基于静息态脑功能连接性分析的面孔识别神经机制研究

摘要

面孔识别是人类在日常社会生活中必不可少的活动。面孔作为一种特殊的视觉刺激，包含了身份、表情、动作、性别等多种信息。不同个体面孔信息的复杂性和结构相似性决定了面孔识别能力的特殊性。面孔识别的神经机制是当今神经科学的研究热点之一。研究者们使用现代功能神经影像技术进行多方位的研究，通过对面部识别任务的相关脑激活模式进行探讨，发现与面孔识别过程存在重要关联的大脑区域位于枕颞叶结合部，因此将该脑区称为梭状回面孔区(Fusiform Face Area，FFA)。进一步的研究发现，人类的面孔识别过程依赖于一个大脑内部的分布式神经网络，并且不同个体的面孔识别能力之间存在着巨大的差异。基于大脑功能网络和面孔识别能力个体差异性的面孔识别神经机制研究能够更加有效地描述人类面孔识别过程背后的神经机制，进而为大脑如伺进行面部识别提供更加直接的证据。
　　本研究使用静息态功能磁共振成像(Resting-State Functional Magnetic Resonance Imaging，Resting-State fMRI)获取健康成人被试大脑活动的原始信息，以此对固有而专门化的面孔识别功能网络进行研究。研究主要过程包括五个步骤:一、采集健康成年人的静息态功能磁共振数据，从而建立静息态脑功能网络;二、通过面孔识别行为测试获得各个被试的面孔特异性识别能力指标;三、使用基于图论分析的单变量分析方法验证静息态脑功能网络的小世界特性，并对各网络参数和行为数据进行皮尔逊相关分析;四、基于弹性网回归的多变量分析方法，建立静息态脑功能网络与面孔特异性识别能力的关联模型;五、根据与各脑区相连的脑区数目，寻找在静息态功能网络中扮演重要角色的大脑区域。
　　本研究揭示了一个静息状态下的脑功能网络，在该网络中颞叶具有重要的作用。该结果与任务态实验范式的研究结果具有一致性，因此当前结果表明即使在静息状态下人类大脑仍然存在负责面孔识别加工的网络。此外，本研究证实了多变量分析较单变量分析而言在脑功能网络研究中具有的优势。

目录

声明

致谢

摘要

1 引言

1．1．1 面孔识别能力研究的重要性

1．1．2 基于功能磁共振成像技术的面孔加工神经机制研究

1．1．3 已有研究存在的问题

1．2 静息态fMRI简介

1．2．2 静息态fMRI的应用优势

1．2．3 静息态fMRI数据分析常用方法

1．3 本文主要研究工作

1．3．1 研究内容

1．3．2 研究意义

1．3．3 研究创新点

1．3．3 本文结构

2．1 研究对象

2．2．2 数据预处理

2．3 面孔识别能力实验数据采集与处理

2．3．1 实验设计与数据采集

2．3．2 面孔特异性识别能力指标的获取

2．4 本章小结

3 基于脑功能网络的单变量分析

3．1 静息态功能网络的图论分析

3．2 静息态功能网络的小世界特性

3．3 网络参数与行为指标的相关分析

3．4 本章小结

4 基于弹性网回归的多变量行为预测

4．1 多变量模式分析简介

4．2 弹性网回归方法简介

4．2．1 弹性网回归方法的基本原理

4．2．2 弹性网回归方法的优点

4．3 基于弹性网回归的多变量行为预测

4．3．1 脑区的精简与预测因子的粗筛选

4．3．2 基于弹性网回归的行为预测

4．4 置换检验

4．5 行为预测结果的讨论与分析

4．5．1 预测结果的功能连接分析

4．5．2 预测结果的节点分析

4．5．3 讨论与分析

4．6 本章小结

5 总结及展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集