Resumen

Con el continuo desarrollo de la ciencia, cada vez más resultados de investigación han demostrado que el aprendizaje automático es capaz de diagnosticar y estudiar el trastorno depresivo mayor (TDM) en el cerebro. Proponemos una red de aprendizaje profundo con multirramas y retroalimentación residual local, para cuatro tipos diferentes de datos de imágenes de resonancia magnética funcional (fMRI) producidos por pacientes deprimidos y personas de control bajo la condición de escuchar música de emociones positivas y negativas. Utilizamos el gran kernel de convolución del mismo tamaño que la matriz de correlación para emparejar las características y obtener los resultados de emparejamiento de características de 264 regiones de interés (ROI). En primer lugar, los datos de fMRI cuatridimensionales se utilizan para generar la matriz de correlación bidimensional del cerebro de una persona basada en las ROIs y luego se procesa por el valor del umbral que se selecciona de acuerdo con las características de la red compleja y la red de mundo pequeño. Después, el modelo de aprendizaje profundo de este trabajo se compara con la máquina de vectores de apoyo (SVM), la regresión logística (LR), el vecino más cercano (kNN), una red neural profunda común (DNN) y una red neural convolucional profunda (CNN) para la clasificación. Por último, calculamos además los ROIs emparejados a partir de los resultados intermedios de nuestro modelo de aprendizaje profundo que pueden ayudar a los campos relacionados a explorar más la patogenia de los pacientes con depresión.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo de aprendizaje profundo, red neuronal convolucional, resultados de características, red neuronal profunda, núcleo de convolución grande, máquina de vectores de apoyo, desarrollo de la ciencia, imágenes de resonancia magnética, región de interés, retroalimentación residual local
• Keywords:deep learning model, convolutional neural network, results of features, deep neural network, large convolution kernel, support vector machine, development of science, magnetic resonance imaging, region of interest, local residual feedback