基于自回归模型的大脑有向动态网络建模及应用

发布时间：2020-10-30 23:31

　　 人类大脑是一个由许多相互作用的区域组成的复杂大尺度网络。对脑网络在时间和空间上的组织架构进行研究可以帮助我们理解脑区间的功能协作和信息整合与认知行为之间的关系,探究神经系统疾病的神经基础。功能磁共振成像(fMRI)技术常用于检测大脑各区域的活跃水平。通过对脑区间静息态fMRI信号的相关性进行研究,可以推断大脑区域在功能上的耦合程度,从而进一步量化大脑网络。然而,目前的脑网络研究方法只能反映大脑功能网络的一部分特征,而不能完全表征大脑功能网络的时空动态特性。本文将引入格兰杰因果模型和非齐次马尔可夫模型对大脑功能网络进行建模,在时空尺度上刻画大脑的信息传递模式。论文主要包括三个部分:第一部分,主要研究了格兰杰因果模型在静息态功能磁共振数据分析中的应用。选取与面孔识别相关的14个区域作为节点,利用格兰杰因果分析度量脑区间的有效连接作为边,构建静息态有向脑网络。然后在组水平上探究发展性面孔失认症患者的有效连接异常,为将无向的功能连接网络推广至有向网络做准备。第二部分,主要是对大尺度脑功能网络的可塑性和动态变化的特性进行建模,使用非齐次马尔可夫模型框架对大脑网络的稳定性和灵活性进行量化。首先,我们从理论上证明了模型中定义的马尔可夫过程是遍历的,因此在此框架下的大脑系统是收敛的。然后,用最大转移概率量化从体素到其它大脑区域的最大流,将最大转移概率对应的步数定义为最优步数。根据这个模型,我们识别出了视觉、听觉、感觉运动区域到全脑其他体素的动态最优步数,探究了基础感觉区域之间的多重动态路径。第三部分,主要是将第二部分建立的动态脑网络推广至有向网络。我们使用动态有效连接替代动态功能连接来定义脑区间的路径,在模型中加入了空间路径的方向信息,从而能更好地刻画大脑信息传递的动态过程。仿真结果表明,在模型中加入方向信息后能够减少对错误路径的识别,从而能更好地对大脑功能网络进行建模。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：R338
【部分图文】：

第三章基于格兰杰因果的发展性面孔失认症患者的脑网络异常研究13图3-1发展性面孔失认症患者组和正常人组的平均有效连接网络3.4结果分析3.4.1统计分析为探究DP患者的脑网络异常，我们将两组人网络中有效连接的条件格兰杰因果值进行了差异检验。为了排除年龄，性别的影响，在双样本检验之前，我们先将被试的年龄和性别信息作为协变量对条件格兰杰因果值进行了回归。由于我们使用的样本较小，因此这里采用了两样本均值的置换检验方法进行差异检验。置换检验是一种非参数检验方法。与双样本t检验相比，置换检验更适合用来分析方差不同且总体分布未知的独立样本之间的差异。其基本原理是，若两组样本来自同一总体，则在将两组样本合为一组样本，然后将两个样本中的部分值进行置换后，若将前m个数据视为样本一，将后n个数据视为样本二，我们仍可认为置换后的两样本是来自同一总体的。具体做法如下：设12,,,mXXXè°和12,,,nYYY分别来自两个总体X,Y,1和2分别是X,Y的均值。检验两样本是否来自一个总体的假设为：012H:=(3-8)112H:(3-9)（1）将两组样本的均值之差T作为统计量。111,1mniiiiXXYYm=n===(3-10)T=|XY|(3-11)

图3-2两组人有效连接差异图（*：置换检验，p0.05，未校正）

第三章基于格兰杰因果的发展性面孔失认症患者的脑网络异常研究15图3-3DP患者的异常有效连接（置换检验，显著性：p0.05，未校正）3.4.2行为学数据相关性分析为验证DP患者的异常有效连接是否与患病症状相关，本文提取了发展性面孔失认症患者组上述异常连接的条件格兰杰因果值，与行为学实验分数进行相关性分析。在人脸识别任务实验中，被试被要求在不牺牲准确性的情况下尽快做出响应。而被试如何解释此指令以及如何在速度和精度之间进行折衷，这可能在不同实验之间或不同被试之间都有所不同。因此，无论是反应时还是准确率，都可能无法用来预测实验效果。这里我们选择了修正正确率评分（RCS）方法，它可以将准确率和反应时都考虑进去，其计算公式如式（3-12）。,,,,,1ijijijnijkkNCRCSRT==(3-12)其中，i,jNC表示第i个被试在第j个实验中正确判断的次数，i,jn表示此被试参与的j实验的所有子问题的个数，,,,1ijnijkkRT=表示他在第j个实验中花费的总时长。RCS可直观解释为每单位时间正确响应的数量[57]。与反应时和准确率相比，RCS更加可靠，也更具优势[58]。而在面孔记忆实验中，被试会按照顺序一一浏览我们准备好的图片，然后一一判断他们是否见过这些图片。而当他们无法进行正确判断时，往往会随机选择一个答案。极端条件下，甚至会出现被试对所有图片都判断为正性（见过）的情况。显然，在这种情况下，仅使用正确率来评分是不恰当的。D-prime方法可以将被试的判断偏好纳入评分[59]。d=z(TP)z(FP)(3-13)
【相似文献】

相关期刊论文 前10条

1 何遥;;智慧城市中的交通大脑[J];中国公共安全;2019年11期

2 朱平;张建伟;邹卫明;;城市大脑建设实施技术要求和策略研究[J];智能建筑;2019年10期

3 ;糖会对大脑产生哪些影响[J];养猪;2020年01期

4 ;引领全国的浙江“城市大脑”[J];信息化建设;2019年07期

5 云飞;;为什么要建城市大脑[J];信息化建设;2019年07期

6 侯瑞;;城市会思考，生活更美好——杭州“城市大脑”发布11大系统、48个应用场景[J];信息化建设;2019年07期

7 ;城市大脑：开启城市数字治理的金钥匙[J];软件和集成电路;2019年10期

8 李小凤;;呵护大脑,留存记忆(上)[J];肝博士;2018年02期

9 ;杭州发布全国首个城市数据大脑规划[J];城市规划通讯;2018年10期

10 苏珊;;身体如何左右大脑[J];教师博览;2013年10期

相关博士学位论文 前10条

1 蒋宇皓;基于微波技术的大脑介电常数和导电性检测方法的研究[D];重庆大学;2016年

2 张欣;基于磁共振成像的大脑功能网络动态特性研究[D];西北工业大学;2015年

3 董明皓;基于磁共振成像的针灸师大脑可塑性研究[D];西安电子科技大学;2013年

4 吕京磊;基于功能磁共振成像的大脑架构表达的研究[D];西北工业大学;2016年

5 王其才;基于FMRI的织物触觉刺激大脑感知表征[D];东华大学;2015年

6 Haitham Mahmoud Boraei Ramadan;哺育蜂和采集蜂大脑磷酸化蛋白质组研究[D];中国农业科学院;2014年

7 李亚鹏;大脑功能网络及其动力学研究[D];华中科技大学;2014年

8 李宁;睡眠剥夺对大脑认知能力及脑电特征的影响研究[D];天津大学;2009年

9 贾有海;氯胺酮、异丙酚预处理对复苏后大鼠大脑的保护作用及其机理研究[D];中国医科大学;2003年

10 邵金平;斑马鱼尾鳍再生及小鼠大脑、心脏与棕色脂肪组织的节律性研究[D];南开大学;2012年

相关硕士学位论文 前10条

1 向宇;基于自回归模型的大脑有向动态网络建模及应用[D];电子科技大学;2020年

2 孔燕;七氟烷对发育期大脑影响的研究进展[D];蚌埠医学院;2015年

3 陈静;视唱练耳与开发大脑[D];西安音乐学院;2013年

4 张晓敏;《为什么我的大脑不好使了》（第二十一章）翻译项目报告[D];四川外国语大学;2016年

5 龙航;基于贝叶斯方法的大脑网络研究[D];湖南师范大学;2014年

6 曹玥;基于大脑情感学习的液压伺服控制系统研究[D];江西理工大学;2011年

7 刘梦颖;《大脑》（第五章、第六章）翻译报告[D];四川外国语大学;2014年

8 田树雪;基于大脑情感学习网络的内模控制系统及应用[D];北京化工大学;2019年

9 李晋;大脑磁共振结构像的形态学分析[D];电子科技大学;2011年

10 程璨;《大脑会泄密》第六章翻译报告[D];电子科技大学;2014年

本文编号：2863149