导　　师： 李远清

授予学位： 博士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 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

关 键 词： 功能磁共振成像 多变量模式分析 稀疏表示 解码 有效连接 视听整合

领　　域： [] []