基于度中心性的认知特征选择方法

针对大脑图谱认知特征选择的不确定性提出了基于度中心性的认知特征选择方法(DC-CFSM).首先,基于大脑图谱构建认知实验任务中被试的脑功能网络(FBN),并计算得到FBN每个兴趣点(ROI)的度中心性(DC);其次,统计对比被试相同皮质兴趣点在执行认知任务时不同认知状态间的差异显著性并对其进行排序;最后,根据排序后的R...     

一种基于fMRI数据的脑功能网络构建方法*

人脑可以用复杂网络方法进行定量分析。为了研究基于功能磁共振成像数据来构建脑功能网络,首先,用标准脑模板将全脑分割成90个功能区域,每个区域定义为一个网络节点;然后,用脑区的平均时间序列来计算相关系数, 网络节点间是否有边相连取决于其相关水平;最后,生成一系列不同网络密度的无向无权图,用来分析网络统计特性。结果表明,所构建的网络具有小世界拓扑结构。该脑功能网络的构建方法可以应用在某些认知障碍的临床诊断上。     

基于功能核磁成像的静息态功能脑网络研究综述

近期研究成果表明:大脑在无特定任务状态下,各功能区之间依然会有部分功能连接并由此构成网络。且连接组网的方式、强度等可能对脑功能认知研究非常有帮助。正因为此,近年来,一大批研究人员投身其中,取得了很多很出色的成果。该文从信息分析的角度,总结了近年来脑网络研究过程中典型算法的模型构建原理、优点及不足,最后对脑网络的应用范围进行了简单的阐述。     

基于典型相关的脑功能网络构建方法

人脑是自然界中最复杂的系统之一,在该系统中,各个脑区之间相互作用构成脑网络．为方便科学研究,学者们通过不同的方法构建脑功能网络．本文基于自动结构标签模板和典型相关来构建脑功能网络,并研究了所构建网络的某些关键的拓扑性质,如小世界性,全局效率,局部效率等．与此同时,比较了正常被试与心理异常海员脑功能网络的这些性质,结果表明在统计意义上正常被试和心理异常海员某些性质存在显著性差异,说明此种脑功能网络构建方法是可行的．     

一种基于稀疏表示的脑功能子网络构建方法

针对根据大脑功能磁共振成像数据构建脑功能交互子网络的问题.将小波变换一致性定义为感兴趣区域(region of interest,ROI)之间功能交互模式的测度,通过稀疏表示提取每个ROI的特征,最后运用谱聚类的方法对其进行聚类,聚类结果将大脑划分为八个功能交互子网络.结果表明,这八个子网络分别对应着大脑的视觉、运动感知等主要功能系统,与当前的神经科学知识相一致,为脑功能网络研究提供了一种新的思路.     

fMRI动态功能网络构建及其在脑部疾病识别中的应用

如何从复杂的fMRI数据中提取 丰富的大脑信息是提高脑部疾病识别精度的关键。传统的静息态功能磁共振成像分析中,功能连接网络被认为是稳定不变的。提出一种基于成组独立成分分析的构建动态功能连接网络的方法,并通过该网络来获取功能网络本身的动态特性。首先,利用成组独立成分分析法提取fMRI数据的空间独立成分作为网络节点,并通过滑动时间窗的方法获取窗口时间序列,构建动态功能连接网络。以动态功能网络作为特征,对精神分裂症患者和正常被试数据进行分类识别。实验结果表明,该方法能够获取fMRI数据的时间维度信息,提高识别效果,在一定程度上能为临床诊断提供客观参照。     

词语识别认知过程中的脑功能网络研究

词语识别是心理语言学研究领域的一个重要方面,基于脑功能网络连接模式的研究有助于对其神经机制的揭示。本文基于开源词语识别fMRI实验数据,首先利用人脑解剖学模板AAL分别构建真词试验时和辅音字符串试验时的脑功能网络,然后采用图论分析中的度中心性对AAL中的90个脑区进行活跃度度量,最后使用T检验对两种试验条件下各脑区的活跃度进行了统计对比。实验结果显示,真词试验时脑功能网络中分布在距状裂周围皮层、舌回、枕上回、枕中回、枕下回、顶上回的9个脑区的度中心性显著高于辅音字符串试验时的情况。实验结果表明,人脑在识别具有语义信息的词语时,大脑皮层的各个区域更加趋于协作,显著活跃的脑区能够作为词语识别进一步研究的生物标记。     

一种基于先验信息的脑功能网络提取方法*

目的 脑功能网络的提取在脑科学研究中具有重要意义,本文提出一种基于先验信息的脑功能网络提取方法。方法该方法首先基于先验信息得到初始的目标和背景种子点,然后基于图论将整个脑图像构建图,最后利用半监督聚类技术提取脑功能网络。基于不同信噪比的模拟数据,本文对提出方法、基于种子点的方法、独立成分分析方法、以及两种聚类方法（归一化最小化割和K均值方法）进行比较。基于真实脑静息态功能核磁共振数据,本文使用提出方法对默认模式网络进行提取。结果 基于模拟数据的实验结果表明提出算法相对于传统的方法可以得到更为准确且鲁棒的脑功能网络。基于静息态功能核磁共振数据得到的默认模式网络在一些重要脑区具有高的稳定性,且不同地点采集数据得到的结果具有较强的一致性。结论 提出方法是一种有效的脑功能网络提取方法。     

基于时空双稀疏表示的成人ADHD脑网络检测与分析

注意力缺陷多动障碍（Attention deficit hyperactivity disorder,ADHD）主要表现为注意力分散、多动和冲动,是一种常见的精神障碍疾病.作为一种流行的脑功能成像技术,静息态功能核磁共振成像（Resting-state functional magnetic resonance imaging,rsfMRI）常应用于探索ADHD的神经机制.然而,由于rsfMRI数据的高维和少样本特性,采用传统的独立成分分析方法从rsfMRI数据中获得脑网络后,大多用基于体素级的方法进行推断,这难以检测出可靠的、与ADHD相关的脑网络.针对上述问题,本文提出了一种新颖的基于时空双稀疏表示（Dual temporal and spatial sparse representation,DTSSR）的方法和指标,以22名成人ADHD患者为研究对象,从大尺度脑网络级的角度检测出与ADHD相关的脑网络.首先采用DTSSR从ADHD的rsfMRI数据中提取出组脑网络及相应的耦合参数;然后将耦合参数均值池化作为网络的活跃度指标;最后,将活跃度指标与ADHD的量表分进行Spearman相关性分析,检测出与ADHD相关的脑网络.实验结果表明,背侧注意网络、执行控制网络的活跃度与ADHD量表分具有显著相关性.该结果在脑科学角度有合理的解释,且在不同字典尺寸下具有较高稳定性.本文所提方法,为探讨ADHD的潜在神经机制提供了一种新思路.     

基于小波域的fMRI脑功能连通性检测方法

将小波变换和聚类方法结合,提出了一种基于小波域的fMRI激活区聚类检测方法.该方法首先采用多步决策的思想,对fMRI图像进行模糊C均值聚类,去除fMRI数据的不平衡问题;之后利用平稳小波变换,对数据进行小波分解,提取出感兴趣的频率范围的信息,并在小波域对体素用改进的K均值聚类算法进行分析,从而找出大脑中因任务刺激而激活的区域.对多名被试进行了视觉刺激实验,并与目前主流的SPM方法进行了比较,结果表明本文方法较SPM方法具有更高的合理性,对大脑功能连通性检测具有指导意义和实用价值.     

基于同步多维数据流的脑网络动态特征辨识方法研究

针对人脑实时变化的特性,为了更好的观测和描述人脑网络的动态特征,在基于功能磁共振成像的脑功能网络重构技术基础上,给出了一种人脑网络动态特征辨识方法。首先利用同步多维数据流的即时更新能力,将在静息态功能磁共振成像数据采集区间上的血氧水平依赖信号由大时间序列分解重构为每个采样点上的小时间窗口序列,构建连续时间点上的状态观测窗口,从而实现对人脑功能共振信号的特定时间状态辨识,然后运用相关分析对状态观测窗口信号进行分析,得到单状态观测矩阵,最终构建全脑在整个数据采集区间上的动态特征矩阵。实验结果显示该方法可以为人脑网络的动态特征观测和描述提供一种有效手段,也为进一步研究人脑网络的动态特征演变奠定了基础。     

动态功能脑网络模型的多任务融合Lasso方法

目的 传统的静息态功能性磁共振成像（fMRI）的功能脑网络（FBN）研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子（Lasso）方法来构建静息态fMRI的动态FBN。 方法 提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态fMRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。 结果 采用公开的fMRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划（ADNI）公开的fMRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论 本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于fMRI数据的脑部疾病的分类研究中。     

静息态功能磁共振成像的脑功能分区综述

目的 越来越多的研究表明,基于静息态功能磁共振成像（rs-fMRI）的大脑功能分区比传统的大脑结构分区（如AAL分区、Brodmann分区等）在功能网络构建中功能一致性更高。但现阶段对于大脑功能模块的划分较粗糙,需要更精细准确的脑功能分区,明确宏观尺度的基本功能单元。为能使脑科学领域的研究者对基于静息态功能磁共振成像的脑功能分区进行有益的探索和应用,本文对其进行系统综述。方法 从rs-fMRI数据与大脑功能网络的关系出发,理清脑功能区分割的一般思路,对近几年来脑功能分区算法中出现的新思路、新方法以及对原有方法的改进做了较全面的阐述;最后总结该领域现阶段面临的问题并对未来的研究方向做了展望。结果 根据脑区情况,将脑功能分区分为全脑功能分区和局部脑功能分区,并分别阐释这两方面的优势与应用。同时,将脑功能分区算法归纳为基于数据驱动和基于模型驱动两大类,并展示了各类分区算法的优势以及面临的难点和挑战。结论 基于静息态功能磁共振成像的脑功能分区的研究已经取得了一些进展和有价值的研究成果,但是距离研究人脑机制,应用于脑部疾病的预防和诊断以及启示类脑科学的发展,还需要对脑功能分区方法进行更深入的研究和完善。后续研究中可将传统的分区算法和先验知识、空间领域信息、空间约束、稀疏编码、特征选择和采样学习等思想结合起来,形成融合性的脑功能分区算法,致力于更为细致准确的大脑功能分区和脑功能网络构建,解析脑的高级功能。     

Fusing functional connectivity with network nodal information for sparse network pattern learning of functional brain networks

Sparse learning methods have been powerful tools for learning compact representations of functional brain networks consisting of a set of brain network nodes and a connectivity matrix measuring functional coherence between the nodes. However, these tools typically focus on the functional connectivity measures alone, ignoring the brain network nodal information that is complementary to the functional connectivity measures for comprehensively characterizing the functional brain networks. In order to provide a comprehensive delineation of the functional brain networks, we develop a new data fusion method for heterogeneous data, aiming at learning sparse network patterns to characterize both the functional connectivity measures and their complementary network nodal information within a unified framework. Experimental results have demonstrated that our method outperforms the best alternative method under comparison in terms of accuracy on simulated data as well as both reproducibility and prediction performance of brain age on real resting state functional magnetic resonance imaging data.     

面向脑核磁共振识别运动任务的门控循环单元方法

目的 在脑科学领域,已有研究借助脑功能核磁共振影像数据(functional magnetic resonance imaging,fMRI)探索和区分人类大脑在不同运动任务下的状态,然而传统方法没有充分利用fMRI数据的时序特性。对此,本文提出基于fMRI数据计算的全脑脑区时间信号(time course,TC)的门控循环单元(gated recurrent unit,GRU)方法(TC-GRU)进行运动任务分类。方法 基于HCP(human connectome project)数据集中的100个健康被试者在5种运动任务中分两轮采集的1 000条fMRI数据,对每种运动任务计算每个被试者在各脑区(共360个脑区)的时间信号;使用10折交叉验证方案基于训练集和验证集训练TC-GRU模型,并用构建好的模型对测试集进行测试,考察其对5种运动任务的分类能力,其中TC-GRU在各时刻的输入特征为全脑脑区在对应时刻的TC信号幅值,通过这样的方式提取全脑脑区在整个时间段的时序特征。同时,为了展示使用TC-GRU模型可挖掘fMRI数据中更丰富的信息,设计了多个对比实验进行比较,利用长短期记忆网络(...     

A novel method for spatio-temporal pattern analysis of brain fMRI data

1 Introduction Functional magnetic resonance imaging (fMRI) is a non-invasive brain imaging technique which has been utilized in brain function researches since the early 1990s[1]. However, it is often difficult to do analysis in fMRI data because of the low signal to noise ratio (SNR) (about 2%—4% with 1.5T magnetic field strength) and the delay within the true neural activity and the stimuli-induced signal dynamic responses. The prevalent methods applied to fMRI data could be divided i…     

低复杂度的 fMRI 脑激活区定位的盲分离算法

摘 要：功能磁共振成像(FMRI)是一种医学影像技术,由于具有非侵入性和较高的时空分 辨率等优点现已被广泛应用于脑区定位。然而传统的 FMRI 信号分离算法复杂度太高,运行时 间长,不利于 FMRI 技术更有效地应用于脑功能的研究。针对传统 FMRI 脑区分离算法的计算 复杂度问题,提出了一种基于二阶哈达码变换的盲分离算法。先计算 fMRI 数据中血氧水平依 赖(BOLD)信号的相关函数,然后对其进行特征值分解得到解混矩阵,以此实现激活脑区定位。 由于哈达码只由 1 或1 构成,因此可减少 BOLD 信号相关矩阵计算的复杂度。仿真结果表明, 相比高阶统计量的独立分量分析(ICA)和二阶统计量的傅里叶变换盲分离算法,该算法的计算时 间分别只有其 25%和 50%,而定位误差却较为接近。     

基于凸分析的盲分解方法及在脑功能磁共振 成像数据分析中的应用

盲分解(blind source separation,BSS)是经典的功能磁共振成像(functional magnetic resonance imaging,fMRI)数据驱动类分析方法.独立成分分析(independent component analysis,ICA)是fMRI数据盲分解的常用方法之一,主要利用源分量的独立性假设来从fMRI数据中提取持续任务相关(consistent task related,CTR)成分.然而在实际fMRI数据处理中发现源分量的独立性假设很难完全满足.为了提高CTR成分提取准确率,利用CTR分量空间稀疏性特点,引入基于凸分析的盲分解技术来分析fMRI数据.新方法包含两个步骤,首先利用fMRI观测数据构建一个凸集合,将源分量定位问题转化为在几何上确定凸集合端点;其次,通过体积最大法来确定凸集合端点.数值结果表明该方法可以从fMRI数据中提取更多有用信息,提高了CTR分量获取的准确率,有利于定位与任务相关的脑激活区.     

静息态脑功能网络的社团结构研究

为了探索人脑的工作机制,提出将社团划分算法应用于人脑功能网络。利用功能磁共振(fMRI)采集28名健康被试静息态脑功能数据,构建了基于时间序列的脑功能网络;根据模块度和网络全连接理论对网络中的边数划定阈值范围,利用层次聚类算法和贪心算法对脑网络进行社团划分,实验结果证明两种算法的划分结果基本一致,验证了人脑功能网络具有模块化结构;进而分析了脑网络社团结构在跨阈值范围内的差异化表现,提出了研究脑功能网络的边数有效阈值范围是180至320条边。挖掘脑网络的社团结构有助于研究脑病变机理,以辅助脑疾病的诊断治疗。