机器学习时代，神经科学家如何阅读和解码人类的思想(5)

1.1.3 迁移学习
与传统方法相比，深度学习方法，特别是 CNN 的一个重要优势是其可重复使用性，这意味着训练好的 CNN 可以直接在类似的任务中重复使用。作者对训练好的 CNN 使用了迁移学习策略来验证所提出的模型的适用性。迁移训练的工作流程与初始训练的工作流程基本相似（图 2a），只是它从一个前四层已经训练好的模型开始，而输出层是未训练的。作者采用了 HCP 的 TEST-RETEST 任务 - fMRI 组的 TEST 数据集（N = 43）训练深度模型来分类两个 WM 任务子状态 ----0bk body 和 2bk-body。作者采用了按主题划分的五重交叉验证，其中 60% 的数据（25 个主题的 100 个样本）用于训练，20%（9 个主题的 36 个样本）用于验证，20%（9 个主题的 36 个样本）用于测试（总共 172 个样本的规模与常用的 fMRI 研究数据集相当）。
为了进一步验证，作者训练深度模型来分类四个运动任务子状态—左脚、左手、右脚和舌头运动。使用五重交叉验证，其中 60%（25 名受试者的 400 个样本）用于训练，20%（9 名受试者的 144 个样本）用于验证，20%（9 名受试者的 144 个样本）用于测试（共 688 个样本）。输入样本是一个连续的 BOLD 序列，涵盖了整个区块和区块后的 8 秒，包括 HRF 的后信号。
为了评估使用小样本量的 fMRI 研究的 DNN 的适用性，作者对来自 HCP TEST 扫描的 43 个对象的数据进行了深度分类器的训练。N = 1, 2, 4, 8, 17, 25, 34。为了避免准确性的差异，所有的测试都应用于 HCP TEST-RETEST 数据集中全部 43 名受试者的 RETEST 数据。深度学习在 120 个 epochs 后停止。此外，作者使用传统的搜索光和全脑 SVM-MVPA 方法进行实验比较。
1.1.4 性能评估
为了评估该模型在不同分类任务中的表现，作者首先定义了一组参数。每个任务条件的 F1 分数被计算为 TP、FP 和 FN 的函数：F1=（2×TP）/（2×TP FP FN）。其中，TP 是真阳性，FP 是假阳性，FN 是每个标签的假阴性。作者还通过一比一的方法计算每个标签的 ROC 曲线，参数灵敏度和特异性表示为：灵敏度 sensitivity=TP/（TP FN），特异性 specificity=TN/(TN FP)，其中 TN 是真阴性，等于其余标签的 TP 之和。准确率被定义为正确预测与分类总数的比率：准确率 accuracy=（TP TN）/（TP FP TN FN）。