基于静息态脑功能连接性分析的面孔识别神经机制研究

发布时间：2020-03-30 00:36

【摘要】：面孔识别是人类在日常社会生活中必不可少的活动。面孔作为一种特殊的视觉刺激,包含了身份、表情、动作、性别等多种信息。不同个体面孔信息的复杂性和结构相似性决定了面孔识别能力的特殊性。面孔识别的神经机制是当今神经科学的研究热点之一。研究者们使用现代功能神经影像技术进行多方位的研究,通过对面部识别任务的相关脑激活模式进行探讨,发现与面孔识别过程存在重要关联的大脑区域位于枕颞叶结合部,因此将该脑区称为梭状回面孔区(Fusiform Face Area,FFA)。进一步的研究发现,人类的面孔识别过程依赖于一个大脑内部的分布式神经网络,并且不同个体的面孔识别能力之间存在着巨大的差异。基于大脑功能网络和面孔识别能力个体差异性的面孔识别神经机制研究能够更加有效地描述人类面孔识别过程背后的神经机制,进而为大脑如何进行面部识别提供更加直接的证据。本研究使用静息态功能磁共振成像(Resting-State Functional Magnetic Resonance Imaging,Resting-State fMRI)获取健康成人被试大脑活动的原始信息,以此对固有而专门化的面孔识别功能网络进行研究。研究主要过程包括五个步骤:一、采集健康成年人的静息态功能磁共振数据,从而建立静息态脑功能网络;二、通过面孔识别行为测试获得各个被试的面孔特异性识别能力指标;三、使用基于图论分析的单变量分析方法验证静息态脑功能网络的小世界特性,并对各网络参数和行为数据进行皮尔逊相关分析;四、基于弹性网回归的多变量分析方法,建立静息态脑功能网络与面孔特异性识别能力的关联模型;五、根据与各脑区相连的脑区数目,寻找在静息态功能网络中扮演重要角色的大脑区域。本研究揭示了一个静息状态下的脑功能网络,在该网络中颞叶具有重要的作用。该结果与任务态实验范式的研究结果具有一致性,因此当前结果表明即使在静息状态下人类大脑仍然存在负责面孔识别加工的网络。此外,本研究证实了多变量分析较单变量分析而言在脑功能网络研究中具有的优势。
【图文】：

流程图,数据预处理,流程,预处理

京交通大学硕士学位论文逦数据采集与预处理逡逑对ｆＭＲＩ图像数据进行统计分析之前，为尽可能减小数据采集过程与生理伪影逡逑成的影响，使数据满足分析需要的统计假设，同时统一不同被试个体的大脑图逡逑，以实现群组分析的有效性和灵敏性，需要对ｆＭＲＩ及Ｔ１加权图像原始数据进逡逑预处理［３９】。预处理使用的工具是基于ＭＡＴＬＡＢ的静息态ｆＭＲＩ数据分析软件逡逑Ｄａｔａ邋Ｐｒｏｃｅｓｓｉｎｇ邋Ａｓｓｉｓｔａｎｔ邋ｆｏｒ邋Ｒｅｓｔｉｎｇ－Ｓｔａｔｅ邋ｆＭＲＩ，，邋ＤＰＡＲＳＦ）处理步骤示意图如图逡逑－１所示：逡逑结（Ｔ１）逡逑

示意图,功能连接,矩阵,示意图

除去表示自相关的对角线元素，保留下三角矩阵元素，最终每个被试保逡逑留６６７０条功能连接数据。逡逑以编号为１的被试为例，图３－１是该被试的功能连接矩阵示意图，图中每一个逡逑最小色块对应于一条功能连接，最小色块的横、纵坐标即对应的脑区序号。蓝色逡逑或绿色表示功能连接为负值，黄色或橙色表示功能连接值为正值，颜色越深的区逡逑域表示相应功能连接强度（绝对值）越大。逡逑１６逡逑
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318

【参考文献】