[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
:: دوره 7، شماره 4 - ( پاييز 1398 ) ::
دوره 7 شماره 4 صفحات 1-7 برگشت به فهرست نسخه ها
مدل رمزگذاری میدان تأثیر برای بینایی طبیعی دینامیکی
فاطمه کمالی، امیرابوالفضل صورتگر*، محمدباقر منهاج، رضا عباسی اصل
دانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر، تهران، ایران ، a-suratgar@aut.ac.i
چکیده:   (118 مشاهده)
مقدمه: مدل‌های رمزگذاری برای پیش‌بینی فعالیت مغز انسان در پاسخ به محرک‌های حسی مورد استفاده قرار می‌گیرند. هدف این مدل‌ها توضیح دادن نحوه ارائه اطلاعات حسی در مغز است. شبکه‌های عصبی کانولوشنی که به وسیله تصاویر آموزش دیده‌اند قادر به رمزگشایی داده‌های تصویربرداری رزونانس مغناطیس عملکردی از انسان‌ها در حال مشاهده تصاویر طبیعی هستند. با در نظر گرفتن تابع پاسخ همودینامیک، این شبکه‌ها بدون داشتن هیچ مکانیسم بازگشتی یا پسخور قادر به تخمین میزان اکسیژن خون وابسته به سطح برای تصاویر ویدیویی نیز هستند. برای این منظور از نقشه‌های ویژگی استخراج شده از شبکه عصبی کانولوشن و مفهوم میدان تأثیر در مدل رمزگذاری استفاده شده است. فرض اصلی در این مدل این است که برای هر واکسل یک منطقه مکانی در نقشه ویژگی کدگذاری می‌شود و این مناطق برای همه نقشه‌های ویژگی ثابت است. سهم هر نقشه ویژگی در فعالیت واکسل از طریق وزن مربوطه مشخص می‌شود. مواد و روش‌ها: در این پژوهش سه داوطلب سالم در حال تماشای مجموعه‌ای از تصاویر ویدیویی هستند. این مجموعه حاوی تصاویری است که نمایانگر بینایی طبیعی در زندگی واقعی است. داده‌های ام آر آی و اف ام آر آی با استفاده از کویل‌های سطحی ارایه فازی 3 تسلا سیستم ام آر آی گرفته شده است. یافته‌ها: داده‌ها نشان داد که قشر بینایی انسان دارای ساختاری سلسله مراتبی است. نواحی دیداری اولیه دارای میدان تأثیر کوچک‌تری هستند و به ویژگی‌های ساده مثل لبه پاسخ می‌دهند، در حالی ‌که نواحی دیداری سطح بالاتر دارای میدان تأثیر بزرگ‌تری بوده و به ویژگی‌های پیچیده‌تر مانند الگو پاسخ می‌دهند. نتیجه‌گیری: این مدل برای تصاویر ویدیویی ظرفیت تفسیرپذیری بالاتری را نسبت به مدل‌های پیشین دارد.
واژه‌های کلیدی: تصویر برداری رزونانس مغناطیسی، قشر بینایی، مغز
متن کامل [PDF 879 kb]   (32 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تحقیقات پایه در علوم اعصاب
فهرست منابع
1. Güçlü U, van Gerven MA. Deep neural networks reveal a gradient in the complexity of neural representations across the ventral stream. J Neurosci. 2015; 35(27): 10005-14. [DOI:10.1523/JNEUROSCI.5023-14.2015]
2. Dumoulin SO, Wandell BA. Population receptive field estimates in human visual cortex. Neuroimage. 2008; 39(2): 647-60. [DOI:10.1016/j.neuroimage.2007.09.034]
3. Kay KN, Naselaris T, Prenger RJ, Gallant JL. Identifying natural images from human brain activity. Nature. 2008; 452(7185): 352-5. [DOI:10.1038/nature06713]
4. Nishimoto S, Vu AT, Naselaris T, Benjamini Y, Yu B, Gallant JL. Reconstructing visual experiences from brain activity evoked by natural movies. Curr Biol. 2011; 21(19): 1641-6. [DOI:10.1016/j.cub.2011.08.031]
5. Naselaris T, Stansbury DE, Gallant JL. Cortical representation of animate and inanimate objects in complex natural scenes. J Physiol Paris. 2012; 106(5-6): 239-49. [DOI:10.1016/j.jphysparis.2012.02.001]
6. Stansbury DE, Naselaris T, Gallant JL. Natural scene statistics account for the representation of scene categories in human visual cortex. Neuron. 2013; 79(5): 1025-34. [DOI:10.1016/j.neuron.2013.06.034]
7. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015; 521(7553): 436. [DOI:10.1038/nature14539]
8. Cichy RM, Khosla A, Pantazis D, Torralba A, Oliva A. Deep neural networks predict hierarchical spatio-temporal cortical dynamics of human visual object recognition. arXiv preprint arXiv:1601.02970. 2016. [DOI:10.1038/srep27755]
9. Agrawal P, Stansbury D, Malik J, Gallant JL. Pixels to voxels: modeling visual representation in the human brain. arXiv preprint arXiv:1407.5104. 2014.
10. Khaligh-Razavi SM, Kriegeskorte N. Deep supervised, but not unsupervised, models may explain IT cortical representation. PLoS Comput Biol. 2014; 10(11): e1003915. doi: 10.1371/journal.pcbi.1003915. [DOI:10.1371/journal.pcbi.1003915]
11. St-Yves G, Naselaris T. The feature-weighted receptive field: an interpretable encoding model for complex feature spaces. NeuroImage. 2018; 180: 188-202. [DOI:10.1016/j.neuroimage.2017.06.035]
12. Wen H, Shi J, Zhang Y, Lu KH, Cao J, Liu Z. Neural encoding and decoding with deep learning for dynamic natural vision. Cerebral Cortex. 2017; 28(12): 4136-60. [DOI:10.1093/cercor/bhx268]
13. Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems. 2012; 25(2): 1-9.
14. Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, et al. Imagenet large scale visual recognition challenge. International Journal of Computer Vision. 2015; 115(3): 211-52. [DOI:10.1007/s11263-015-0816-y]
15. Henson R, Friston K. Convolution models for fMRI. statistical parametric mapping: The analysis of functional brain images. 2007: 178-92. [DOI:10.1016/B978-012372560-8/50014-0]



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kamali F, Suratgar A A, Menhaj M B, Abbasi Asl R. Receptive Field Encoding Model for Dynamic Natural Vision. Shefaye Khatam. 2019; 7 (4) :1-7
URL: http://shefayekhatam.ir/article-1-1991-fa.html

کمالی فاطمه، صورتگر امیرابوالفضل، منهاج محمدباقر، عباسی اصل رضا. مدل رمزگذاری میدان تأثیر برای بینایی طبیعی دینامیکی. مجله علوم اعصاب شفای خاتم. 1398; 7 (4) :1-7

URL: http://shefayekhatam.ir/article-1-1991-fa.html



دوره 7، شماره 4 - ( پاييز 1398 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.06 seconds with 32 queries by YEKTAWEB 3991