基于多变量形态学特征的健康老年人认知发展预测算法

由于体积、表面积等常规形态学指标对于皮层下核团而言过于笼统,因此传统的形态特征获取手段难以检测到其表面形态的细微变化。为解决这一问题,本文提出了一种针对皮层下核团的精细特征提取算法,并将其应用到老年人认知状态预测任务上。通过表面共形参数化、表面共形表示和基于互信息的表面流配准,提取了46名被试双侧海马和杏仁核各15 000×2个顶点上的形态学特征;通过斑块选择、稀疏编码与字典学习,和最大池化的降维流程,避免了维度诅咒的同时充分保留了核团的纹理信息;最后,以树为弱学习器,采用GentleBoost算法集成了最终的强分类器做认知预测。结果显示,仅纳入海马和杏仁核两个皮层下结构的新颖特征,即可达到85%的预测准确率,为皮层下结构的精细特征发掘提供了新思路。     

面向脑皮层厚度的特征选择方法研究

针对当前阿尔茨海默病脑皮层厚度数据的特征选择算法分类精度问题,提出一种融合的特征选择算法。首先,分析处理轻度认知障碍人群和正常老年人的脑皮层厚度的核磁共振图像数据,基于此数据融合最小冗余和最大相关方法与Relief方法,并使用粒子群优化算法求得最优权重。然后,使用此权重融合两种方法对脑皮层厚度的脑区特征做特征选择,选出使分类准确率较高的特征。实验使用留一验证对实验结果进行评估,选出的特征对轻度认知障碍人群与正常老年人的分类效果好于当前流行的特征选择方法。     

基于异步芯片的多模态神经生理信号采集技术

心理生理计算目前主要基于同步芯片的神经生理信号采集技术进行分析研究,而人体神经生理活动表征具有异步属性,同步采集技术无法精准、实时和高效地刻画人体神经生理信号活动规律。如何低功耗、低冗余、实时精准地采集异步多模态神经生理信号成为心理生理计算首要解决的难题。针对这一难题,本文以研究微观神经生理活动规律和宏观心理生理活动为目的,解决异步多模态生理信息采集方案和相匹配的被动生理信号传感技术的设计难点,设计研发了首款异步生理信号处理芯片,该芯片具备低功耗、高精度时序、高性能计算和抗干扰的特点。最后展望了该芯片在脑科学和类脑计算领域的应用前景。