基于体素的fMRI数据分类研究及其应用

摘要

人脑是人体内外接受、存储、处理、整合各种信息的中枢，长期以来，人们越来越执着于对大脑客观、确凿的大脑真想的追寻。随着科学技术的发展，各种研究人脑的技术应运而生，随之产生海量的数据。仅对这些数据进行简单的处理，无法挖掘出背后隐藏的信息。所以，必须用有效的数据挖掘方法和先进的机器学习方法，对实验得到的数据进行分析，处理和建模，从而发现新的规律，揭示脑认知活动的奥秘。
　　功能磁共振成像技术(fMRI)是近些年来快速发展的一门成像技术，它具有高分辨率、无创伤性的优点，为研究人类大脑的认知过程提供了诸多的便利，尤其在大脑脑区功能定位和大脑脑网络构建方面发挥了重要的作用。
　　本研究是国家自然基金项目“图像颜色和形状特征绑定的脑认知过程及模型研究”的一部分，属于探索性研究，主要是探索研究基于图像和颜色的特征捆绑图像在大脑中的激活模式，设计合理的fMRI实验，选取适用于本研究的特征选择和特征抽取方法，选择合适的分类算法对数据进行分类，实现对不同特征捆绑图像fMRI数据的识别。主要工作如下:
　　研究了心理学实验设计和fMRI实验设计的常见模式，结合本研究的研究目的，设计了合理的实验范式，选取合适的被试，并根据实验要求设置合理的设备参数。
　　熟悉了解以往的数据处理方法，根据以往研究，选择适合本实验数据处理的方法，对数据进行预处理，特征选择、特征抽取和分类。使用基于MATLAB平台的SPM软件对采集到的实验数据进行预处理;特征选择中，对比了激活区特征体素选择和基于分类准确率高的单体素集成特征体素选择方法，发现单体素集成的特征选择方法更适用于本研究;特征抽取中，对比了BOLD变化最大值、BOLD变化速度、BOLD累计值和BOLD时间序列方差和均值组合四种特征抽取方法，对比得知，BOLD时间序列方差和均值组合的特征抽取方法更适用于本研究，准确率相对其他几种方法较高。分类算法中，选择对比了两种方法:支持向量机(SVM)分类算法和基于多个弱分类器集成的Adaboost算法，发现Adaboost具有较高的准确率，接近90％。
　　本文的研究表明利用fMRI数据可以获取人的视觉信息，能有效的预测图像的特征捆绑模式和图像复杂度，发现Brodmann19区对图像复杂度的改变比较敏感，与特征捆绑的任务联系比较紧密。该研究方法可以应用到一脑机接口(brain computer interface，BCI)等领域。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景

1．2 选题意义

1．3 论文的主要内容

1．4 论文的结构安排

第二章 实验设计

2．1 心理学实验设计

2．1．1 实验设计基本原则

2．1．2 控制三要素

2．1．3 实验组成部分

2．2 fMRI实验设计

2．2．1 fMRI实验设计模式

2．2．2 国内外实验设计模式研究现状

2．2．3 本研究采用的实验设计模式

2．2．4 实验设计与实施

2．3 本章小结

第三章 fMRI数据处理

3．1 数据预处理

3．2 特征选择和特征抽取研究现状

3．3 特征选择

3．3．1．T检验方法

3．3．2．激活脑区特征选择

3．3．3．单体素集成的特征选择

3．4 特征抽取

3．4．1 BOLD最大值

3．4．2 BOLD变化速度

3．4．3 BOLD累计值

3．4．4 最大值处时间点

3．4．5 主分量分析法

3．5 本章小结

第四章 数据分类

4．1 分类器

4．1．1 fMRI数据分类原理

4．1．2 朴素贝叶斯

4．1．3 支持向量机介绍

4．1．4 Adaboost算法

4．2 实验结果分析

4．2．1 使用激活区BOLD变化最大值作为特征的分类结果

4．2．2 使用激活区BOLD变化累计值作为特征的分类结果

4．2．3 使用激活区BOLD变化速率作为特征的分类结果

4．2．4 使用单体素BOLD时间序列方差及其均值作为特征的分类结果

4．2．5 使用4．2．4中提到的方法对初级视觉区域Brodmann 17、18、19区做分类

4．3 本章小结

第五章 总结与展望

5．1 本文工作总结

5．2 工作展望

参考文献

致谢

攻读学位期间发表的学术论文目录