机器学习时代，神经科学家如何阅读和解码人类的思想(6)

1.1.5 网络可视化分析
本文使用引导反向传播（Guided back-propagation [4]） ，一种广泛使用的深度网络可视化方法，生成每个分类的模式图和输入 fMRI 4D 时间序列的任务加权表示。在标准的反向传播过程中，如果一个 ReLU 单元的输入是正的，那么该单元的偏导就向后复制，否则就设置为零。在引导式反向传播中，如果一个 ReLU 单元的输入和部分导数都是正数，则该单元的部分导数被向后复制。因此，引导式反向传播保持了对类别得分有积极影响的路径，并输出 CNN 检测到的数据特征，而不是那些它没有检测到的特征。如图 2b 所示，在向训练好的网络输入数据后，相对于输入数据产生了 27×75×93×81 的预测梯度。然后，每个体素的时域绝对最大值的符号值被抽出并建立在三维任务模式图中，然后被归一化为其最大值。
最后，将 pattern map 映射到 fsaverage 表面。此外，测试组的归一化 pattern map 的 Cohen"s d 效应被计算为每个任务的 pattern map 的平均值除以其 SD。
本文的可视化对比分析是在 AFNI[5]、Freesurfer[6]、HCP Connectome Workbench和 MATLAB（MathWorks, Natick, MA）中进行。为了比较传统的 GLM 图和模式图(pattern map)，作者还从 HCP 任务的 fMRI 分析包中获取了参数估计对比度（COPE）的 Cohen 效应。
1.2 实验结果分析
首先，作者完成了针对深度模型在一般分类任务中的实验。作者在实验中使用 NVIDIA GTX 1080Ti 板进行了约 30 个 epoch 的训练，所需时间大约 72 小时。本文所提出的模型成功地区分了七个任务，准确率为 93.7±1.9%（mean±SD）。根据 F1 得分，本文使用的模型 / 分类器在七个任务中的表现不同：情绪（94.0±1.6%）、赌博（83.7±4.6%）、语言（97.6±1.1%）、运动（97.3±1.6%）、关系（89.8±3.2%）、社交（96.4±1.0%）和 WM（91.9±2.3%，平均值 ±SD）。平均混淆矩阵（The average confusion matrix）显示，前两个混淆分别是由赌博与关系、WM 与关系引起的（图 3a）。图 3b 显示了 ROC 曲线，根据该曲线，运动、语言和社交任务具有最大的曲线下面积（area under the curve，AUC），而赌博具有最小的面积。