神經(jīng)科學的快速發(fā)展,大數(shù)據(jù)的產(chǎn)生和云計算的突破,給研究工作者帶來了新的機遇;但與此同時,又不得不面臨資源整合的挑戰(zhàn)。CBRAIN云平臺的出現(xiàn)不僅解決了大數(shù)據(jù)、云計算以及工具包管理等問題,而且提供了簡單易用的圖形界面,用戶無需編程經(jīng)驗即可完成數(shù)據(jù)的處理、分析和共享。然而,CBRAIN平臺仍存在諸多不足:數(shù)據(jù)格式不夠規(guī)范;缺少腦網(wǎng)絡(luò)分析模塊。動態(tài)因果模型（Dynamic Causal Modeling,DCM）作為探究腦區(qū)之間因果效應(yīng)（有效連接）的一種腦網(wǎng)絡(luò)方法,其基于生理模型的優(yōu)點得到了不少科學家的關(guān)注,但是缺點是模型的計算時間呈指數(shù)級增長,需要強大的計算能力作為支撐。因此為了加速數(shù)據(jù)分析,本文在已有的平臺上進行改進,完成了以下的工作:（1）為了更好地管理神經(jīng)影像數(shù)據(jù),使用了標準化數(shù)據(jù)格式BIDS（Brain Imaging Data Structure）,引入了預(yù)處理工作流fMRIPrep,部署并測試在云平臺上的性能表現(xiàn);（2）使用虛擬化技術(shù)Singularity對DCM的源代碼和運行環(huán)境進行編譯和打包,部署并測試大規(guī)模尺度上DCM的可行性;（3）以PPMI（Parkinson’s P... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

腦科學領(lǐng)域中大數(shù)據(jù)和HPC相關(guān)的文章發(fā)表數(shù)量[4]

電子科技大學碩士學位論文圖1-2CBRAIN的系統(tǒng)總體設(shè)計架構(gòu)1.1.4.1分布式計算超級計算機或者計算集群可以連接到CBRAIN成為其中的附屬工作節(jié)點，但是這些服務(wù)器的系統(tǒng)架構(gòu)、集群調(diào)度軟件、UNIX環(huán)境以及存儲結(jié)構(gòu)各不相同。為此，CBRAIN使用數(shù)個抽象層解決了這個問題。重要的層是SCIR（SimpleClusterInterfaceinRuby），它被開發(fā)成流水線型的元調(diào)度器以抽象出不同核心平臺的調(diào)度器。SCIR是一個簡單的Ruby庫，對特定的集群進行查詢、提交和管理作業(yè)，通過創(chuàng)建子類可以支持新的網(wǎng)格計算環(huán)境，這個子類目前支持各種版本的SGE、PBS、Torque、MOAB調(diào)度軟件及直接的UNIX環(huán)境。1.1.4.2分布式存儲CBRAIN的數(shù)據(jù)提供者是一個抽象的模型，用來表示任何能從網(wǎng)絡(luò)獲取到的數(shù)據(jù)倉庫。與SCIR層類似，數(shù)據(jù)提供者是一個可編程的API，用于提取存儲數(shù)據(jù)特定類型的細節(jié)。數(shù)據(jù)提供者定義了一個基類實現(xiàn)了文件查詢、文件傳輸以及鏡像備份等功能，通過Ruby類的插件實現(xiàn)對特定存儲數(shù)據(jù)類型的訪問，這就使得CBRAIN可以透明化地與數(shù)據(jù)進行交互。CBRAIN使用基于SSH和SFTP協(xié)議的rsync軟件實現(xiàn)對遠程倉庫數(shù)據(jù)的異步傳輸，這樣的機制易于管理而且伸縮性和擴展性都很好，同時還具備安全性。這些自動化的類網(wǎng)格計算方法都說明了CBRAIN平臺，不管是連接到網(wǎng)絡(luò)存儲服務(wù)器還是手機端，其魯棒性都能保證穩(wěn)定的連接。除了常規(guī)的網(wǎng)絡(luò)存儲器，CBRAIN還支持基于API服務(wù)的云儲存，比如亞馬遜的4

砑?瓿墑?蕕目墑踴??BrainBrowser是一個實時的基于WebGL的三維渲染軟件，支持展示腦皮層和腦容積（體素），并從三個不同方向進行展示，而且每個方向會顯示當前的坐標，通過移動鼠標還可以改變觀察的區(qū)域。四維的fMRI數(shù)據(jù)可以通過選擇時間層的方式顯示特定時間點下的三維數(shù)據(jù)，而且為了更好地展示數(shù)據(jù)，CBRAIN還提供了彩色圖和閾值選項，方便研究者更好地對影像數(shù)據(jù)進行觀察。1.1.4.4云平臺的使用情況如圖1-3所示，自從2009年起CBRAIN已經(jīng)擁有遍布在33個國家的1000多個用戶，集成了超過60個神經(jīng)科學領(lǐng)域的工具包[16]。圖1-3CBRAIN用戶注冊的情況[16]CBRAIN云平臺主要使用ComputeCanadax的共享計算資源作為后臺服務(wù)器，包含了Beluga、Cedar、Graham和Niagara共4個國家級的超級計算機。截止到2019年12月，它們都位列全球超級計算機榜單前500名y，可使用的計算核數(shù)超過23萬個，可使用的內(nèi)存大小超過620TB，可使用的存儲空間超過30PB，如表1-1所示為超級計算機的可用硬件資源和詳細信息。xhttps://www.computecanada.ca/home/yhttps://www.top500.org/list/2019/115

【參考文獻】：
期刊論文
[1]Exascale Computer百億億次計算機[J].   兵器材料科學與工程. 2020(02)
[2]How Big Data and High-performance Computing Drive Brain Science[J]. Shanyu Chen,Zhipeng He,Xinyin Han,Xiaoyu He,Ruilin Li,Haidong Zhu,Dan Zhao,Chuangchuang Dai,Yu Zhang,Zhonghua Lu,Xuebin Chi,Beifang Niu.  Genomics,Proteomics & Bioinformatics. 2019(04)
[3]一種小樣本數(shù)據(jù)的特征選擇方法[J]. 許行,張凱,王文劍.  計算機研究與發(fā)展. 2018(10)
[4]老年認知功能障礙患者默認網(wǎng)絡(luò)、凸顯網(wǎng)絡(luò)和中央執(zhí)行網(wǎng)絡(luò)研究進展[J]. 王金芳,陳紅燕,李越秀,葉娜,馮麗,王詩男,張玉梅.  中國康復(fù)理論與實踐. 2018(03)
[5]有效連接分析在腦功能磁共振數(shù)據(jù)中的發(fā)展和應(yīng)用[J]. 陳富琴,張俊然,蔣小梅,張坤.  航天醫(yī)學與醫(yī)學工程. 2016(04)
[6]腦科學視角下的高性能計算[J]. 劉亞東,胡德文.  計算機學報. 2017(09)
[7]帕金森病流行現(xiàn)狀[J]. 劉疏影,陳彪.  中國現(xiàn)代神經(jīng)疾病雜志. 2016(02)
[8]功能磁共振在帕金森病非運動癥狀診斷中的應(yīng)用[J]. 鄧霞,魏彩霞,潘治斌,章建權(quán),徐仁伵.  中國老年學雜志. 2016(01)
[9]功能磁共振在帕金森病運動癥狀診斷中的應(yīng)用[J]. 魏彩霞,鄧霞,潘治斌,徐仁伵.  中國老年學雜志. 2015(21)
[10]動態(tài)因果模型的研究綜述[J]. 鄧紅霞,游雅,李海芳.  電腦開發(fā)與應(yīng)用. 2013(07)

博士論文
[1]帕金森病患者血清維生素D與認知功能、抑郁情緒的臨床研究[D]. 劉晶.蘇州大學 2018
[2]帕金森病認知相關(guān)腦網(wǎng)絡(luò)改變的磁共振影像學研究[D]. 鐘建國.浙江大學 2018
[3]基于功能磁共振成像的腦連接分析[D]. 李寶娟.國防科學技術(shù)大學 2012
[4]腦功能磁共振數(shù)據(jù)時空分析方法研究[D]. 顏莉蓉.國防科學技術(shù)大學 2006

碩士論文
[1]基于格蘭杰因果分析的MCI腦網(wǎng)絡(luò)分類研究[D]. 崔會芳.太原理工大學 2019
[2]伴凍結(jié)步態(tài)的帕金森病背側(cè)注意網(wǎng)絡(luò)與其他相關(guān)固有網(wǎng)絡(luò)的靜息態(tài)功能連接研究[D]. 李群.重慶醫(yī)科大學 2018
[3]基于磁共振影像腦疾病分類的模式識別方法研究[D]. 畢文偉.電子科技大學 2016
[4]基于超級計算機的大規(guī)模腦神經(jīng)網(wǎng)絡(luò)的仿真技術(shù)研究[D]. 邵亞超.國防科學技術(shù)大學 2015
[5]基于醫(yī)學影像數(shù)據(jù)的多元模式識別分析[D]. 黃京.湖南師范大學 2014



本文編號：3228091