论文部分内容阅读
人脑由上千亿个神经元组成，这些神经元相互连接，组成了一个极其复杂的系统。脑成像技术的发展为我们理解人脑的工作机制提供了基础。作为一种无创的脑成像方法，功能磁共振成像(functional magnetic resonance imaging，fMRI)因其较高的时空分辨率，被广泛应用于脑科学研究。
由于fMRI数据具有维度高、信噪比低等特性，需要选择合适的方法对其进行处理。传统的单变量方法分别在每个体素上进行建模，在一定程度上忽略了体素间的相互关系，从而导致其在检测认知状态间微弱的空间模式差异时敏感性较低。近年来，源自机器学习领域的多变量模式分析(multivariate pattern analysis，MVPA)方法在fMRI数据处理领域受到广泛关注。MVPA方法通过将多个体素的活动组合成空间模式，并将其用于区分不同的认知状态或者外部刺激。与单变量方法相比，MVPA方法具有更高的敏感性。本文中，我们主要通过使用及改进MVPA方法探索大脑对外部刺激或认知状态的神经表征。
本论文的主要研究内容包括如下几个部分：
1.利用fMRI数据的结构信息，提出了一种基于空间结构约束的多目标回归模型，用于体素活动预测。传统的脑活动预测方法分别对每个体素进行建模，忽略了体素间的相关性。此方法利用fMRI数据的空间平滑特性，每次对多个体素的活动进行预测，并利用正则化方法驱使邻近体素的模型权重类似。然后，通过结合探照灯算法，进一步获得具有空间平滑性的体素活动预测。我们在公开fMRI数据集上将此方法与基于单体素的方法进行了对比。实验结果表明，此方法在编码精度和解码精度上均比传统方法高。
2.提出了一种基于稀疏贝叶斯的体素选择方法，用于神经解码分析。考虑到体素间的相关性，我们首先根据fMRI数据的先验结构信息对体素进行分组。然后使用组稀疏的方法选择具有可分性的体素组用于认知状态解码。在贝叶斯框架下，此方法的所有参数均能自动确定，避免了超参数选择问题。在真实fMRI数据集和仿真数据集上的实验结果表明，与现有方法相比，此方法在解码准确率、稳定性等方面具有一定优势。并且，选中的体素在空间上较为聚集，有利于解码结果解释。
3.利用跨模态多变量模式分析方法，研究了个体熟悉度的跨模态表征。实验使用面孔图像(视觉)、姓名(听觉)作为刺激材料，引发被试对不同模态刺激的个体熟悉度表征。利用基于感兴趣区和基于探照灯的方法进行跨模态熟悉度解码，将一种刺激模态对应的数据用于训练分类器，将另一种刺激模态对应的数据用于测试，从而定位出对不同模态刺激具有相似空间模式的脑区。结果显示，楔前叶、颞中回后部、内侧前额叶皮质等脑区的跨模态解码准确率显著高于随机水平，表明个体熟悉度的表征在这些脑区内具有类似的空间模式。此研究有助于理解个体熟悉度识别的神经机制。
4.利用基于脑网络的多变量模式分析方法，研究了自上而下加工(top-down processing)对全脑功能连接(functional connectivity, FC)的调制作用。任务诱发的脑网络与静息态脑网络混叠在一起，导致不同任务状态间细微的脑网络差异难以被检测。我们利用一种新的被试间功能连接(inter-subject functional correlation，ISFC)方法提取被试在自上而下加工自然刺激时的脑网络，并将其用于解码被试的任务状态。结果显示ISFC特征能以90%的准确率对任务状态进行预测，说明脑网络可用于表征不同的任务状态。此外，我们发现大量网络连接支持任务状态解码，表明自上而下加工调制了大规模脑网络，而不仅限于部分脑区或网络连接。
由于fMRI数据具有维度高、信噪比低等特性，需要选择合适的方法对其进行处理。传统的单变量方法分别在每个体素上进行建模，在一定程度上忽略了体素间的相互关系，从而导致其在检测认知状态间微弱的空间模式差异时敏感性较低。近年来，源自机器学习领域的多变量模式分析(multivariate pattern analysis，MVPA)方法在fMRI数据处理领域受到广泛关注。MVPA方法通过将多个体素的活动组合成空间模式，并将其用于区分不同的认知状态或者外部刺激。与单变量方法相比，MVPA方法具有更高的敏感性。本文中，我们主要通过使用及改进MVPA方法探索大脑对外部刺激或认知状态的神经表征。
本论文的主要研究内容包括如下几个部分：
1.利用fMRI数据的结构信息，提出了一种基于空间结构约束的多目标回归模型，用于体素活动预测。传统的脑活动预测方法分别对每个体素进行建模，忽略了体素间的相关性。此方法利用fMRI数据的空间平滑特性，每次对多个体素的活动进行预测，并利用正则化方法驱使邻近体素的模型权重类似。然后，通过结合探照灯算法，进一步获得具有空间平滑性的体素活动预测。我们在公开fMRI数据集上将此方法与基于单体素的方法进行了对比。实验结果表明，此方法在编码精度和解码精度上均比传统方法高。
2.提出了一种基于稀疏贝叶斯的体素选择方法，用于神经解码分析。考虑到体素间的相关性，我们首先根据fMRI数据的先验结构信息对体素进行分组。然后使用组稀疏的方法选择具有可分性的体素组用于认知状态解码。在贝叶斯框架下，此方法的所有参数均能自动确定，避免了超参数选择问题。在真实fMRI数据集和仿真数据集上的实验结果表明，与现有方法相比，此方法在解码准确率、稳定性等方面具有一定优势。并且，选中的体素在空间上较为聚集，有利于解码结果解释。
3.利用跨模态多变量模式分析方法，研究了个体熟悉度的跨模态表征。实验使用面孔图像(视觉)、姓名(听觉)作为刺激材料，引发被试对不同模态刺激的个体熟悉度表征。利用基于感兴趣区和基于探照灯的方法进行跨模态熟悉度解码，将一种刺激模态对应的数据用于训练分类器，将另一种刺激模态对应的数据用于测试，从而定位出对不同模态刺激具有相似空间模式的脑区。结果显示，楔前叶、颞中回后部、内侧前额叶皮质等脑区的跨模态解码准确率显著高于随机水平，表明个体熟悉度的表征在这些脑区内具有类似的空间模式。此研究有助于理解个体熟悉度识别的神经机制。
4.利用基于脑网络的多变量模式分析方法，研究了自上而下加工(top-down processing)对全脑功能连接(functional connectivity, FC)的调制作用。任务诱发的脑网络与静息态脑网络混叠在一起，导致不同任务状态间细微的脑网络差异难以被检测。我们利用一种新的被试间功能连接(inter-subject functional correlation，ISFC)方法提取被试在自上而下加工自然刺激时的脑网络，并将其用于解码被试的任务状态。结果显示ISFC特征能以90%的准确率对任务状态进行预测，说明脑网络可用于表征不同的任务状态。此外，我们发现大量网络连接支持任务状态解码，表明自上而下加工调制了大规模脑网络，而不仅限于部分脑区或网络连接。