一种基于Data-Brain模型驱动的系统化认知实验设计方法

摘要

本发明公开了一种基于Data‑Brain模型驱动的系统化认知实验设计方法，该方法设计脑认知研究相关的主实验类型和辅助实验类型，其中辅助实验类型包括相似实验类型、平行实验类型、深度实验类型、启发实验类型、缺失实验类型和子过程实验类型；同时设计各实验类型之间的推理规则以构成系统化实验模板图；其次根据认知假设设计实验范式类别和实验显性刺激，由此推理主实验任务并填充到图中；接着从脑知识库中采样新实验任务，结合Data‑Brain模型和推理规则识别其所属的辅助实验类型，将匹配得到的实验任务填充到图中，直到所有实验类型被设计完成。本发明实现对认知假设的多侧面实验任务设计，促进脑认知的多侧面可解释性和透明度。

说明书

技术领域

本发明属于脑信息学领域，又属于计算机辅助决策领域，涉及认知实验的系统化设计，特别涉及一种基于Data-Brain模型驱动的系统化认知实验设计方法。

背景技术

Data-Brain模型是一种领域驱动的概念模型以模拟从认知假设提出到实验设计、数据形态和分析方法的完整脑科学研究进程。特别是它在概念层次上描述了人类智能所涉及的所有主要的认知功能以及它们之间的多样化关系，进一步整合脑信息学研究过程中的关键数据、信息和知识，对支持脑研究对人类智能的系统化解读具有重要的意义。

作为连接大脑内部与外部交互的桥梁，认知实验对于发现脑与智能的相互之间的潜在关系发挥着重要的作用。在认知实验设计时应当考虑与实际任务密切相关的复杂多变的变量或要素，比如实验范式和显性刺激。由于这样的特殊性，导致认知实验之间存在着丰富的关系。对于某一个认知假设而言，必要的考虑与其相关/无关的多个实验任务及其之间的关系，通过联合模拟多个实验数据，从而推动多侧面的融合分析是当前脑认知研究亟需解决的问题。

随着认知神经科学和大数据的发展，带有复杂任务属性的认知数据不断增长，扁平化的实验设计为数据的联合分析提供了机会。扁平化分析旨在实现一个认知实验中多个实验条件之间或涉及到多个认知功能相关的多个认知实验数据之间的比较分析，在这个过程中不考虑实验的层级性和贡献差异性。

本发明提出一种基于Data-Brain模型驱动的系统化认知实验设计方法，通过设计Data-Brain模型和系统化实验模板图，构建脑知识库以及实验设计规则，以组织多个不同类型的实验任务为推荐目标，使其具有层级性和贡献差异性，从而推动人类智能的多侧面解析和深入理解。

发明内容

本发明获得了一种基于Data-Brain模型驱动的系统化认知实验设计方法，该方法包括Data-Brain模型设计、脑知识库设计和系统化实验模板图中的实验设计类型以及实验设计规则的设计。针对系统化认知实验设计过程中目标假设对应的范式类别和实验显性刺激两变量决定的实验任务进行多组认知任务关联搜索和逻辑组合，以脑知识库为实验设计源，以系统化实验模板图为设计优化基础，以Data-Brain模型和实验设计规则为设计手段；整合多样化的与探索人的智能相关的认知实验，进而实现脑信息学方法学的系统化研究视角引导下的认知研究。

为解决所述技术问题，本发明采用的技术方案具体如下：

步骤1：设计由功能维FD、实验维ED、数据维DD和分析维AD组成的可扩展的Data-Brain模型，具体描述为:

功能维：以认知功能为核心的本体概念图，包括基础认知系统、高级认知系统和社交认知系统范畴中的概念、属性以及它们之间的关系；

实验维：以实验任务为核心的本体概念图，包括任务名称、范式类别、显性刺激、实验软件设备和被试范畴中的概念、属性以及它们之间的关系；

数据维：以数据溯源为核心的本体概念图，包括数据存储、数据获取和数据使用范畴对应的概念、属性以及它们之间的关系；

分析维：以分析溯源为核心的本体概念图，包括分析对象、目标、方法和流程范畴对应的概念、属性以及它们之间的关系。

步骤2：设计面向认知功能研究的实验假设EH、实验范式TP、实验结论EC、实验数据DP以及分析过程AP构成的标准化术语字典空间SV：

SV＝，

其中，EH包括认知功能的术语，TP包括实验范式类别PC＝{pc1,pc2,…,pci,…,pcm}和实验显性刺激ES＝{es1,es2,…,esj,…,esn}的术语，EC包括分析结果的描述相关的术语，DP包括脑影像和行为数据相关的术语，AP包括分析方法相关的术语，该空间SV用于标注认知神经科学相关的数据，并将标注的属性信息作为记录保存到数据库中，作为脑知识库；

步骤3：设计系统化认知实验设计过程中包含的实验设计类型，所述的实验设计类型用以约束系统化认知实验设计的范围，具体为构建以主实验类型T

主实验类型T

相似实验类型T

平行实验类型T

深度实验类型T

启发实验类型T

缺失实验类型T

子过程实验类型T

其中，PC概念术语来自于Data-Brain模型中功能维定义的认知功能概念，ES概念术语来自于Data-Brain模型中实验维定义的显性刺激概念，PC概念术语的相关性通过在Data-Brain模型中进行本体概念推理得到，ES概念术语是否一致通过比较两个概念之间字符串得到。

步骤4：设计系统化实验模板图中的实验设计规则EDR，包括主实验类型的实验任务与不同的辅助实验类型的实验任务之间的逻辑关系映射：

EDR(T

其中，T

EDR-1:IF(PC(T

THEN T

规则1，如果T

EDR-2:IF(PC(T

THEN T

规则2，如果T

AND(ES(T

THEN T

规则3：如果T

AND(ES(T

THEN T

规则4：如果T

THEN T

规则5：如果T

THEN T

规则6：如果

其中，T

步骤5：设计系统化认知实验设计过程中T

对脑知识库中的实验任务T

步骤6：根据检索结果判断主实验是否可被构建，如果从脑知识库中检索不到可匹配的实验任务则返回结果为具有pci和esi属性参数的实验任务不存在，该主实验不可被构建，随后跳转步骤5重新设计目标假设对应的PC和ES或结束方法；如果从脑知识库中可以匹配到实验任务，则将该任务设定为主实验任务

步骤7：将主实验任务

步骤8：设计系统化认知实验设计过程中不同辅助实验任务构建方法，具体为判断当前实验设计次数I

(1)如果I

(2)如果I

步骤9：设计T

所述的对T

T

步骤10：判断

步骤11：根据

步骤12：根据得出的多个

本发明的创造性主要体现在：

(1)本发明以系统性探索人类智能相关的认知功能为目标，采用主实验和辅助实验等实验类型限定认知任务的类型并实现了系统化实验模板图的设计，使不同实验任务之间具有层级性和贡献差异性的特点；

(2)本发明依据基于Data-Brain模型驱动的系统化认知实验设计方法中多个实验的推理、检索和匹配等方法实现了多种类型认知实验的逻辑关联整合，为进一步实现认知数据融合分析提供了重要的决策依据。

特别要注意：本发明以针对用户提出的脑科学假设进行多组认知任务搜集、设计和逻辑关联为目标，以脑知识库为实验设计源，以系统化实验模板图为设计基础，以Data-Brain模型和实验设计规则为设计手段，并通过搜索和匹配的条件控制实验设计的方向，只要采用了本发明的实验类型定义、实验类型设计规则以及系统化认知实验设计方法进行认知相关的研究都应属于本发明的范围。

附图说明

图1是本发明的系统化实验模板图

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。本发明提供的Data-Brain模型驱动的系统化认知实验设计方法是一种全新的实验设计方法。该方法从知识表示和推理决策的角度，将多个实验任务联合模拟成一个系统性的实验方案，以便指导和启发进一步的数据集成和融合。以下实施例用于说明本发明，但不用来限制本发明的范围。以目标假设对应的实验范式类别pci＝“Reasoning”∈PC和实验显性刺激esi＝“Digits”∈ES进行系统化认知实验设计为实例，具体的实现步骤如下：

步骤1：设计由功能维FD、实验维ED、数据维DD和分析维AD组成的可扩展的Data-Brain模型，所述的模型是一个本体概念模型，具体为发明内容步骤1中涉及到的概念、属性以及它们之间的关系；

步骤2：设计面向推理的认知功能的实验假设EH、实验范式TP、实验结论EC、实验数据DP以及分析过程AP构成的标准化术语字典空间SV：

SV＝；

该空间SV用于标注认知神经科学相关的数据，并将标注的属性信息作为记录保存到数据库中，作为脑知识库，其中一个标注的数据被表示为：

其中，EH为以研究归纳推理Reasoning为核心的假设，TP中PC表示是一个归纳推理Reasoning类型的实验范式类别概念并以ES为数字Digits类型的刺激材料进行认知实验刺激，EC包括统计参数图和激活坐标等计算结果，DP包括原数据以及文献数据，AP包括分析方法等。通过空间SV标注的认知神经科学相关的数据及其相关属性信息被保存到脑知识库中，得到的脑知识库类似于表1，但脑知识库的样本量不局限于表1的样本量。

表1脑知识库数据片段

步骤3：设计系统化认知实验设计过程中包含的实验设计类型，所述的实验设计类型用以约束系统化认知实验设计的范围，具体为构建以主实验类型T

主实验类型T

相似实验类型T

平行实验类型T

深度实验类型T

启发实验类型T

缺失实验类型T

子过程实验类型T

其中，PC概念术语来自于Data-Brain模型中功能维定义的认知功能概念，ES概念术语来自于Data-Brain模型中实验维定义的刺激类型概念，PC概念术语的相关性通过在Data-Brain模型中进行本体概念推理得到，ES概念术语是否一致通过比较两个概念之间字符串得到。

步骤4：设计基于系统化实验模板图中的实验设计规则EDR，并利用EDR判断脑知识库中任一实验任务T

EDR-1:IF(PC(T

THEN T

规则1，如果T

EDR-2:IF(PC(T

THEN T

规则2，如果T

AND(ES(T

THEN T

规则3：如果T

AND(ES(T

THEN T

规则4：如果T

THEN T

规则5：如果T

THEN T

规则6：如果

其中，T

步骤5：设计系统化认知实验设计过程中T

对脑知识库中的实验任务T

步骤6：判断主实验任务已被构建，将其填充到系统化实验模板图

保存当前状态的

步骤7：主实验任务

步骤8：设计系统化认知实验设计过程中不同辅助实验构建方法，如果I

步骤9：根据Data-Brain模型和EDR推理

由于其匹配EDR中的EDR-1，并且

保存当前状态的

步骤10：判断

步骤11：根据

步骤12：根据得出的多个

表2系统性实验推荐列表

参考文献

[1]A.R.Hariri,S.Y.Bookheimer,J.C.Mazziotta,Modulating emotionalresponses:effects of a neocortical network on the limbic system,Neuroreport11(1)(2000)43-48.doi:10.1097/00001756-200001170-00009.

[2]Y.Yang,P.Liang,S.Lu,K.Li,N.Zhong,The role of the dlpfc ininductive reasoning of mci patients and normal agings:An fmri study,Sciencein China Series C:Life Sciences 52(8)(2009)789-795.doi:10.1007/s11427-009-0089-1.

[3]X.Jia,P.Liang,J.Lu,Y.Yang,N.Zhong,K.Li,Common and dissociableneural correlates associated with component processes of inductive reasoning,NeuroImage 56(4)(2011)2292 2299.doi:10.1016/j.neuroimage.2011.03.020.

[4]Y.Yang,N.Zhong,K.Imamura,S.Lu,M.Li,H.Zhou,H.Li,X.Yang,Z.Wan,G.Wang,et al.,Task and resting-state fmri reveal altered salience responsesto positive stimuli in patients with major depressive disorder,PLoS One 11(5)(2016)e0155092.doi:10.1371/journal.pone.0155092.

[5]P.Liang,X.Jia,N.A.Taatgen,J.P.Borst,K.Li,Activity in the fronto-parietal network indicates numerical inductive reasoning beyond calculation:An fmri study combined with a cognitive model,Scientific reports 6(1)(2016)1-10.doi:10.1038/srep25976.

[6]Y.Yang,N.Zhong,K.Friston,K.Imamura,S.Lu,M.Li,H.Zhou,H.Wang,K.Li,B.Hu,The functional architectures of addition and subtraction:networkdiscovery using fmri and dcm,Human Brain Mapping 38(6)(2017)3210-3225.doi:10.1002/hbm.23585.

[7]G.Jin,K.Li,Y.Hu,Y.Qin,X.Wang,J.Xiang,Y.Yang,J.Lu,N.Zhong,Amnesticmild cognitive impairment:functional mr imaging study of response inposterior cingulate cortex and adjacent precuneus during problem-solvingtasks,Radiology 261(2)(2011)525-533.doi:10.1148/radiol.11102186.

[8]P.Liang,V.Goel,X.Jia,K.Li,Different neural systems contribute tosemantic bias and conflict detection in the inclusion fallacy task,Frontiersin human neuroscience 8(2014)797.doi:10.3389/fnhum.2014.00797.

[9]N.Zhong,P.Liang,Y.Qin,S.Lu,Y.Yang,K.Li,Neural substrates of data-driven scientific discovery:An fmri study during performance of number seriescompletion task,Science China Life Sciences 54(5)(2011)466-473.doi:10.1007/s11427-011-4166-x.