功能磁共振成像信号的多变量模式分析及应用研究

发布时间：2021-01-16 14:49

　　人脑由上千亿个神经元组成,这些神经元相互连接,组成了一个极其复杂的系统。脑成像技术的发展为我们理解人脑的工作机制提供了基础。作为一种无创的脑成像方法,功能磁共振成像（functional magnetic resonance imaging,fMRI）因其较高的时空分辨率,被广泛应用于脑科学研究。由于fMRI数据具有维度高、信噪比低等特性,需要选择合适的方法对其进行处理。传统的单变量方法分别在每个体素上进行建模,在一定程度上忽略了体素间的相互关系,从而导致其在检测认知状态间微弱的空间模式差异时敏感性较低。近年来,源自机器学习领域的多变量模式分析（multivariate pattern analysis,MVPA）方法在fMRI数据处理领域受到广泛关注。MVPA方法通过将多个体素的活动组合成空间模式,并将其用于区分不同的认知状态或者外部刺激。与单变量方法相比,MVPA方法具有更高的敏感性。本文中,我们主要通过使用及改进MVPA方法探索大脑对外部刺激或认知状态的神经表征。本论文的主要研究内容包括如下几个部分:1.利用fMRI数据的结构信息,提出了一种基于空间结构约束的多目标回归模型,用于... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：109 页

【学位级别】：博士

【部分图文】：

不同脑成像技术的时间分辨率和空间分辨率

Figure 1-2: Original fMRI data and preprocessed fMRI data.间结果的比较。为得到基于群体的结论，需要将所有被试的大脑映射到同一标准空间，以保证所有被试脑图像中的同一体素对应相同的解剖位置。如图1-2所示，空间标准化后不同被试脑图像的形状、大小等均较相近。空间标准化对于基于群体的统计分析以及结果可视化具有重要意义。空间平滑 空间平滑具有减少fMRI图像中的随机噪声、提高信噪比、减少空间标准化后个体间的差异、提升一般线性模型对激活区的检测能力等作用。但是，空间平滑也可能导致真正的fMRI信号减弱。因此，传统的单变量分析方法常进行空间平滑操作，但对于多变量模式分析方法，一般不进行平滑处理。可以通过将fMRI数据与三维高斯函数进行卷积积分进行空间平滑，高斯函数的参数可由用户设定。1.2.3 单变量分析方法传统的fMRI数据分析以单变量分析方法为主，其中的典型代表为以一般线性模型（generalized linear model，GLM）为基础的统计参数图（statistical parametricmapping

法敏感性更高[4, 5]。神经解码分析的基本流程如图1-3所示，主要包括体素选择、分类器训练、泛化测试等步骤，接下来将详细解释各个步骤。体素选择 在神经解码分析中，常将体素活动当做特征用于认知状态解码。预处理之后的fMRI数据往往包含数十万个体素，但训练样本数量经常在几十个到几百个之间。若将所有体素均用于分类，将导致特征的维数远大于样本维度，很容易造成过拟合6


本文编号：2981019