人腦由上千億個(gè)神經(jīng)元組成,這些神經(jīng)元相互連接,組成了一個(gè)極其復(fù)雜的系統(tǒng)。腦成像技術(shù)的發(fā)展為我們理解人腦的工作機(jī)制提供了基礎(chǔ)。作為一種無(wú)創(chuàng)的腦成像方法,功能磁共振成像（functional magnetic resonance imaging,fMRI）因其較高的時(shí)空分辨率,被廣泛應(yīng)用于腦科學(xué)研究。由于fMRI數(shù)據(jù)具有維度高、信噪比低等特性,需要選擇合適的方法對(duì)其進(jìn)行處理。傳統(tǒng)的單變量方法分別在每個(gè)體素上進(jìn)行建模,在一定程度上忽略了體素間的相互關(guān)系,從而導(dǎo)致其在檢測(cè)認(rèn)知狀態(tài)間微弱的空間模式差異時(shí)敏感性較低。近年來(lái),源自機(jī)器學(xué)習(xí)領(lǐng)域的多變量模式分析（multivariate pattern analysis,MVPA）方法在fMRI數(shù)據(jù)處理領(lǐng)域受到廣泛關(guān)注。MVPA方法通過(guò)將多個(gè)體素的活動(dòng)組合成空間模式,并將其用于區(qū)分不同的認(rèn)知狀態(tài)或者外部刺激。與單變量方法相比,MVPA方法具有更高的敏感性。本文中,我們主要通過(guò)使用及改進(jìn)MVPA方法探索大腦對(duì)外部刺激或認(rèn)知狀態(tài)的神經(jīng)表征。本論文的主要研究?jī)?nèi)容包括如下幾個(gè)部分:1.利用fMRI數(shù)據(jù)的結(jié)構(gòu)信息,提出了一種基于空間結(jié)構(gòu)約束的多目標(biāo)回歸模型,用于... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：109 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

不同腦成像技術(shù)的時(shí)間分辨率和空間分辨率

Figure 1-2: Original fMRI data and preprocessed fMRI data.間結(jié)果的比較。為得到基于群體的結(jié)論，需要將所有被試的大腦映射到同一標(biāo)準(zhǔn)空間，以保證所有被試腦圖像中的同一體素對(duì)應(yīng)相同的解剖位置。如圖1-2所示，空間標(biāo)準(zhǔn)化后不同被試腦圖像的形狀、大小等均較相近�？臻g標(biāo)準(zhǔn)化對(duì)于基于群體的統(tǒng)計(jì)分析以及結(jié)果可視化具有重要意義。空間平滑 空間平滑具有減少fMRI圖像中的隨機(jī)噪聲、提高信噪比、減少空間標(biāo)準(zhǔn)化后個(gè)體間的差異、提升一般線性模型對(duì)激活區(qū)的檢測(cè)能力等作用。但是，空間平滑也可能導(dǎo)致真正的fMRI信號(hào)減弱。因此，傳統(tǒng)的單變量分析方法常進(jìn)行空間平滑操作，但對(duì)于多變量模式分析方法，一般不進(jìn)行平滑處理�？梢酝ㄟ^(guò)將fMRI數(shù)據(jù)與三維高斯函數(shù)進(jìn)行卷積積分進(jìn)行空間平滑，高斯函數(shù)的參數(shù)可由用戶設(shè)定。1.2.3 單變量分析方法傳統(tǒng)的fMRI數(shù)據(jù)分析以單變量分析方法為主，其中的典型代表為以一般線性模型（generalized linear model，GLM）為基礎(chǔ)的統(tǒng)計(jì)參數(shù)圖（statistical parametricmapping

法敏感性更高[4, 5]。神經(jīng)解碼分析的基本流程如圖1-3所示，主要包括體素選擇、分類器訓(xùn)練、泛化測(cè)試等步驟，接下來(lái)將詳細(xì)解釋各個(gè)步驟。體素選擇 在神經(jīng)解碼分析中，常將體素活動(dòng)當(dāng)做特征用于認(rèn)知狀態(tài)解碼。預(yù)處理之后的fMRI數(shù)據(jù)往往包含數(shù)十萬(wàn)個(gè)體素，但訓(xùn)練樣本數(shù)量經(jīng)常在幾十個(gè)到幾百個(gè)之間。若將所有體素均用于分類，將導(dǎo)致特征的維數(shù)遠(yuǎn)大于樣本維度，很容易造成過(guò)擬合6


本文編號(hào)：2981019