[综述笔记]Flexible large-scale fMRI analysis: A survey

论文网址:Flexible large-scale fMRI analysis: A survey | IEEE Conference Publication | IEEE Xplore

英文是纯手打的!论文原文的summarizing and paraphrasing。可能会出现难以避免的拼写错误和语法错误,若有发现欢迎评论指正!文章偏向于笔记,谨慎食用

1. 省流版

1.1. 心得

(1)一不小心考古了,算了,b类会议看就看吧

(2)开幕雷击,这abstract怎么第二句就上方法啊。“功能性磁共振成像 (fMRI) 为大脑提供了一个窗口,在研究甚至临床环境中被广泛采用。数据驱动的方法,例如基于潜在变量模型和矩阵/张量分解的方法,正越来越多地用于 fMRI 数据分析。”来得太陡了吧xd。我都不知道这是啥

(3)说fMRI是大脑的一个非入侵窗口哈哈哈哈哈哈写论文还是不要乱比喻吧

(4)接ROI先验!!

(5)为什么又是机器学习...

1.2. 论文总结图

2. 论文逐段精读

2.1. Abstract

        ①Data-driven methods such as latent variable models and matrix/tensor factorizations based methods can be used in fMRI analysis.

        ②Challenge: the processing of fMRI data

2.2. Introduction

        ①Functional connectivity in rest state exposes the spontaneous cognitive process of the brain

        ②Hypothesis-driven analyzing methods: region-of-interest (ROI) or seed-based(啥玩意儿,长知识了).⭐However, they are hypothesis-driven, which means they are priori

        ③Data-driven analyzing methods: this method is for blind source separation (BSS). Independent component analysis (ICA) can divide brain regions with consistent time without overlapping without prior experience. Moreover, dictionary learning (DL), a matrix decomposition method, can also caputure the sparsity characters of fMRI data

vascular  adj.血管的;维管的;脉管的

hemoglobin  n.血红蛋白

oscillation  n.振动;摆动;振幅;摇摆;(情感、行为、思想的)摇摆不定,变化无常,犹豫不定;浮动;一次波动

2.3. FMRI Data Analysis Methods

        ①The temporal matrix \mathbf{A} and spatial matrix \mathbf{S} of fMRI data:

where the volumn is voxel

2.3.1. Independent Component Analysis

        ①我实在是没看懂这一堆定义表达式

2.3.2. Dictionary Learning

        ①Function of DL:

\mathbf{x}(v)=\mathbf{A}\mathbf{s}(v)+\mathbf{e}(v),v=1,2,\ldots,V

where \mathbf{s}(v) is sparse hypothetically and \mathbf{e}(v) denotes the noise

parsimonious  adj.吝啬的;小气的;悭吝的

postulate  vt.假设;假定  n.假定;假设

tantamount  adj.等于;等同的;无异于;效果与…一样坏

2.4. Group Analysis Methods

2.4.1. ICA for Group Analysis

        ①Function of IVA:

\mathbf{X}_k=\mathbf{A}_k\mathbf{S}_k^\mathrm{T}(\mathrm{or},\mathrm{~x}_k(v)=\mathbf{A}_k\mathbf{s}_k(v),\mathrm{~}v=1,\mathrm{~}\ldots,V)

where the \left \{ \mathbf{A}_k \right \}denotes individual time courses and \left \{ \mathbf{S}_k \right \} denotes spatial maps;

\mathbf{X}_k\in\mathbb{R}^{N_k\times V} denotes fMRI data, k=1,...,K is subject

        ②Receiver operating characteristic curves for IVA and group ICA:

2.4.2. DL for Group Analysis

        ①Function of DL:

\mathbf{X}_k=\mathbf{A}_k\mathbf{S}_k^\mathrm{T}+\mathbf{E}_k,\mathbf{S}_k=\mathbf{\bar{S}}+\mathbf{F}_k,k=1,2,\ldots,K

where \mathbf{E}_k and \mathbf{F}_k represent Gaussian perturbations

2.5. Large-Scale FMRI Analysis: Challenges and Opportunities

2.5.1. Independence or Sparsity?

        ①Some reseachers reckon that ICA mostly focuses on sparsity

        ②IVA is able to capture the mixing matrices and spatial maps, but costs high comuputing time

2.5.2. Multi-Site FMRI Data Sharing

2.5.3. Decentralized Analysis

2.6. Conclusion

3. 知识补充

3.1. blind source separation (BSS)

(1)定义:

盲源分离(Blind Source Separation,BSS)是一种技术,旨在从一组混合信号中分离出各个未知源信号。在未知系统的传递函数、源信号的混合系数及其概率分布的情况下,该技术仅利用源信号之间相互独立这一微弱已知条件来实现分离。盲源分离技术在信号处理、通信、音频处理等领域有广泛应用。

在数学描述上,盲源分离通常涉及假设N个统计独立的未知信号经过未知信道的传输后,由M个传感器检测获得M个观测信号。盲源分离问题的目标是找到一个分离矩阵,使得观测信号通过该矩阵后能够尽量完全地分离出源信号的各个组成。

盲源分离的实现方法多种多样,其中一些方法利用了信号的统计特性或信号之间的独立性。在实际应用中,传感器测得的信号通常是源信号及其延时信号的混迭,这被称为卷积混迭。针对这种情况,盲反卷积方法可以通过观测信号估计信道冲激响应,进而恢复源信号。

(2)主要方法:ICA、PCA

4. Reference List

Kim, S., Calhoun,V. & Adalı, T. (2017) 'Flexible large-scale fMRI analysis: A survey', 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). doi: 10.1109/ICASSP.2017.7953372

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/474258.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

力扣热门算法题 56. 合并区间,57. 插入区间,58. 最后一个单词的长度v

56. 合并区间,57. 插入区间,58. 最后一个单词的长度,每题做详细思路梳理,配套Python&Java双语代码, 2024.03.20 可通过leetcode所有测试用例。 目录 56. 合并区间 解题思路 完整代码 Python Java ​编辑 5…

【自然语言处理】NLP入门(八):1、正则表达式与Python中的实现(8):正则表达式元字符:.、[]、^、$、*、+、?、{m,n}

文章目录 一、前言二、正则表达式与Python中的实现1、字符串构造2、字符串截取3、字符串格式化输出4、字符转义符5、字符串常用函数6、字符串常用方法7、正则表达式1. .:表示除换行符以外的任意字符2. []:指定字符集3. ^ :匹配行首&#xff0…

Linux中,运行程序,顺便将打印信息存储在Log文件中查看

前言 如题,原本打算在代码中自己写一个类去管理将打印信息收集到log日志中,忽然想到,其实也可以写sh脚本 简单demo1 #!/bin/bash# 启动应用程序 test,并将标准输出和标准错误输出都追加到 log 文件中 ./test >> output.log…

基于Java中的SSM框架实现高校毕业设计管理系统项目【项目源码+论文说明】计算机毕业设计

基于Java中的SSM框架实现高校毕业设计管理系统演示 摘要 现代学校的教学规模逐渐增加,需要处理的信息量也在增加。每年毕业,将会有大量的毕业设计要处理。传统的毕业设计管理方法已不能满足师生的需求。教师和学生需要一个简单方便的系统来取代传统的机…

FPGA学习_Xilinx7系列FPGA基本结构

文章目录 前言一、7系列FPGA介绍1.1、芯片编号 二、基本组成单元2.1、可编程逻辑块CLB(Configable Logic Block)2.2、可编程输入输出单元(IOB)2.3、嵌入式块RAM(Block RAM)2.4、底层内嵌功能单元2.5、内嵌专…

【2】华为交换机如何修改Web登录密码?

0x01 问题描述 如果忘记了Web登录密码或者希望修改Web登录密码&#xff0c;用户可以通过Console口、STelnet或Tenet等方式登录交换机后设置新的Web登录密码。 使用Telnet协议存在安全风险&#xff0c;建议使用Console囗或STelnet V2登录设备 0x02 问题解决 <HUAWEI> s…

Linux信号补充——信号发送和保存

三、信号的发送与保存 3.1信号的发送 ​ 必须有操作系统来保存信号&#xff0c;因为他是管理者&#xff1b; ​ 信号给进程的task_struct发送信号&#xff0c;在task_struct中维护了一个整数signal有0-31位&#xff0c;共32个bit位&#xff1b;对于信号的管理使用的是位图结…

线段树优化dp

abc339 E - Smooth Subsequence 思路&#xff1a;我们很容想到一个 n n n方的的状态转移方程&#xff0c;即对于每个i&#xff0c;我们去枚举 1 1 1到 i − 1 i-1 i−1的状态&#xff0c;即 d p [ i ] m a x ( d p [ i ] , d p [ j ] 1 ) ; dp[i]max(dp[i],dp[j]1); dp[i]ma…

Vue字符串里的中文数字转换为阿拉伯数字

js字符串里的中文数字转换为数字 <template><view><view><view class"inpbox" ><textarea v-model"voiceMane" input"convert" ></textarea></view></view></view> </template> &…

3.7 RK3399项目开发实录-板载OpenWRT系统的使用(wulianjishu666)

STM32F103单片机从零到项目开发程序实例 下载链接&#xff1a;https://pan.baidu.com/s/1dWNskNinrMk4bxaE-jgHhQ?pwdymn3 1. OpenWRT 手册 1.1. 支持设备列表 主控板卡型号RK3568ROC-RK3568-PC/Station-P2 1.2. 登录 IP 、登录密码和 WIFI 名称 固件默认登录 IP 为 192.1…

Linux Ncurses库部分函数使用说明

目录 1. initscr&#xff08;&#xff09;函数 2. endwin&#xff08;&#xff09;函数 3. curs_set()函数 4.noecho()函数 5. keypad()函数 6. start_color()函数 7.init_pair()函数 8.getch()函数 9.move()函数 10.addch()函数 11. refresh()函数 12.inch()函数…

【Linux 进程概念】

【Linux 进程概念】 冯诺依曼体系结构冯诺依曼结构简要解释&#xff1a;你用QQ和朋友聊天时数据的流动过程 操作系统(OperatorSystem)概念设计OS的目的定位操作系统的上下层都分别是什么如何理解“管理"总结 进程基本概念描述进程-PCBtask_ struct内容 组织进程查看进程通…

序列化与反序列化介绍

文章目录 一、序列化与反序列化二、PHP反序列化漏洞成因三、JAVA反序列化 一、序列化与反序列化 在PHP语言开发层面上基本都是围绕着serialize()&#xff0c;unserialize()这两个函数。serialize()函数序列化对象后&#xff0c;可以很方便的将它传递给其他需要它的地方&#x…

由浅到深认识Java语言(9):Eclipse IDE简介

该文章Github地址&#xff1a;https://github.com/AntonyCheng/java-notes 在此介绍一下作者开源的SpringBoot项目初始化模板&#xff08;Github仓库地址&#xff1a;https://github.com/AntonyCheng/spring-boot-init-template & CSDN文章地址&#xff1a;https://blog.c…

【蓝桥杯入门记录】继电器、蜂鸣器及原理图分析

一、继电器、继电器概述 &#xff08;1&#xff09;蜂鸣器原理 蜂鸣器的发声原理由振动装置和谐振装置组成&#xff0c;而蜂鸣器又分为无源他激型与有源自激型&#xff0c;蜂鸣器的发声原理为: 1、无源他激型蜂鸣器的工作发声原理是&#xff1a;方波信号输入谐振装置转换为声…

稀碎从零算法笔记Day23-LeetCode:二叉树的最大深度

题型&#xff1a;链表、二叉树的遍历 链接&#xff1a;104. 二叉树的最大深度 - 力扣&#xff08;LeetCode&#xff09; 来源&#xff1a;LeetCode 题目描述 给定一个二叉树 root &#xff0c;返回其最大深度。 二叉树的 最大深度 是指从根节点到最远叶子节点的最长路径上…

ES集群不识别节点SSL证书的问题处理

问题描述 在启动ES服务并试图加入其他节点上已启动的集群时&#xff0c;出现报错(原文是一大段话&#xff0c;我按语义拆成了几段)&#xff1a; [2024-03-19T16:32:02,844][WARN ][o.e.c.s.DiagnosticTrustManager] [node-2-master] failed to establish trust with server a…

高压线下垂钓很危险!高压线下防垂钓智能语音警示杆:科技守护生命

初春时节&#xff0c;气温逐渐回升&#xff0c;在这阳光明媚的日子里&#xff0c;大批“捕鱼达人”纷纷开始行动&#xff0c;河边、池塘、水库……不放过任何一个垂钓点&#xff0c;甚至在高压线下&#xff0c;依旧自信甩杆&#xff0c;殊不知高压线下垂钓&#xff0c;轻则伤、…

聚类算法之层次聚类(Hierarchical Clustering)

注意&#xff1a;本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 &#xff08;[www.aideeplearning.cn]&#xff09; 层次聚类是一种非常独特和强大的聚类方法&#xff0c;与众多其他的聚类技术相比&#xff0c;它不仅为数据集提供了一个划分&#xff0c;还给出了…

鸿蒙APP应用开发教程—超详细的项目结构说明

1. 新建项目 打开DevEco Studio, 选择 Create Project: 1.1 选择模版 Create Project - Choose Template 1.2 配置项目 Create Project - Configure Project 如果使用的是 DevEco 3.X 版本, 可以根据 Compile SDK版本选择不同的模式, 比如: 3.0.0(API 8)及更早 - 仅支持 …