脑影像表征相似性分析方法及其应用研究

发布时间：2020-12-20 14:46

　　随着脑影像技术的蓬勃发展,基于脑影像技术的大脑神经活动模式的分析和解码,已经成为一个新的研究热点。表征相似性分析方法作为基于数据驱动的大脑表征几何结构分析的强力工具,能够充分利用fMRI数据内在的结构信息构建模型来分析大脑对不同认知任务项响应的神经活动模式之间的相关性,从而更好地揭示脑认知行为和相关神经活动模式的编码机制。本文的主要工作和创新点如下:一、本文提出一种基于梯度的表征相似性分析算法,针对传统表征相似性分析方法局限于线性模型的问题,以及当数据样本数量太大时算法计算性能不高的问题。具体方法为:首先用其采集的数据得到神经活动模式信息,考虑到数据中高维特征的冗余性,在模型中引入?1正则化项,然后采用随机梯度下降算法对模型进行优化。进而通过模式特征矩阵分析不同认知任务之间在大脑表征中的相似性。最后,在脑局部区域fMRI数据集上验证提出方法的有效性。实验结果表明,提出的方法能很好的对大脑神经活动中隐藏的信息进行判别,从而分析不同认知任务之间的相似性。此外,针对现有方法缺乏对感兴趣区域的群组效应特征进行有效分析的问题,本文又出了一种基于弹性网络的梯度表征相似性分析方法,在基于梯度的表征相... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

人类脑映射和脑解码的示例

图 2. 1 表征空间示意图换句话说，所有实验刺激的表征空间可以由矩阵上的数值定义，其中每列是局部模式特，唯一体素对应所有时间点或所有刺激任务，并且每行表示与单个刺激任务有关的响应向量单个刺激任务或时间点对应所有体素。图 2.1 示出了表征空间的示例，将三个被观察的视激描绘为三维的三个向量。由于使用表征空间概念的主要优点是研究人员可以将机器学习的应用推广到不同的测量模式[8,12,16]。神经解码和编码分析的核心概念是高维表征向量空间。神经响应——大脑活动模式在神征空间中被表示为向量形式。大脑活动模式分布在空间和时间上。这些模式中的一个要素征表示为其对神经活动的局部度量，而每一个局部度量都表示为表征空间中的一个维度[4此，如果用 fMRI 测量的神经响应有 20 个体素，则表征空间是 20 维的。如果一个全局响 500 个单元的刺激任务，则表征空间是 500 维的。如果一个 fMRI 响应具有 200 个体素并括 5 个时间点，则表征空间是 1000 维的[8]。神经活动的局部度量通常是体素形式，即大脑图像中的体积元素，但是还有许多替代方案如皮质表面上的节点，一个区域的平均信号，主成分或独立成分，或者一对位置之间的功

图 2. 2 表征相似性分析示意图这种方法具有三个优点。首先，RSA 可以揭示不同脑区的表征差异性，即使 MVP 分类些区域是相同的[18,23]。其次，通过将响应矢量的位置从一组特征坐标转换为矢量之间的一离，采用表示空间的几何形状的格式将不再依赖于特征坐标轴，在相同条件下，此转换允具有不同特征坐标轴的其他空间中的的相似度矩阵进行比较[8,18,23]。最后，RSA 可以比较物种的神经活动。RSA 可以应用于不同方法来发现神经表征几何的结构。这些方法包括数据驱动分析和模动分析。数据驱动的 RSA 发现并描述了不同皮质区域中存在的相似性结构。模型驱动的 R索皮质区域，使用刺激或认知模型预测其相似性结构，模型包括感知相似性的行为评级。RSA 可以在数学上被公式化为多组回归问题，即用于在神经活动矩阵和设计矩阵之间进射的线性模型[55]。传统 RSA 采用基本线性方法，如普通最小二乘法（Ordinary Least SquareLS）[17]或广义线性模型（General Linear Model，GLM）[18]。在评估不同的认知任务之间的性时，由神经活动矩阵和设计矩阵之间进行映射求得模式特征矩阵，其中设计矩阵表示为函数即刺激序列与血液动力学响应函数（hemodynamic response function，HRF）的卷积，


本文编号：2928050