《表1 三维卷积神经网络结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于三维卷积神经网络的大脑fMRI信号识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于三维卷积方法，本文构建了一种三维卷积神经网络模型（3DCNN）来识别大脑视觉区f MRI信号，该模型的框架如图2所示。该模型主要包括四个部分:输入层、卷积层、全连接层以及输出层。输入层将包括大脑整个视觉区的三维f MRI信号输入到卷积层；卷积层由多层三维卷积网络组成，通过多次三维卷积操作提取三维f MRI信号的空间特征；全连接层对卷积层提取的特征进行融合，最后在输出层对f MRI信号的类别进行预测。该模型的详细结构展示在表1中，包括4个三维卷积层和3个全连接层。由于视觉区的三维f MRI信号只有18层，这限制了卷积层的深度。因此，在3DCNN模型中采用4个三维卷积结构，来提取f MRI信号的空间特征，同时在三维卷积操作中使用5×5×3和3×3×2的卷积核。在获得f MRI信号的特征后，采用3个全连接层来融合特征并进行目标类别的预测。除了最后的输出层采用Sigmoid激活函数，其余层都使用修正线性单元（Rectified Linear Unit，ReLU）作为激活函数，这是因为ReLU与Sigmoid函数相比可以加快模型收敛。