基于fMRI的脑词汇认知状态识别方法研究

摘要

人脑是人体内外环境信息获得、存储、处理、加工和整合的中枢，揭示人脑的奥秘是人们一直以来的追求与梦想。随着各种新方法、新技术在脑研究领域的应用，相关实验数据大量产生。仅仅对这些数据进行简单的存储、查询和计算，根本无法挖掘出背后隐藏的大量信息。因此，必须用数据挖掘的方法以及先进的信息学工具，对实验数据进行分析、处理、整合和建模，从而发现新的规律，揭示脑认知活动的深层机制。 脑功能磁共振成像(fMRI)是近年来用于认知研究的重要技术。本文在对脑功能磁共振成像数据分析处理研究的基础上，探讨了基于fMRI图像的脑词汇认知状态识别方法。本文的工作主要从以下三个方面展开。 针对fMRI图像的配准问题展开了研究。由于主客观原因的存在，实验获得的时间序列的fMRI图像并不能完全对齐，而认知实验中的统计分析都是基于同一部位的，因此必须对图像进行配准。本文给出了一种基于云模型改进的粒子群优化的fMRI图像配准方法，并用该方法进行了模拟的配准实验。结果表明，该方法较使用标准的粒子群算法收敛速度快，配准精度高，可以较好地解决fMRI图像配准问题。 研究了fMRI图像的特征抽取方法。实验获得的fMRI图像往往含有数十万个体素点，表示成向量的形式后维数也具有同样的数量级，这很不利于分析研究。因此，必须用尽可能少的变量表征原图像所蕴含的信息。本文给出了一种基于主成分分析的fMRI图像特征抽取方法。用该方法对fMRI数据进行特征提取后，可以将原来图像的体素信息用极少数量的主成分(通常都在10以内)来表示，且维数可以根据选取的主成分个数自由控制。 在前面工作的基础上，构建了一个基于SVM的脑主被动词汇认知状态的识别模型。实验表明，对单个被试者，模型的平均识别率为89％，对多个被试，平均识别率为83.5％。与已有文献中的方法相比，本文的优势在于提取特征向量的时候不需要知道感兴趣区域的所在，不需要先验知识，并且可以获得同样好的识别效果。

目录

文摘

英文文摘

声明

1 绪论

1.1 选题背景

1.2研究现状

1.2.1脑数据挖掘的发展

1.2.2相关fMRI数据分析

1.3论文主要工作和结构安排

2脑功能磁共振成像

2.1脑的结构与功能简介

2.2脑功能磁共振成像技术概述

2.2.1核磁共振原理

2.2.2功能磁共振成像原理

2.2.3功能磁共振成像数据特点

2.2.4功能磁共振成像实验设计

2.3基于SPM软件包的数据处理

2.3.1数据预处理

2.3.2统计模型的建立及估计

2.3.3基于T检验的基本原理

2.4本章小结

3 基于粒子群优化的fMRI图像配准方法研究

3.1 理论基础

3.1.1互信息理论

3.1.2粒子群优化方法

3.1.3云模型理论

3.2配准模型的建立

3.2.1配准测度

3.2.2配准参数

3.2.3插值方法

3.2.4优化策略

3.3计算流程

3.3.1 基于sPSO优化策略的图像配准步骤

3.3.2基于mPSO优化策略的图像配准步骤

3.4 fMRI图像配准实例

3.5 本章小结

4脑词汇认知fMRI图像分析处理及特征提取

4.1 实验数据

4.2数据预处理

4.2.1 配准

4.2.2标准化

4.2.3 正交化

4.3 基于主成分分析的fMRI图像特征提取方法

4.3.1 主成分分析法简介

4.3.2基于主成分分析的fMRI图像特征提取算法

4.3.3 主成分分析结果

4.4本章小结

5 基于SVM的脑词汇认知状态分类识别

5.1 fMRI数据分类识别的基本流程

5.2支持向量机在fMRI数据分类识别中的应用

5.2.1支持向量机的基本理论

5.2.2 fMRI分类识别的SVM实现

5.3实验结果及分析

5.3.1 分类识别结果

5.3.2结果分析

5.4本章小结

结 论

参考文献

攻读硕士学位期间发表学术论文情况

致 谢