隨著腦影像技術(shù)的蓬勃發(fā)展,基于腦影像技術(shù)的大腦神經(jīng)活動(dòng)模式的分析和解碼,已經(jīng)成為一個(gè)新的研究熱點(diǎn)。表征相似性分析方法作為基于數(shù)據(jù)驅(qū)動(dòng)的大腦表征幾何結(jié)構(gòu)分析的強(qiáng)力工具,能夠充分利用fMRI數(shù)據(jù)內(nèi)在的結(jié)構(gòu)信息構(gòu)建模型來分析大腦對(duì)不同認(rèn)知任務(wù)項(xiàng)響應(yīng)的神經(jīng)活動(dòng)模式之間的相關(guān)性,從而更好地揭示腦認(rèn)知行為和相關(guān)神經(jīng)活動(dòng)模式的編碼機(jī)制。本文的主要工作和創(chuàng)新點(diǎn)如下:一、本文提出一種基于梯度的表征相似性分析算法,針對(duì)傳統(tǒng)表征相似性分析方法局限于線性模型的問題,以及當(dāng)數(shù)據(jù)樣本數(shù)量太大時(shí)算法計(jì)算性能不高的問題。具體方法為:首先用其采集的數(shù)據(jù)得到神經(jīng)活動(dòng)模式信息,考慮到數(shù)據(jù)中高維特征的冗余性,在模型中引入?1正則化項(xiàng),然后采用隨機(jī)梯度下降算法對(duì)模型進(jìn)行優(yōu)化。進(jìn)而通過模式特征矩陣分析不同認(rèn)知任務(wù)之間在大腦表征中的相似性。最后,在腦局部區(qū)域fMRI數(shù)據(jù)集上驗(yàn)證提出方法的有效性。實(shí)驗(yàn)結(jié)果表明,提出的方法能很好的對(duì)大腦神經(jīng)活動(dòng)中隱藏的信息進(jìn)行判別,從而分析不同認(rèn)知任務(wù)之間的相似性。此外,針對(duì)現(xiàn)有方法缺乏對(duì)感興趣區(qū)域的群組效應(yīng)特征進(jìn)行有效分析的問題,本文又出了一種基于彈性網(wǎng)絡(luò)的梯度表征相似性分析方法,在基于梯度的表征相... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人類腦映射和腦解碼的示例

圖 2. 1 表征空間示意圖換句話說，所有實(shí)驗(yàn)刺激的表征空間可以由矩陣上的數(shù)值定義，其中每列是局部模式特，唯一體素對(duì)應(yīng)所有時(shí)間點(diǎn)或所有刺激任務(wù)，并且每行表示與單個(gè)刺激任務(wù)有關(guān)的響應(yīng)向量單個(gè)刺激任務(wù)或時(shí)間點(diǎn)對(duì)應(yīng)所有體素。圖 2.1 示出了表征空間的示例，將三個(gè)被觀察的視激描繪為三維的三個(gè)向量。由于使用表征空間概念的主要優(yōu)點(diǎn)是研究人員可以將機(jī)器學(xué)習(xí)的應(yīng)用推廣到不同的測量模式[8,12,16]。神經(jīng)解碼和編碼分析的核心概念是高維表征向量空間。神經(jīng)響應(yīng)——大腦活動(dòng)模式在神征空間中被表示為向量形式。大腦活動(dòng)模式分布在空間和時(shí)間上。這些模式中的一個(gè)要素征表示為其對(duì)神經(jīng)活動(dòng)的局部度量，而每一個(gè)局部度量都表示為表征空間中的一個(gè)維度[4此，如果用 fMRI 測量的神經(jīng)響應(yīng)有 20 個(gè)體素，則表征空間是 20 維的。如果一個(gè)全局響 500 個(gè)單元的刺激任務(wù)，則表征空間是 500 維的。如果一個(gè) fMRI 響應(yīng)具有 200 個(gè)體素并括 5 個(gè)時(shí)間點(diǎn)，則表征空間是 1000 維的[8]。神經(jīng)活動(dòng)的局部度量通常是體素形式，即大腦圖像中的體積元素，但是還有許多替代方案如皮質(zhì)表面上的節(jié)點(diǎn)，一個(gè)區(qū)域的平均信號(hào)，主成分或獨(dú)立成分，或者一對(duì)位置之間的功

圖 2. 2 表征相似性分析示意圖這種方法具有三個(gè)優(yōu)點(diǎn)。首先，RSA 可以揭示不同腦區(qū)的表征差異性，即使 MVP 分類些區(qū)域是相同的[18,23]。其次，通過將響應(yīng)矢量的位置從一組特征坐標(biāo)轉(zhuǎn)換為矢量之間的一離，采用表示空間的幾何形狀的格式將不再依賴于特征坐標(biāo)軸，在相同條件下，此轉(zhuǎn)換允具有不同特征坐標(biāo)軸的其他空間中的的相似度矩陣進(jìn)行比較[8,18,23]。最后，RSA 可以比較物種的神經(jīng)活動(dòng)。RSA 可以應(yīng)用于不同方法來發(fā)現(xiàn)神經(jīng)表征幾何的結(jié)構(gòu)。這些方法包括數(shù)據(jù)驅(qū)動(dòng)分析和模動(dòng)分析。數(shù)據(jù)驅(qū)動(dòng)的 RSA 發(fā)現(xiàn)并描述了不同皮質(zhì)區(qū)域中存在的相似性結(jié)構(gòu)。模型驅(qū)動(dòng)的 R索皮質(zhì)區(qū)域，使用刺激或認(rèn)知模型預(yù)測其相似性結(jié)構(gòu)，模型包括感知相似性的行為評(píng)級(jí)。RSA 可以在數(shù)學(xué)上被公式化為多組回歸問題，即用于在神經(jīng)活動(dòng)矩陣和設(shè)計(jì)矩陣之間進(jìn)射的線性模型[55]。傳統(tǒng) RSA 采用基本線性方法，如普通最小二乘法（Ordinary Least SquareLS）[17]或廣義線性模型（General Linear Model，GLM）[18]。在評(píng)估不同的認(rèn)知任務(wù)之間的性時(shí)，由神經(jīng)活動(dòng)矩陣和設(shè)計(jì)矩陣之間進(jìn)行映射求得模式特征矩陣，其中設(shè)計(jì)矩陣表示為函數(shù)即刺激序列與血液動(dòng)力學(xué)響應(yīng)函數(shù)（hemodynamic response function，HRF）的卷積，


本文編號(hào)：2928050