基于多变量模式分析的fMRI解码与应用研究
人类的大脑经过了千百万年的进化,形成了由大量神经元通过突触相互连接的神经系统网络,使人脑可以在不断变化的环境中处理各种复杂信息。现代脑成像技术的产生使得观测脑结构和功能成为可能,尤其是功能磁共振成像(functional magnetic resonance imaging,fMRI)技术,由于其具有非侵入性、无放射性、高空间分辨率,极大地促进了脑科学研究的进展,为探索和揭示脑的工作机制提供了有利的工具。
由于功能磁共振成像的高空间分辨率和成像方式的特殊性,使得功能磁共振数据具有高维数、低信噪比等特点。传统的单变量方法将每个体素作为独立的特征进行处理分析,忽略了特征之间的相互作用,从而导致具有可分性空间模式难以被探测到。
多变量模式分析(Multivariate pattern analysis,MVPA)作为传统单变量方法的替代方法,能够更精准地探测大脑的激活分布和解码认知状态,在神经影像学领域中得到广泛应用。本文以任务态功能磁共振数据为研究对象,并结合其特点选择多变量模式分析作为研究方法,来解码人脑的认知状态和定位任务相关的脑激活区域。
本论文的主要研究工作包含如下几个部分:1.在已有算法的基础上,针对功能磁共振数据的高维数以及部分特征(体素)之间具有高度相关性,以稀疏表示为基础提出了基于正交匹配追踪(orthogonal matching pursuit,OMP)的特征选择算法,并将其应用到功能磁共振数据分析竞赛数据上。通过与其它两种方法比较,验证了该方法在功能磁共振数据分析中的有效性。
2.本部分在前一部分内容的基础上,结合功能影像数据分析的功能特异性原
则引入循环剔除的概念,以便选择更多与任务相关的特征,从而实现在解码的同时定位任务相关的脑激活区域。结果显示,我们的算法几乎选出了所有的有区分性的特征,得到了较高的解码准确率,已有研究的结果也能很好的对定位出的脑区作出解释。
3.基于探照灯的多变量模式分析方法,研究语义熟悉度对视听整合的调节作用。使用熟悉/陌生的人脸图像(视觉)、名字(听觉)、人脸-名字配对(视听觉)作为刺激材料,将探照灯算法选择出来的特征输入到支持向量机来解码认知状态(熟悉或者不熟悉),同时对被选特征对应的分类权重进行置换检验,定位出对认知状态有区分性的脑区(编码熟悉度)。
然后,对多模态整合区域与这些编码熟悉度的脑区之间进行有效连接分析。结果显示,语义层次的视听整合增强了熟悉一致人脸-姓名对的神经表征。
此外,语义熟悉度对一致刺激视听整合的调制作用可能是通过控制多模态区域鼻周皮层到感兴趣区的有效连接、影响之间的信息传递来实现。4.受前一部分内容的启发,考虑到语义熟悉度对有效网络连接的影响,我们以视听觉熟悉一致和视听觉不熟悉这两个刺激条件下的数据为对象,按照脑模版的分区计算各条件下两两之间的有效连接。
将有效连接作为特征,并用多变量模式分析方法进行解码定位。其次,对各刺激条件下的一致性特征网络进行置换检验,得到各自对应的任务特异性网络。
结果显示,有效连接结合多变量模式分析方法获得了较高的解码准确率,定位出的高区分能力的脑区也通过已有的研究得以证实。两个任务的特异性网络之间的比较也很有说服力,尤其是与信息流的观点以及有效连接本质具有高度的一致性。
基于多变量模式分析的fMRI解码与应用研究
