《中国人工智能学会通讯》——7.26 体积元像素模型的估计和验证-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

《中国人工智能学会通讯》——7.26 体积元像素模型的估计和验证

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第7章,第7.26节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

7.26 体积元像素模型的估计和验证

在体积元建模的过程中,首先从刺激中提取感兴趣的特征,随后使用回归的方法来确定在每个体积元中,不同的特征是如何影响全脑血氧浓度的。我们使用词向量空间来确定故事中出现的每个单词的语义特征。我们选取了985个常见的英语单词(如“above”、“worry”、“mother”等词汇)作为基准词汇(即 985 维语义特征),在大规模的英语语料库中,通过计算每个单词和基准词汇的正则化共现度(normalized co-occurrence)构建词汇表示空间。属于相同语义模块的单词倾向于在相似的文本中出现,因此具有相似的共现度。例如,单词month 和 week 在语义十分接近,其共现向量相关度为 0.74,而单词 month 和 tall 的共现向量相关度仅为 -0.22。

接着使用正则化线性回归(regularized linearregression)估计出在每个被试体内,这 985 维的语义特征在不同的大脑皮层体积元上是如何影响全脑血氧浓度的(见图 1a)。为了描述一些由于实验刺激中的低级特征造成的影响,比如语速、音素等特征,在进行体积元建模估计时先引入了额外的回归因子,但在进一步的结果分析中将其舍弃。同时引入了额外的回归因子来描述生理和情感的因素,但这些因素对最终估计的语义模型没有影响。

相比于传统的神经影像方法,体积元建模方法的一大优点在于,可以使用在模型估计过程中没有引入的神经刺激对全脑血氧浓度变化进行预测,从而对估计的模型进行验证。这使得我们可以计算分析估计得到的模型对实际情况的解释程度。我们利用一段 10 分钟长度在模型估计阶段没有使用的新的“飞蛾广播时间”故事(见图 1b),来测试体积元模型对 BOLD 的预测能力,结果发现我们估计的模型在整个语义系统,包括外侧颞叶皮层(LTC,lateral temporal cortex)、腹侧颞叶皮层(VTC,ventral temporal cortex)、外侧顶叶皮层(LPC,lateral parietal cortex)、内侧顶叶皮层(MPC,medial parietal cortex)、内侧前额叶皮层(medialprefrontal cortex)、顶上前额叶皮层(SPFC,superior prefrontal cortex)、 顶 下 前 额 叶 皮 层(IPFC,inferior prefrontal cortex)区域的体积元上都具有较好的预测表现(见图 1c)。这表明语义系统的大部分区域都具有语义选择性。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章
最新文章
相关文章