視覺(jué)重構(gòu)腦解碼理論與方法研究
本文選題：視網(wǎng)膜拓?fù)溆成?/strong> 切入點(diǎn)：視覺(jué)圖像重構(gòu) 出處：《電子科技大學(xué)》2017年碩士論文 論文類型：學(xué)位論文
【摘要】：視覺(jué)系統(tǒng)是人類獲取外部環(huán)境信息的重要感官之一,人腦視覺(jué)信息處理具有高效、抗噪和魯棒性,尤其表現(xiàn)在對(duì)自然場(chǎng)景的識(shí)別和處理上。大腦驚人的視覺(jué)信息處理能力背后,隱藏著怎樣的神經(jīng)機(jī)制呢?這是令無(wú)數(shù)科學(xué)家著迷的問(wèn)題,解讀人腦視覺(jué)認(rèn)知快速編碼/解碼機(jī)制一直是腦科學(xué)最具前沿和挑戰(zhàn)性的方向。隨著腦編碼機(jī)制的逐漸清晰和腦成像技術(shù)及模式識(shí)別方法的快速發(fā)展,科學(xué)家們開(kāi)始思考更復(fù)雜更深層次的問(wèn)題—腦解碼:能否根據(jù)腦功能活動(dòng)信號(hào)進(jìn)行視覺(jué)重構(gòu),推算出大腦所知覺(jué)到的視覺(jué)信息,比如文字和圖像?從2005年開(kāi)始,國(guó)際上一些著名科學(xué)家和實(shí)驗(yàn)室開(kāi)始探索腦解碼的方法和技術(shù),近年來(lái)取得了很大進(jìn)步。Miyawaki利用早期視皮層視網(wǎng)膜拓?fù)溆成潢P(guān)系建立了一種不受限于候選類別的腦信號(hào)視覺(jué)圖像重建方法和技術(shù),但是,他的方法重構(gòu)出的圖像具有很大的噪聲,并且重構(gòu)的效率低。針對(duì)這樣的不足之處,本文提出了基于F-score特征選擇的貝葉斯重構(gòu)方法,來(lái)改善圖像重構(gòu)的精度和效率。要實(shí)現(xiàn)視覺(jué)圖像的重構(gòu),則需要對(duì)大腦的視覺(jué)皮層亞區(qū)的定位,本文首先開(kāi)展了視網(wǎng)膜拓?fù)溆成涞拇殴舱駥?shí)驗(yàn)。該實(shí)驗(yàn)通過(guò)“楔形”和“環(huán)形”刺激來(lái)誘發(fā)大腦視覺(jué)皮層,使用廣義線性模型(GLM)來(lái)找到視覺(jué)皮層中激活體素,計(jì)算被激活體素的極角值和離心率值,得到大腦的極角圖和離心率圖。根據(jù)極角圖和離心率圖初步實(shí)現(xiàn)了初級(jí)視覺(jué)皮層亞區(qū)的劃分,實(shí)現(xiàn)了V1,V2,V3區(qū)域的體素定位。針對(duì)Miyawaki提出的基于SMLR圖像重構(gòu)方法噪聲大和重構(gòu)效率低的問(wèn)題,本文建立了一個(gè)基于F-score特征選擇算法的貝葉斯視覺(jué)圖像重構(gòu)模型。該模型使用F-score特征選擇方法選擇出重構(gòu)效果好的體素,去除了與刺激圖像不相關(guān)的體素,最終降低了重構(gòu)圖像的噪聲。結(jié)合復(fù)雜度低的貝葉斯方法,能顯著提高視覺(jué)圖像重構(gòu)的效率。
[Abstract]:Visual system is one of the important senses for human to obtain external environmental information. Human brain visual information processing has high efficiency, anti-noise and robustness, especially in the recognition and processing of natural scenes. What kind of neural mechanism is hidden? It's a fascinating question for countless scientists, It has been the most advanced and challenging direction of brain science to interpret the mechanism of fast coding / decoding of human brain visual cognition. With the development of brain coding mechanism and the rapid development of brain imaging technology and pattern recognition methods, Scientists are starting to think about a more complex and deeper problem-brain decoding: can we reconstruct the brain from the signals of brain activity and extrapolate the visual information the brain perceives, such as words and images? Since 2005, some famous scientists and laboratories around the world have begun to explore the methods and techniques of brain decoding. In recent years, great progress has been made. Miyawaki has established a new method and technique of brain signal visual image reconstruction, which is not limited to candidate categories by using the early retinal topologic mapping of visual cortex. However, the reconstructed image by his method has a lot of noise. And the efficiency of reconstruction is low. In this paper, a Bayesian reconstruction method based on F-score feature selection is proposed to improve the accuracy and efficiency of image reconstruction. Then we need to locate the subregion of the visual cortex of the brain. In this paper, we first carried out a magnetic resonance imaging experiment of retinal topologic mapping, which induces the visual cortex of the brain through "wedge" and "ring" stimuli. Using the Generalized Linear Model (GLM) to find activators in the visual cortex and calculate the extreme angle and centrifugation rate of the activated voxels. The polar angle map and the centrifuge rate map of the brain were obtained. According to the polar angle map and the centrifugal rate map, the primary visual cortex subregion was preliminarily divided. The voxel location of V1 / V2 / V3 region is realized. Aiming at the problems of Miyawaki's image reconstruction method based on SMLR, which has high noise and low reconstruction efficiency, the voxel location of V1 / V2 / V3 region is realized. In this paper, a Bayesian visual image reconstruction model based on F-score feature selection algorithm is established. Finally, the noise of reconstructed image is reduced, and the efficiency of visual image reconstruction can be improved significantly by combining the Bayesian method with low complexity.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;R338
【相似文獻(xiàn)】
相關(guān)期刊論文 前10條
1 蘭莉;視覺(jué)—運(yùn)動(dòng)整合的研究進(jìn)展[J];中國(guó)兒童保健雜志;1999年04期
2 凱風(fēng);;看東西,不一定非要用眼睛[J];大科技(科學(xué)之迷);2002年09期
3 Ann Gibbons;朱長(zhǎng)超;;人腦新地圖[J];世界科學(xué);1991年05期
4 鐘新民;;一個(gè)測(cè)度為1的集到零集上的拓?fù)溆成浼捌湫再|(zhì)[J];湖南師范大學(xué)自然科學(xué)學(xué)報(bào);1988年01期
5 張燕麗;;視覺(jué)圖像中的生活[J];科技信息(科學(xué)教研);2008年05期
6 周志盛;相里斌;張文喜;李楊;;基于迭代的傅里葉望遠(yuǎn)鏡圖像重構(gòu)方法[J];光學(xué)學(xué)報(bào);2014年05期
7 陳艷;金偉其;徐超;王霞;高美靜;王嶺雪;;基于不可控微掃描的高分辨力圖像重構(gòu)方法[J];光子學(xué)報(bào);2009年08期
8 王俊;;當(dāng)今城市視覺(jué)圖像文化建設(shè)的發(fā)展與思考[J];科技信息;2008年27期
9 何貴陽(yáng);;不定形狀基無(wú)差別約束中人體運(yùn)動(dòng)圖像重構(gòu)防失控算法[J];科技通報(bào);2013年11期
10 段汕;;形態(tài)插值方法應(yīng)用于圖像重構(gòu)(英文)[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期
相關(guān)會(huì)議論文 前3條
1 于晶;郭航;;矩函數(shù)在圖像重構(gòu)中的應(yīng)用[A];2006“數(shù)學(xué)技術(shù)應(yīng)用科學(xué)”[C];2006年
2 王智靈;陳宗海;周露萍;;視覺(jué)圖像理解中的定性方法研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2006年
3 李運(yùn)達(dá);李琦;劉正君;王騏;;太赫茲計(jì)算機(jī)輔助層析圖像重構(gòu)算法仿真研究[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年
相關(guān)重要報(bào)紙文章 前4條
1 健康時(shí)報(bào)記者 張偉;開(kāi)發(fā)視覺(jué),寶寶的游戲要玩“對(duì)”[N];健康時(shí)報(bào);2006年
2 記者 董映璧;俄破解太空視覺(jué)光斑現(xiàn)象[N];科技日?qǐng)?bào);2006年
3 楊孝文 楊麗君;人眼所見(jiàn)總是包含主觀想象[N];北京科技報(bào);2004年
4 李公明;從媒介到視覺(jué)圖像的……批判性研究[N];東方早報(bào);2011年
相關(guān)博士學(xué)位論文 前7條
1 敖歡歡;視覺(jué)顯著性應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年
2 邵靜;協(xié)同視覺(jué)選擇注意計(jì)算模型研究[D];合肥工業(yè)大學(xué);2008年
3 王彥杰;基于顯著局部特征的視覺(jué)物體表示方法[D];北京理工大學(xué);2010年
4 李東澤;雷達(dá)關(guān)聯(lián)成像技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年
5 袁敏;基于多尺度幾何分析和字典學(xué)習(xí)的高度欠采樣磁共振圖像重構(gòu)研究[D];蘭州大學(xué);2015年
6 張華;中國(guó)傳統(tǒng)繪畫(huà)與視覺(jué)[D];西安美術(shù)學(xué)院;2011年
7 周志盛;相干場(chǎng)成像圖像重構(gòu)技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年
相關(guān)碩士學(xué)位論文 前10條
1 黃偉;視覺(jué)重構(gòu)腦解碼理論與方法研究[D];電子科技大學(xué);2017年
2 鄭載舟;基于實(shí)時(shí)功能磁共振成像的腦機(jī)交互自然圖像檢索技術(shù)研究[D];解放軍信息工程大學(xué);2015年
3 宋華櫻;視覺(jué)運(yùn)動(dòng)的皮層腦電響應(yīng)及其在微創(chuàng)腦—機(jī)接口中的應(yīng)用[D];清華大學(xué);2012年
4 鐘小聰;內(nèi)源光學(xué)與微電極視覺(jué)實(shí)驗(yàn)平臺(tái)設(shè)計(jì)[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年
5 張懷禮;格式塔理論指導(dǎo)網(wǎng)絡(luò)課程視覺(jué)效果設(shè)計(jì)的研究[D];東北師范大學(xué);2006年
6 李睿;異構(gòu)網(wǎng)絡(luò)測(cè)試床拓?fù)溆成渌惴ㄑ芯縖D];解放軍信息工程大學(xué);2014年
7 馬彩虹;基于壓縮感知的圖像重構(gòu)方法研究[D];西安電子科技大學(xué);2014年
8 謝瑋琦;基于探針模型的原子力顯微鏡圖像重構(gòu)研究[D];沈陽(yáng)建筑大學(xué);2016年
9 李志權(quán);基于笛卡爾坐標(biāo)系下的圖像矩的圖像重構(gòu)方法研究[D];陜西師范大學(xué);2016年
10 楊滔;aEEG信號(hào)圖像重構(gòu)及基于集成SVM的分類研究[D];華東師范大學(xué);2017年
，本文編號(hào)：1564502
本文鏈接：http://sikaile.net/yixuelunwen/jichuyixue/1564502.html
