基于功能磁共振成像技术的神经解码算法及其并行优化

摘要

随着功能磁共振成像(functional magnetic resonance imaging,fMRI)技术和机器学习的发展,从复杂的大脑活动中解读特定的大脑状态成为可能,并引起了广泛关注.深度学习是机器学习的一种热门方法,目前已在语音识别、图像识别等领域取得显著的成果,然而在医学图像分析领域的应用依然存在诸多挑战.针对跨被试解码困难、有效提取高维特征和计算缓慢的问题,本文提出一种深度卷积解码(deep convolutional decoding,DCD)模型.首先利用深度卷积网络对任务态fMRI(tfMRI)数据进行跨被试特征提取,然后根据提取到的高维抽象特征进行特定大脑认知状态的分类,最后对算法进行了不同平台和框架的并行优化.实验结果表明,相比传统的解码方法,该方法在进行跨被试大脑状态解码时取得更好的准确率.同时,算法的两种并行优化分别实现了5.39x和8.17x的加速比.