基于多体素模式分析的fMRI视觉信息解码技术研究

发布时间：2017-12-22 20:36

本文关键词：基于多体素模式分析的fMRI视觉信息解码技术研究　出处：《解放军信息工程大学》2014年硕士论文　论文类型：学位论文

【摘要】：视觉是人类从客观世界获得信息的主要方式,也是人类认识客观世界的重要手段。作为大脑——自然界最复杂、最精密系统——的重要组成部分,视觉系统在视觉信息处理方面具有计算机所无法比拟的高效性。随着神经影像学的飞速发展,尤其是在具有较高空间分辨率的功能磁共振成像技术(functional Magnetic Resonance Imaging,fMRI)出现之后,从大脑神经活动中解读视觉信息成为可能,并逐渐成为研究热点。利用fMRI信号进行视觉信息的解码需要对复杂的、包含较多噪声的多变量数据进行精确分析。经典的单变量分析方法将每个体素看作独立的特征进行分析,不仅会选择信息冗余的体素,还常常忽略那些未能达到显著激活水平却包含重要信息的体素。基于多体素模式分析(Multi-Voxel Pattern Analysis,MVPA)的fMRI视觉信息解码将大脑的多体素激活看作高维空间中的激活模式,从视觉区激活模式中提取与视觉图像刺激相关的信息,利用模式分类的方法解码大脑视觉区所包含的信息。MPVA为开展基于fMRI的神经编码和信息处理机制研究提供了重要途径,也成为大脑视觉信息解读的主要方法。本文结合fMRI成像技术的特点和大脑视觉信息处理的神经机制,引入MVPA方法框架,针对fMRI视觉信息解码技术中的体素选择方法、特征维数约减方法、视觉信息解读方法以及fMRI视觉信息解码的敏锐度问题开展研究并进行分析和讨论。主要工作包括:1.研究了基于MVPA的fMRI视觉信息解码中的体素选择方法。fMRI数据中包含较多的噪声,为改善视觉信息解码中体素选择的有效性,本文提出了一种基于多变量分析的体素选择方法。该方法引入并改进了主特征分析方法,将每个体素都投射到低维的主成分空间,在主成分空间对体素进行聚类分析,从每个聚类中选取代表体素并剔除噪声体素。本文通过实际采集的图像四分类实验数据对该方法进行了验证,分析结果表明,该方法与经典方法相比能够以更少的体素保留更多的信息,有利于提高视觉信息分类的准确性。2.研究了基于MVPA的fMRI视觉信息解码中的特征维数约减方法。特征维数约减是解决fMRI视觉信息解码中样本维数高、样本量小等问题的基本途径之一。经典的特征维数约减方法在降维的同时,往往会导致部分视觉相关信息的丢失,从而影响后续的视觉信息解读的性能。针对这一问题,本文提出了一种基于稀疏学习的维数约减方法,更加高效地将高维数据分类问题转变成低维数据分类问题。该方法在视觉信息稀疏表达的准则下,以不同实验条件下的样本原型(prototype example)为约束,利用稀疏学习算法学习高维体素空间到低维特征空间的变换关系。实验结果表明,与主成分分析、多维尺度分析等方法相比,该方法能够在更低维的空间保留更多的视觉信息。3.研究基于MVPA的视觉信息解读方法。本文结合大脑视觉信息处理机制和神经成像特点,在MVPA特征分析的研究基础上提出了两种视觉信息解读方法。第一种是基于主特征分析的解码方法,该方法通过主特征分析进行体素选择,并结合支持向量机分类器进行视觉信息解读。第二种方法通过稀疏学习方法进行维数约减,结合线性判别分析等简单分类器进行视觉信息解读。实验结果表明,两种方法均能有效提取蕴含在fMRI体素中的视觉信息,使视觉信息解读性能得到显著提升。其中,第二种方法在样本数据线性可分的情形下能够达到更高的分类性能,第一种方法则易于推广到样本数据非线性可分的情况。4.研究了基于MVPA的fMRI视觉信息解码中的敏锐度(acuity)问题。本文结合体素模式的生物学基础,分析得出fMRI视觉信息解读存在高空间频率信息不足的问题:fMRI体素模式的信息主要来源于宏观的体素水平,主要反映视觉信息中的低空间频率信息。面向脑机协同的图像分类检索应用,本文提出一种将图像高空间频率特征和大脑视觉皮层体素特征相融合的图像分类方法,通过引入少量的图像高空间频率信息,辅助视觉区体素进行图像分类。实验结果表明,极少量图像高空间频率信息的加入显著提升了分类的准确率,进而验证了fMRI视觉信息解读敏锐度不足的结论。此外,该方法对设计面向图像检索应用的fMRI视觉解读系统具有重要的借鉴意义。
【学位授予单位】：解放军信息工程大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41;R318

【参考文献】