型构建方法 |
CN109816630B (zh) * | 2018-12-21 | 2020-09-04 | 中国人民解放军战略支援部队信息工程大学 | 基于迁移学习的fMRI视觉编码模型构建方法 |
CN110192860A (zh) * | 2019-05-06 | 2019-09-03 | 复旦大学 | 一种面向网络信息认知的脑成像智能测试分析方法及系统 |
CN110192860B (zh) * | 2019-05-06 | 2022-10-11 | 复旦大学 | 一种面向网络信息认知的脑成像智能测试分析方法及系统 |
CN112633099A (zh) * | 2020-12-15 | 2021-04-09 | 中国人民解放军战略支援部队信息工程大学 | 基于Gabornet的大脑低级视觉区信号处理方法及系统 |
CN112633099B (zh) * | 2020-12-15 | 2023-06-20 | 中国人民解放军战略支援部队信息工程大学 | 基于Gabornet的大脑低级视觉区信号处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106056602B (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056602A (zh) | 基于CNN的fMRI视觉功能数据目标提取方法 | |
CN102499677B (zh) | 基于脑电非线性特征的情绪状态识别方法 | |
CN112932502B (zh) | 结合互信息通道选择与混合神经网络的脑电情感识别方法 | |
CN106022384A (zh) | 基于fMRI视觉功能数据DeconvNet的图像关注目标语义分割方法 | |
CN109288518A (zh) | 基于EEG和ERPs的脑认知神经功能测评系统及方法 | |
Chen et al. | DeepFocus: Deep encoding brainwaves and emotions with multi-scenario behavior analytics for human attention enhancement | |
An et al. | Electroencephalogram emotion recognition based on 3D feature fusion and convolutional autoencoder | |
Sokolov | Psychophysiology of consciousness | |
Lu et al. | Combined CNN and LSTM for motor imagery classification | |
CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
CN115659207A (zh) | 一种脑电情绪识别方法及系统 | |
AU2021101097A4 (en) | A system and method for automatic playlist generation by analysing human emotions through physiological signals | |
Jachs | The neurophenomenology of meditative states: Introducing temporal experience tracing to capture subjective experience states and their neural correlates | |
CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
Wang et al. | EEG diagnosis of depression based on multi-channel data fusion and clipping augmentation and convolutional neural network | |
Alazrai et al. | A deep learning approach for decoding visually imagined digits and letters using time–frequency–spatial representation of EEG signals | |
CN116530938B (zh) | 一种认知增强训练系统及方法 | |
Hiroyasu et al. | Gender classification of subjects from cerebral blood flow changes using Deep Learning | |
CN114052734B (zh) | 基于渐进式图卷积神经网络的脑电情感识别方法 | |
Chenane et al. | EEG Signal Classification for BCI based on Neural Network | |
CN114638253A (zh) | 基于情感脑电特征融合优化机制的身份识别系统及方法 | |
Lim et al. | Metric Learning Based Convolutional Neural Network for Left-Right Brain Dominance Classification | |
Nguyen et al. | Evaluating the motor imagery classification performance of a double-layered feature selection on two different-sized datasets | |
Deny et al. | Hierarchical Transformer for Motor Imagery-Based Brain Computer Interface | |
Plucińska et al. | Leveraging Multiple Distinct EEG Training Sessions for Improvement of Spectral-Based Biometric Verification Results |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |