基于自适应多任务卷积神经网络的脑网络分类方法

邢新颖; 冀俊忠; 姚垚

doi:10.7544/issn1000-1239.2020.20190186

基于自适应多任务卷积神经网络的脑网络分类方法

(北京工业大学信息学部计算机学院北京 100124) (xinying.xing@emails.bjut.edu.cn)

基金项目: 国家自然科学基金项目(61672065)

详细信息

中图分类号: TP18
计量
- 文章访问数: 1254
- HTML全文浏览量: 7
- PDF下载量: 334
出版历程
- 发布日期: 2020-06-30

Brain Networks Classification Based on an Adaptive Multi-Task Convolutional Neural Networks

(College of Computer, Faculty of Information Technology, Beijing University of Technology, Beijing 100124)

Funds: This work was supported by the National Natural Science Foundation of China (61672065).

摘要

摘要: 脑网络分类是脑科学研究中的一项重要课题.近年来，基于卷积神经网络的脑网络分类方法已经成为一个前沿热点.然而，目前仍难以对数据维度高、样本量小的脑网络数据进行精准分类.由于不同人群的临床表型与其脑网络差异存在着一定的依存关系，极有可能为脑网络分类提供辅助信息，故提出一种新的基于自适应多任务卷积神经网络的脑网络分类方法.该方法引入临床表型预测作为辅助任务，通过多任务卷积神经网络的共享表示机制来为脑网络分类提供有用信息；同时为了降低实验成本和人工操作带来的误差，提出了一种新的自适应方法来代替人工调整多任务学习中各个子任务的权重.在ABIDE I(autism brain imaging data exchange I)数据集上的实验结果表明：引入临床表型预测任务的多任务卷积神经网络能够获得更好的脑网络分类结果，而且自适应多任务学习方法能够进一步提升脑网络的分类性能.
- 脑网络分类 /
- 卷积神经网络 /
- 多任务学习 /
- 临床表型 /
- 自适应方法
Abstract: Brain networks classification is an important subject in brain science. In recent years, brain networks classification based on convolutional neural networks has become a hot topic. However, it is still difficult to accurately classify brain network data with high dimension and small sample size. Due to the close relationship between different clinical phenotypes and brain networks of different populations, it is highly possible to provide auxiliary information for the brain networks classification. Therefore, we propose a new brain networks classification method based on an adaptive multi-task convolutional neural network in this paper. Firstly, the clinical phenotype predictions are introduced as different auxiliary tasks and the shared representation mechanism of multi-task convolutional neural networks is used to provide general and useful information for brain networks classification. Then, in order to reduce the experimental cost and the error caused by the manual operation, a new adaptive method is proposed to substitute for manual adjustments of the weight of every task in the multi-task learning. The experimental results on the autism brain imaging data exchange I (ABIDE I) dataset show that the multi-task convolutional neural networks which introduce clinical phenotype predictions can achieve better classification results. Moreover, the adaptive multi-task learning method can further improve the performance of brain networks classification.
- brain networks classification /
- convolutional neural network /
- multi-task learning /
- clinical phenotype /
- adaptive method

HTML全文

参考文献(0)

施引文献(28)

期刊类型引用(15)

1.	叶进，谢紫琪，肖庆宇，宋玲，李晓欢. 数据中心网络中基于ELM的流簇大小推理机制. 计算机科学与探索. 2021(02): 261-269 . 百度学术
2.	林霄，姬硕，岳胜男，孙卫强，胡卫生. 面向跨数据中心网络的节点约束存储转发调度方法. 计算机研究与发展. 2021(02): 319-337 . 本站查看
3.	王金焱. 异构无线网络多路径流量调度算法研究. 常熟理工学院学报. 2021(02): 70-75 . 百度学术
4.	董金良，刘小伟，李海江. 基于蚁群优化的通信网络负荷信息分散协调调度. 水电与抽水蓄能. 2021(03): 68-71 . 百度学术
5.	韩茂玲. 复杂网络大规模数据流均衡调度方法. 成都工业学院学报. 2021(03): 38-42 . 百度学术
6.	武自强，周建涛，赵大明，柳林. 数据中心基于服务满足度的网络流避让方法. 计算机工程与应用. 2021(19): 116-122 . 百度学术
7.	时洋，文梅，费佳伟，张春元 . 一种基于DAG的网络流量调度器. 计算机研究与发展. 2021(12): 2798-2810 . 本站查看
8.	李文信，齐恒，徐仁海，周晓波，李克秋. 数据中心网络流量调度的研究进展与趋势. 计算机学报. 2020(04): 600-617 . 百度学术
9.	陈珂，刘亚志，王思晗. 基于流量特征的流调度策略研究综述. 计算机应用研究. 2020(10): 2889-2894 . 百度学术
10.	郑莹，段庆洋，林利祥，游新宇，徐跃东，王新. 深度强化学习在典型网络系统中的应用综述. 无线电通信技术. 2020(06): 603-623 . 百度学术
11.	柯文龙，王勇，叶苗，陈俊奇. Ceph云存储网络中一种业务优先级区分的多播流调度方法. 通信学报. 2020(11): 40-51 . 百度学术
12.	李维虎，张顶山，崔慧明，周龙，朱志挺，谢挺. 数据中心网络coflow调度机制结构构建及仿真. 电子测量技术. 2019(10): 78-81 . 百度学术
13.	康瑾，李革. 面向医院手术排程的智能规划算法研究. 信息技术. 2019(11): 37-41+45 . 百度学术
14.	孙超. 基于模糊反馈的共享网络远程数据控制仿真. 计算机仿真. 2019(10): 409-412+438 . 百度学术
15.	王远. 数据中心网络拥塞控制研究综述. 信息工程大学学报. 2019(06): 714-719 . 百度学术