【摘要】：大腦是結(jié)構(gòu)分離卻功能整合的平衡體，也是復(fù)雜系統(tǒng)中尤為突出的經(jīng)典實例。人們熱衷于利用復(fù)雜網(wǎng)絡(luò)研究人腦這一復(fù)雜系統(tǒng)。近年，對復(fù)雜腦網(wǎng)絡(luò)的研究致力于探索其復(fù)雜的網(wǎng)絡(luò)拓撲性質(zhì)。目前，更多的研究轉(zhuǎn)向于探索復(fù)雜腦網(wǎng)絡(luò)的不同時空尺度的動力學(xué)，以及對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)演化過程。 從解剖和功能水平來理解腦的復(fù)雜網(wǎng)絡(luò)拓撲性質(zhì)是迄今為止最大的挑戰(zhàn)。除利用解剖結(jié)構(gòu)連接（通常指白質(zhì)纖維束）外，也發(fā)展了很多有效的方法來推斷大腦連接。其中比較常用的是基于神經(jīng)活動的同步相關(guān)性來推斷的功能連接（Functional connectivity，F(xiàn)C），它是指空間遠距離神經(jīng)生理事件間的統(tǒng)計依賴性。另外一類重要的方法是有效連接（Effective connectivity，EC），它試圖去揭示腦區(qū)間的有向信息傳輸機制；近年來，已經(jīng)發(fā)展了許多探測有效連接的算法，基于數(shù)據(jù)驅(qū)動的Granger Causality（GC）就是強有效的工具之一。 GC計算的一個主要問題在于如何處理多變量冗余和混淆信息；這個問題是GC應(yīng)用于神經(jīng)影像數(shù)據(jù)集的最大障礙，全文上下都圍繞這一主線展開。本論文的工作就是致力于發(fā)展、運用和嚴格的驗證GC算法，使其更加堅實有效地應(yīng)用于神經(jīng)影像數(shù)據(jù)集，進而最大限度的獲取可靠的有向傳輸信息。此外，我們也將這些算法應(yīng)用于認知任務(wù)或病患等特定問題的數(shù)據(jù)上，為理解腦功能及其異常機制提供一個新思路。 本文主要包括三大部分的研究： 第一部分，利用基于典型相關(guān)的因果算法重構(gòu)小尺度動態(tài)網(wǎng)絡(luò)（少量網(wǎng)絡(luò)節(jié)點，100~102級別）。為了探測多變量/群組/模塊間的信息交互，從個體到群組水平、多尺度地挖掘網(wǎng)絡(luò)底層隱涵的豐富信息，本文提出一種典型相關(guān)GC算法，它避免了傳統(tǒng)的自回歸模型估計，消除了瞬時同步交互效應(yīng)對于因果推斷的影響。經(jīng)過仿真數(shù)據(jù)的成功測試后，將其用于分析一位癲癇患者發(fā)作間期的腦電數(shù)據(jù)（同步記錄的頭皮和深部腦電圖），分析結(jié)果合理地解釋了癲癇發(fā)作時相關(guān)的臨床癥狀（第二章）。 生理信號往往表現(xiàn)出非線性動力學(xué)特征，它限制了上述線性典型相關(guān)GC算法的功效，在此，本文提出利用核函數(shù)技巧（將數(shù)據(jù)投射到更高維的特征空間），推廣了典型相關(guān)GC算法，使之適合于估計非線性因果交互作用。同樣的，在仿真數(shù)據(jù)上測試其可行性和有效性后，進一步將其運用到癲癇患者的顱內(nèi)腦電圖數(shù)據(jù)，重構(gòu)出了既有線性又有非線性因果交互作用的時空連接網(wǎng)絡(luò)，為探索癲癇發(fā)作時的信息傳輸路徑提供一個新的檢測手段（第三章）。 第二部分，關(guān)注于處理中尺度網(wǎng)絡(luò)（大量網(wǎng)絡(luò)節(jié)點，102~103級別）重構(gòu)時面臨的冗余和維數(shù)災(zāi)難問題。這種網(wǎng)絡(luò)尺度恰好對應(yīng)了傳統(tǒng)大腦皮層分割的尺度。而大多以功能磁共振成像構(gòu)造的腦網(wǎng)絡(luò)是基于分割區(qū)域內(nèi)體素平均的BOLD（blood-oxygenation level-dependent）信號構(gòu)建起來的；這些信號通常具有樣本少、噪聲高的特點。用這類信號重構(gòu)大規(guī)模網(wǎng)絡(luò)，標(biāo)準(zhǔn)的條件GC（conditional GC，CGC）不再適用，本文提出了利用基于攜帶驅(qū)動變量信息的原則來挑選條件變量的技術(shù)（即部分條件GC，partially conditioned GC，PCGC）。該方法成功地應(yīng)用于仿真數(shù)據(jù)和高密度腦電圖。 此外，在BOLD時間序列上推斷動態(tài)有向交互時，還面臨另外一個關(guān)鍵問題：血液動力學(xué)（hemodynamic response function，HRF）混淆效應(yīng)。針對這個問題，本文提出一種新穎的BOLD-fMRI信號盲去卷積技術(shù)（第四章），實現(xiàn)了在隱神經(jīng)水平上推斷區(qū)域間的因果交互作用。 通過聯(lián)合這兩種方法（盲去卷積和PCGC），可以更加有效地推斷靜息態(tài)下的動態(tài)有向信息交互；分析結(jié)果顯示是否去卷積將對大腦網(wǎng)絡(luò)的局部拓撲特性產(chǎn)生影響。此外，分析結(jié)果還顯示條件變量集會服從一個穩(wěn)健的空間分布（具有模塊性特征），且這種分布不受掃描時段（session）和重復(fù)時間（repetition time，TR，0.645s，1.4s和2.5s）的影響（第五章），為進一步將PCGC推廣到體素水平構(gòu)建有向網(wǎng)絡(luò)奠定了基礎(chǔ)。 第三部分，大型（海量網(wǎng)絡(luò)節(jié)點，104及以上級別）網(wǎng)絡(luò)構(gòu)建，該尺度與fMRI數(shù)據(jù)中體素的數(shù)量級相對應(yīng)，是典型的海量數(shù)據(jù)構(gòu)建復(fù)雜大型網(wǎng)絡(luò)的實例。為此，本文提出一種基于社團劃分的PCGC算法，結(jié)合去卷積方法，，高效地構(gòu)建出基于體素的隱神經(jīng)水平有向網(wǎng)絡(luò)。該算法不僅可以對條件變量降維，還消除了冗余性的影響。通過應(yīng)用圖論方法（如：度、中心性和聚類系數(shù)），實現(xiàn)了基于體素水平腦動態(tài)網(wǎng)絡(luò)拓撲特征的刻畫（第六章），開啟了運用fMRI理解大腦內(nèi)信息傳輸?shù)男缕隆?在搭建完不同尺度有向網(wǎng)絡(luò)構(gòu)建的理論之后，我們將其應(yīng)用到利手的靜息態(tài)功能磁共振成像數(shù)據(jù)上，探討利手是如何塑造靜息態(tài)人腦的。
[Abstract]:The brain is a balance of structural separation but functional integration, and it is also a classical example of complex systems. People are keen to use complex networks to study the complex human brain system. The dynamics of different space-time scales and the corresponding network structure evolution process.
Understanding the complex network topology of the brain at the anatomical and functional levels is by far the biggest challenge. In addition to using anatomical structural connections (usually referred to as white matter fascicles), many effective methods have been developed to infer brain connections. Another important method is Effective Connection (EC), which attempts to reveal the directed information transmission mechanism in the brain region. In recent years, many algorithms have been developed to detect effective connections, based on data-driven Granger. Causality (GC) is one of the powerful and effective tools.
One of the main problems in GC computing is how to deal with multivariate redundancy and confusion information; this problem is the biggest obstacle to the application of GC in neural image data sets, and the full context is centered around this thread. In addition, we also apply these algorithms to the data of specific problems, such as cognitive tasks or patients, to provide a new idea for understanding brain function and its abnormal mechanism.
This paper mainly includes three parts:
In the first part, a causal algorithm based on canonical correlation is used to reconstruct a small-scale dynamic network (a small number of network nodes, 100-102 levels). In order to detect the information interaction between multivariate/group/module, a canonical correlation GC algorithm is proposed to mine the rich information hidden at the bottom of the network from the individual level to the group level. The traditional autoregressive model estimates eliminates the effect of transient synchronous interaction on causal inference. After successful testing of the simulation data, it is used to analyze the EEG data (synchronous scalp and deep EEG) of an epileptic patient during the interval of the seizure, and the results reasonably explain the clinical symptoms associated with the seizure. The second chapter).
Physiological signals often show nonlinear dynamic characteristics, which limits the effectiveness of the above linear canonical correlation GC algorithm. In this paper, we propose a kernel function technique (projecting data into a higher dimensional feature space), which extends the canonical correlation GC algorithm to estimate nonlinear causal interactions. After testing its feasibility and validity, it is further applied to the EEG data of epileptic patients to reconstruct the spatiotemporal connection network with both linear and nonlinear causal interactions, which provides a new detection method for exploring the information transmission path during epileptic seizures (Chapter 3).
In the second part, we focus on the redundancy and dimensionality disasters faced by reconstructing mesoscale networks (large number of network nodes, 102-103 levels). This network scale corresponds to the scale of traditional cerebral cortex segmentation. Most of the brain networks constructed by functional magnetic resonance imaging (fMRI) are based on the blood-oxygenat (BOLD) of voxel average in the segmentation region. The standard conditional GC (CGC) is no longer suitable for reconstructing large-scale networks with this kind of signals. This paper presents a technique for selecting conditional variables (i.e. partially conditional GC, partia) based on the principle of carrying the information of driving variables. Lly conditioned GC (PCGC). This method is successfully applied to simulation data and high-density EEG.
In addition, there is another key problem in BOLD time series: the confusion effect of hemodynamic response function (HRF). To solve this problem, a novel blind deconvolution technique for BOLD-fMRI signals (Chapter 4) is proposed to infer inter-regional causes at the level of saphenous nerve. Fruit interaction.
By combining the two methods (blind deconvolution and PCGC), the dynamic directed information interaction in resting state can be more effectively inferred; the analysis results show that deconvolution will affect the local topological characteristics of the brain network. In addition, the analysis results also show that the conditional variable aggregation obeys a robust spatial distribution (with modularity). This distribution is not affected by scanning time (TR), repetition time (TR), 0.645s, 1.4s and 2.5s) (Chapter 5), which lays a foundation for further extending PCGC to the voxel level to construct a directed network.
The third part is the construction of large-scale (massive network nodes, 104 and above) networks, which corresponds to the order of magnitude of voxels in fMRI data. It is a typical example of building complex large-scale networks with massive data. The algorithm not only reduces the dimension of conditional variables, but also eliminates the influence of redundancy. By applying graph theory methods (such as degree, centrality and clustering coefficient), the topological features of voxel-level brain dynamic networks are described (Chapter 6), which opens a new chapter in understanding information transmission in the brain using fMRI.
After constructing the theory of directed networks of different scales, we applied it to the resting functional magnetic resonance imaging data of handedness to explore how handedness shapes resting human brain.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2013
【分類號】：R310;O157.5

【共引文獻】

相關(guān)期刊論文 前10條

1 常文利;;Influence of Blurred Ways on Pattern Recognition of a Scale-Free Hopfield Neural Network[J];Communications in Theoretical Physics;2010年01期

2 S.Boccaletti;V.Latora;Y.Moreno;M.Chavezf;D.-U.Hwang;方愛麗;趙繼軍;;復(fù)雜網(wǎng)絡(luò):結(jié)構(gòu)和動力學(xué)[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2007年01期

3 張方風(fēng);陳春輝;姜璐;;基于復(fù)雜網(wǎng)絡(luò)的大腦功能連接研究[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2011年02期

4 周珂;蔡潔;熊剛強;;兩種VBM算法對阿爾茨海默病磁共振圖像診斷價值的比較[J];廣東醫(yī)學(xué)院學(xué)報;2013年05期

5 董宇航;岑松原;;利用貝葉斯方法提高光譜儀的測量準(zhǔn)確度[J];光子學(xué)報;2013年12期

6 張方風(fēng);鄭志剛;;復(fù)雜腦網(wǎng)絡(luò)研究:現(xiàn)狀與挑戰(zhàn)[J];上海理工大學(xué)學(xué)報;2012年02期

7 梁夏;王金輝;賀永;;人腦連接組研究:腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò)[J];科學(xué)通報;2010年16期

8 李延龍;賈利平;陳輝;;Hindmarsh-Rose神經(jīng)元模型在小世界網(wǎng)絡(luò)里的非線性耦合[J];蘭州大學(xué)學(xué)報(自然科學(xué)版);2012年01期

9 方小玲;于洪潔;;復(fù)雜腦網(wǎng)絡(luò)研究進展[J];力學(xué)進展;2007年04期

10 吳麟;龔洪翰;周福慶;張悅;張寧;;DTI聯(lián)合ReHo在復(fù)發(fā)-緩解型多發(fā)性硬化患者海馬區(qū)的研究[J];臨床放射學(xué)雜志;2013年10期

相關(guān)會議論文 前1條

1 Li Shunan;Li Donghui;Deng Bin;Wei Xile;Wang Jiang;Wai-Loc Chan;;A Novel Feature Extraction Method for Epilepsy EEG Signals Based on Robust Generalized Synchrony Analysis[A];第25屆中國控制與決策會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 樊令仲;基于MRI及薄層斷面解剖數(shù)據(jù)的人類小腦結(jié)構(gòu)分析[D];山東大學(xué);2010年

2 郭大慶;復(fù)雜神經(jīng)系統(tǒng)中信息傳輸及信息處理的若干問題研究[D];電子科技大學(xué);2011年

3 李諾;針刺對腦功能影響的數(shù)據(jù)采集與分析[D];天津大學(xué);2010年

4 戴慧;原發(fā)性開角型青光眼的3TMR功能磁共振研究[D];華中科技大學(xué);2011年

5 姚志軍;輕度認知障礙和阿爾茲海默病腦形態(tài)異常的磁共振影像研究[D];蘭州大學(xué);2011年

6 廖偉;基于磁共振成像的腦連接方法學(xué)及應(yīng)用研究[D];電子科技大學(xué);2011年

7 趙剛;復(fù)雜化學(xué)體系中若干非線性動力學(xué)問題的研究[D];中國科學(xué)技術(shù)大學(xué);2006年

8 汪茂勝;耦合動力系統(tǒng)中若干復(fù)雜性和非線性問題的研究[D];中國科學(xué)技術(shù)大學(xué);2007年

9 任華;偏執(zhí)型精神分裂癥患者N-back任務(wù)和靜息狀態(tài)腦功能連接差異的fMRI研究[D];天津醫(yī)科大學(xué);2007年

10 常文利;復(fù)雜網(wǎng)絡(luò)上神經(jīng)元系統(tǒng)對刺激的響應(yīng)[D];蘭州大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 王靜怡;小鼠內(nèi)側(cè)中隔神經(jīng)元放電模式與海馬Theta節(jié)律的關(guān)系[D];華東師范大學(xué);2011年

2 李芳;基于Matlab的自由活動大鼠局部場位電的采集與分析[D];山東科技大學(xué);2011年

3 吳惠華;基于復(fù)雜網(wǎng)絡(luò)的癲癇分析與電刺激抑制[D];燕山大學(xué);2007年

4 鄭鴻宇;復(fù)雜生物神經(jīng)網(wǎng)絡(luò)的建模及其動力學(xué)特性研究[D];廣西師范大學(xué);2008年

5 曾紅麗;復(fù)雜網(wǎng)絡(luò)上的自組織臨界性[D];南京航空航天大學(xué);2009年

6 甄先通;基于磁共振影像的阿爾茨海默病腦皮層厚度分析的研究[D];蘭州大學(xué);2010年

7 王振華;基于FDG-PET的腦功能分析及臨床應(yīng)用[D];蘭州大學(xué);2010年

8 朱成鈺;局部缺血性中風(fēng),大腦發(fā)育及老化的皮層信息傳遞網(wǎng)絡(luò)的研究[D];上海交通大學(xué);2010年

9 張弘;漢字心理旋轉(zhuǎn)的皮層相互作用網(wǎng)絡(luò)[D];上海交通大學(xué);2010年

10 秦云;腦電的腦網(wǎng)絡(luò)方法及應(yīng)用研究[D];電子科技大學(xué);2010年

本文編號：2227069