受限波兹曼机联合稀疏近似的脑功能检测模型

人脑功能连通性检测是神经科学研究的重要技术．使用受限制波兹曼机（RestrictedBoltzmannMachine,RBM）对大量多被试功能磁共振（functionalMagneticResonanceImaging,fMRI）数据进行建模可以检测人脑功能连接,但是不能有效检测单被试数据的功能连接．本文研究一种新颖的融合了稀疏近似与RBM技术的脑功能连通性检测模型,该模型充分利用fMRI数据的稀疏性,采用稀疏近似理论对fMRI数据进行空间域稀疏近似压缩,然后使用RBM建立模型,以检测脑功能连通性．实验结果表明,该融合模型可以有效地提取单被试数据的脑功能时间域混合模型及其相应的脑功能图谱,解决了RBM在单被试数据分析上的瓶颈．     

静息态功能磁共振成像的脑功能分区综述

目的 越来越多的研究表明,基于静息态功能磁共振成像（rs-fMRI）的大脑功能分区比传统的大脑结构分区（如AAL分区、Brodmann分区等）在功能网络构建中功能一致性更高。但现阶段对于大脑功能模块的划分较粗糙,需要更精细准确的脑功能分区,明确宏观尺度的基本功能单元。为能使脑科学领域的研究者对基于静息态功能磁共振成像的脑功能分区进行有益的探索和应用,本文对其进行系统综述。方法 从rs-fMRI数据与大脑功能网络的关系出发,理清脑功能区分割的一般思路,对近几年来脑功能分区算法中出现的新思路、新方法以及对原有方法的改进做了较全面的阐述;最后总结该领域现阶段面临的问题并对未来的研究方向做了展望。结果 根据脑区情况,将脑功能分区分为全脑功能分区和局部脑功能分区,并分别阐释这两方面的优势与应用。同时,将脑功能分区算法归纳为基于数据驱动和基于模型驱动两大类,并展示了各类分区算法的优势以及面临的难点和挑战。结论 基于静息态功能磁共振成像的脑功能分区的研究已经取得了一些进展和有价值的研究成果,但是距离研究人脑机制,应用于脑部疾病的预防和诊断以及启示类脑科学的发展,还需要对脑功能分区方法进行更深入的研究和完善。后续研究中可将传统的分区算法和先验知识、空间领域信息、空间约束、稀疏编码、特征选择和采样学习等思想结合起来,形成融合性的脑功能分区算法,致力于更为细致准确的大脑功能分区和脑功能网络构建,解析脑的高级功能。     

脑磁图脑功能连接网络癫痫棘波识别方法研究

脑磁图（MEG）现在被广泛用于临床检查及很多领域的医学研究中,基于静息态的脑磁图脑网络分析能用于研究大脑生理或病理机制。脑磁图分析对癫痫疾病的诊断具有重要的参考价值。对癫痫脑磁信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。现有文献中对癫痫脑电信号的自动分类方法的研究已比较充分,但对癫痫脑磁信号的研究比较薄弱。提出了一种基于脑功能连接网络的全频段机器学习癫痫脑磁棘波信号自动判别方法,对四种分类器进行了综合判别对比,选择了效果最优的分类器,判别准确率可达到93.8%。因此,该方法在脑磁图癫痫棘波的自动识别与标记方面有较好的应用前景。     

静息态脑功能网络的社团结构研究

为了探索人脑的工作机制,提出将社团划分算法应用于人脑功能网络。利用功能磁共振(fMRI)采集28名健康被试静息态脑功能数据,构建了基于时间序列的脑功能网络;根据模块度和网络全连接理论对网络中的边数划定阈值范围,利用层次聚类算法和贪心算法对脑网络进行社团划分,实验结果证明两种算法的划分结果基本一致,验证了人脑功能网络具有模块化结构;进而分析了脑网络社团结构在跨阈值范围内的差异化表现,提出了研究脑功能网络的边数有效阈值范围是180至320条边。挖掘脑网络的社团结构有助于研究脑病变机理,以辅助脑疾病的诊断治疗。     

时间序列脑功能成象中的图象配准

脑功能成角是研究脑科学和生命科学的重要工具,在对脑功能图象进行统计分析时,有必要对时间序列脑功能成象中的图象进行配准,研究采用修正的Ｇａｕｓｓ－Ｎｅｗｔｏｎ最优化方法,通过计算配准图象之间残差平方和的极值,实现了时间序列脑功能图象的高精度配准。     

基于偏相关系数的脑功能连接分析

大脑是一个具有高度复杂性的信息处理系统,拥有丰富且复杂的结构与功能,其功能的执行主要依赖于脑功能区之间的相互作用所构成的网络实现。研究采用偏相关系数分析方法,在阈值的设定研究基础上,进一步引入节点度的概念,用于反馈节点之间连接强度的大小。对13例精神分裂症患者和24例正常人在静息态下273个通道的脑磁(MEG)信号进行分析,探索正常组与患者组之间脑功能连接的差异性。研究表明精神病患者在大部分脑区有显著的功能连接,在额叶和颞叶以及脑边缘部分与正常人有显著性差异,推测这些异常连接区域有可能与精神分裂症的病理有关。     

Proximal SVM在脑功能分类中的应用研究

为了研究PSVM分类器用于脑功能识别的有效性与优越性,对脑功能识别做出了深入的研究和分析。采用三名受试者在睁眼和闭眼状态下的脑电实测数据,从不同角度深入分析和比较了PSVM分类器与标准SVM分类器的性能,主要衡量指标为识别率和训练时间。结果PSVM分类器优于标准SVM分类器之处在于,在保证识别率的同时,计算速度有了显著地提高。并且随着样本维数的增加,PSVM分类器的计算速度并没有下降。PSVM用于脑电信号功能识别是高效率的,这对今后的有实时要求的脑功能分类识别问题具有重要意义。     

动态脑功能网络Rich-club时空观测方法

基于fMRI-BOLD信号的脑功能网络重要脑区时变特征辨识问题,提出了一种动态脑网络Rich-club时空观测模型的构建方法。该方法通过将样本所有时间采样点的Rich-club集合相似性进行聚类,从而将脑功能网络的空间与时间融合在一起,并构建脑网络中动态Rich-club重要性评价模型,定量地描述脑网络中Rich-club集合在时间以及空间两个维度的综合重要程度,从而为脑功能网络重要脑区的动态特征观测提供了一种有效的方法,也为分析健康人与自闭症患者之间的脑区重要性差异提供了依据。     

基于功能核磁成像的静息态功能脑网络研究综述

近期研究成果表明:大脑在无特定任务状态下,各功能区之间依然会有部分功能连接并由此构成网络。且连接组网的方式、强度等可能对脑功能认知研究非常有帮助。正因为此,近年来,一大批研究人员投身其中,取得了很多很出色的成果。该文从信息分析的角度,总结了近年来脑网络研究过程中典型算法的模型构建原理、优点及不足,最后对脑网络的应用范围进行了简单的阐述。     

抑郁症患者功能脑网络属性特征分类研究

重度抑郁症是一种常见的心理障碍.功能影像研究表明,重度抑郁症与大脑许多区域的异常有关,这些区域包括海马、海马旁回、中央前回、尾状核等.复杂网络理论为脑网络拓扑结构的研究提供了一个有效的研究方法,但以往的研究方法主要集中在功能脑网络属性的统计分析上.通过对抑郁症患者和正常人的功能脑网络属性特征的分类对比研究,从机器学习的角度提出一种新的诊断抑郁症患者的方法.     

融合共空间模式与脑网络特征的EEG抑郁识别

提出共空间模式算法和脑网络拓扑属性融合的脑电信号（electroencephalography,EEG）特征,结合深度学习模型时序卷积网络（temporal convolution network,TCN）对抑郁组和对照组进行分类。根据相位锁值构建电极通道间相位同步性功能网络,分析不同频段下两种类别的功能连接模式。采用多特征融合方法将共空间模式特征和脑网络拓扑特征结合起来,最后结合Fisher score特征选择方法和分类器依赖结构,得到低维高效的特征子集并应用TCN进行分类。在抑郁数据集上的实验结果验证了所提策略的有效性。     

基于动态功能性脑网络的情感分析

人脑活动是在秒级与毫秒级动态变化的,因此采用静态连接方式构建的功能性脑网络,会造成部分与时间相关有效特征的缺失.该文旨在研究情绪变化期间不同大脑区域之间相互作用的时空变化,提出了一个系统的分析框架.该框架包括相关性度量,脑状态分割,代表性时间片段提取以及动态网络构建和分析.首先,利用皮尔逊相关系数量化不同脑区之间的功能...     

基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类

利用静息态功能磁共振成像技术来研究大脑的功能连接网络是当前脑疾病研究的重要方法之一。这种方法能准确地检测包括阿兹海默氏症在内的多种脑疾病。然而,传统的网络只是研究两个脑区之间相关程度,而且缺乏对大脑区域之间更深层次的交互信息和功能连接之间关联程度的研究。为了解决这些问题,提出了一种构建高阶最小生成树功能连接网络的方法,该方法不仅保证了功能连接网络的生理学意义,而且研究了网络中更复杂的交互信息,提高了分类的准确率。分类结果显示,基于高阶最小生成树功能连接网络的静息态功能磁共振成像分类方法大幅提高了阿兹海默氏症检测的准确率。     

基于功能磁共振成像的人脑效应连接网络识别方法综述

人脑效应连接网络刻画了脑区间神经活动的因果效应. 对不同人群的脑效应连接网络进行研究不仅能为神经精神疾病病理机制的理解提供新视角, 而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记, 具有十分重要的理论意义和应用价值. 利用计算方法从功能磁共振成像(Functional magnetic resonance imaging, fMRI)数据中识别脑效应连接网络是目前人脑连接组学中一项重要的研究课题. 本文首先概括了从fMRI数据中进行脑效应连接网络识别的主要流程, 说明了其中的主要步骤和方法; 然后, 给出了一种脑效应连接网络识别方法的分类体系, 并对其中一些代表性的识别算法进行了阐述; 最后, 通过对该领域挑战性问题的分析, 预测了脑效应连接网络识别未来的研究方向, 以期对相关研究提供一定的参考.     

不确定脑网络的异常拓扑分析及分类研究

静息态功能脑网络在脑疾病研究中得到了广泛的应用。然而传统的功能连接网络分析主要集中在确定图上,忽视了大脑区域之间的不确定信息。基于此,对不确定脑网络进行了研究,该方法不需要进行阈值选择,而且可以更准确地对功能连接网络进行建模。同时,将频繁子图挖掘应用到了不确定图上,并提出了几种新的判别性特征选择方法。分类结果显示,基于不确定脑网络的磁共振影像分类方法有效地提高了抑郁症诊断的准确率。     

fMRI动态功能网络构建及其在脑部疾病识别中的应用

如何从复杂的fMRI数据中提取 丰富的大脑信息是提高脑部疾病识别精度的关键。传统的静息态功能磁共振成像分析中,功能连接网络被认为是稳定不变的。提出一种基于成组独立成分分析的构建动态功能连接网络的方法,并通过该网络来获取功能网络本身的动态特性。首先,利用成组独立成分分析法提取fMRI数据的空间独立成分作为网络节点,并通过滑动时间窗的方法获取窗口时间序列,构建动态功能连接网络。以动态功能网络作为特征,对精神分裂症患者和正常被试数据进行分类识别。实验结果表明,该方法能够获取fMRI数据的时间维度信息,提高识别效果,在一定程度上能为临床诊断提供客观参照。     

基于高阶最小生成树脑网络的多特征融合分类方法

现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络。低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式。高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大。基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类。实验结果表明所提方法的分类精确度高达97.54%,获得了很好的分类性能。     

基于失匹配负波的大脑功能性网络分析

根据正常人与听力损伤患者的失匹配负波（MMN）数据建立大脑功能性网络,计算该大脑功能性网络的复杂网络统计特性,发现所建立的功能性网络相对于随机网络具有类似无标度特性,而且具有高聚类系数、小特征路径长度的小世界网络特性;另外,还计算了功能性网络的平均度和网络结构熵,结果发现正常人的功能性网络的平均度、聚类系数、结构熵等参数均高于听力损伤患者的相应参数,提示了听力损伤后脑功能网络连接减弱可能是声源分辨能力下降的中枢表现,同时也反映了平均度、聚类系数、结构熵等功能性网络参数可作为反应听力损伤后声源分辨能力下降的诊断标志。     

Directed Connectivity Analysis of Functional Brain Networks during Cognitive Activity Using Transfer Entropy

Most previous studies of functional brain networks have been conducted on undirected networks despite the fact that direction of information flow is able to provide additional information on how one brain region influences another. The current study explores the application of normalized transfer entropy (NTE) to detect and identify the patterns of information flow in the functional brain networks derived from EEG data during cognitive activity. Using a combination of signal processing, information and graph-theoretic techniques, this study has identified and characterized the changing connectivity patterns of the directed functional brain networks during different cognitive tasks. The functional brain networks constructed from EEG data using non-linear measure NTE also exhibit small-world property. An exponential truncated power-law fits the in-degree and out-degree distribution of directed functional brain networks. The empirical results demonstrate not only the application of transfer entropy in evaluating the directed functional brain networks, but also in determining the information flow patterns and thus provide more insights into the dynamics of the neuronal clusters underpinning cognitive function.