认知任务驱动的fMRI脑功能网络构建方法

针对脑功能网络的构建受到特定大脑图谱对兴趣点描述准确度及覆盖度的限制,提出了基于认知任务信息和神经影像数据的脑功能网络构建方法。首先计算fMRI体素对于认知任务的敏感度,然后在此基础上选取兼顾分布均衡和去中心化的大脑兴趣点,从而构建任务驱动的脑功能网络。实验通过在人脸情绪识别认知任务相关的梭状回构造任务驱动的脑功能网络,其度中心性、聚类系数、全局效率、局部效率这四个复杂网络指标均优于典型大脑图谱梭状回中兴趣点构成的网络。结果表明,计算得到的大脑兴趣点具有更强的整合性,更适合用于表征特定认知任务下的脑功能网络。     

动态功能脑网络模型的多任务融合Lasso方法

目的 传统的静息态功能性磁共振成像（fMRI）的功能脑网络（FBN）研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子（Lasso）方法来构建静息态fMRI的动态FBN。 方法 提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态fMRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。 结果 采用公开的fMRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划（ADNI）公开的fMRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论 本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于fMRI数据的脑部疾病的分类研究中。     

面向知识自动化的磨矿系统操作员脑认知特征与控制效果的相关分析

面向知识型工作自动化,研究了流程工业生产过程中操作人员的脑认知特征与操作控制水平之间的关键,建立了一种基于操作员脑网络特征的操作熟练程度隐性知识的显性化模型.采用关注信号瞬时相位、基于希尔伯特变换的相位锁方法,构建了脑功能网络（Functional brain network,FBN）.基于磨矿系统操作员脑功能网络的图论参数与社区连接强度,建立了特征空间,采用支持向量机与神经网络进行特征分类.结果表明,在高频区,熟练操作员（熟手）的脑功能网络连接强度明显高于不熟练操作员（生手）:在低频部分则生手的脑功能网络连接强度略高,其特征分类准确率为87.24%.磨矿系统操作过程中形成的溢流粒度（Grinding particle size,GPS）曲线可以初略地反映操作人员的熟练程度,本文在深入分析了其溢流粒度曲线与操作员脑网络特征的基础上,发现相对于溢流粒度曲线操作员的脑网络特征可以更全面地描述操作控制水平（特别在操作开始时间段）,采用脑网络特征识别操作控制水平在时间上超前于溢流粒度曲线识别方法.本研究对于将知识工作者的认知特征引入到流程工业控制中,具有一定的借鉴意义.     

基于脑电波时频分析方法的认知决策任务研究

选择和决策涉及一系列复杂的认知过程，而脑电图(Electroencephalogram，EEG)信号的时频 分析方法可以帮助理解不同认知任务中的大脑活动。为对脑认知功能评价标准的设定提供客观量化理 论参考，该研究针对正常人在做出一系列完整认知任务时的脑电波活动进行量化分析，作为后续认 知障碍研究的前期基础。通过设计了一项与“剪刀、石头、布”游戏相关的决策认知任务，使电脑 的 3 种选择按一定的概率(石头 66%、剪刀 33%、布 1%)随机出现，其中认知决策包含稳妥型、风险 型和错误型，每轮决策任务分为 3 个阶段(计划阶段、确认阶段和反馈阶段)。在整个任务期间，使用 NeuroscanQuikCap 脑电测量系统同时记录 64 个 EEG 信号通道数据，通过提取不同受试者脑电频段 (δ、θ、α 和 β)的平均频谱功率和相位同步值，研究了不同任务阶段下 4 种频段脑电波的变化特征。研 究发现，在计划阶段，实验对象想要获胜或不想输的判断决策活动与顶叶区 α 波和前额 θ 波的增强活 动效应相关，其脑电波出现的先后顺序反映受试者将做出不同类型的决策计划；在确认阶段，α 波的 频谱功率抑制效应和 δ 波的相位同步增强活动表明受试者在确认选择后会提高注意力；在反馈阶段， θ 波、β 波功率谱增强效应和 α 波功率谱降低效应与不同的反馈结果有关，其中在受试者发觉输掉游戏 的反馈中，该效应最为明显。结果表明，EEG 信号的时频特征分析方法可以有效观察大脑对不同认知 任务的响应活动。该研究不仅有望为探讨一项完整认知任务的动态过程提供可视化工具，还有助于客 观认知评估标准技术的进一步发展。     

基于多媒体技术的认知功能评估系统之研究

基于多媒体技术,结合MSP430,设计了一款交互式的认知功能评估系统,该系统主要由MSP430微控制器、电磁感应模块、3轴传感器、LCD和无线通信模块组成。开发了包括命名、记忆、注意、抽象、定向、执行的6类游戏来评估大脑认知功能。实验中使用科技接受模型对系统进行评估（满分为7分,从“非常不同意”到“非常同意”分数依次增加）,其中使用意愿得分6.52分、娱乐性得分6.45分。实验结果表明：正常老人和轻度认知障碍老人相比,游戏执行时间更短（平均相差27.26 s）、准确率更高（平均相差4.38%）、数字记忆广度更好（平均相差0.7分）。     

面向认知表现预测的时-空共变混合深度学习模型EI北大核心CSCD

认知表现预测已经成为当前大脑研究的重要课题.功能磁共振成像技术由于同时具有较好的时间和空间分辨率,有潜力为认知表现预测提供数据支持.为了解决基于功能磁共振成像数据对认知表现进行预测时大脑所具有的时-空共变难刻画问题,提出了一种新型基于大脑学习机制的时-空共变混合深度学习模型,即深度稀疏自编码器与循环全连接网络混合模型,以混合神经网络模型的损失函数误差作为认知表现预测能力的评价标准.在人类连接组项目数据集上的实验结果表明,提出的时-空共变混合模型能够有效和稳健地预测认知表现,并提取到与人脑学习、记忆相关的有意义的脑影像特征,从而为认知表现预测提供技术支持.     

基于语言计算方法的语言认知实验综述

人脑对语言的理解过程十分复杂,涉及多个脑网络和加工机制。以往的工作大多采用严格控制的实验设计,针对特定的语言现象展开研究,导致了研究结论趋于碎片化,无法形成关于大脑语言理解的总体结论。另一方面,深度学习的出现引发了语言计算领域的技术变革,语言计算模型在多个任务上达到甚至超越了人类的水平。这为进行全局性、高生态效度的人脑语言理解实验带来可能性,促进了语言认知实验中引入语言计算模型方法的快速发展。那么,利用新兴的语言计算方法可以为大脑语言认知机理的研究带来哪些新的机遇和启发呢？该文归纳总结了利用语言计算方法进行语言认知实验的相关工作,并对未来发展趋势予以展望。     

基于多粒度特征表示的知识图谱问答

近年来,基于知识图谱的问答系统逐渐成为学术界和工业界的研究和应用热点方向,而传统方法通常存在效率不高以及未充分利用数据信息的问题。针对以上问题,本文将中文知识图谱问答分为实体抽取和属性选择2个子任务,采用双向长短期记忆条件随机场（Bi-LSTM-CRF）模型来进行实体识别,并提出一种多粒度特征表示的属性选择模型。该模型采用字符级别以及词级别分别对问句和属性进行嵌入表示并通过编码器进行编码,对于属性同时还引入热度编码的信息。通过不同粒度文本表示的结合,并对问句和属性进行相似度计算,最终该系统在NLPCC-ICCPOL 2016 KBQA数据集上取得了73.96%的F1值,能够较好地完成知识图谱问答任务。     

一种基于稀疏表示的脑功能子网络构建方法

针对根据大脑功能磁共振成像数据构建脑功能交互子网络的问题.将小波变换一致性定义为感兴趣区域(region of interest,ROI)之间功能交互模式的测度,通过稀疏表示提取每个ROI的特征,最后运用谱聚类的方法对其进行聚类,聚类结果将大脑划分为八个功能交互子网络.结果表明,这八个子网络分别对应着大脑的视觉、运动感知等主要功能系统,与当前的神经科学知识相一致,为脑功能网络研究提供了一种新的思路.     

基于属性粒计算的认知模型研究

属性粒计算可模拟人脑的粒化、组织和因果等认知功能,但推理过程缺乏一种形式化机制。Petri网具有的异步、并发和不确定性等特征与人脑思维过程中的某些认知活动类似。基于属性粒计算的基本概念和逻辑计算规则对Petri网进行了基于定性映射的适当扩充,使得Petri网以属性粒计算的形式在知识表示、知识推理、学习模式和记忆模式等方面初步体现出一个认知系统所需要具备的一些基本元素特征。这种方法能够在一定程度上体现具有不确定性识别和判断的思维认知过程,为研究Petri网应用于模拟人类的高级智能、形象思维能力提供了一种新的思路。     

跨模态脑图谱数据融合研究进展

脑图谱是研究脑结构和功能及脑疾病的基础,不同类型的脑图谱从不同角度提供了脑的组织模式或连接信息。随着图像采集和生物检测技术的发展,不同模态的脑影像和生物组学数据迅速增长。相较于单模态,多模态融合数据能够同时考察不同模态数据间的多元化信息,挖掘蕴含的未知新信息。因此,开展跨模态脑图谱数据融合研究有助于更全面地理解大脑的结构和功能,并辅助加深对脑发育、老化和病变机理的理解。本文根据参与融合的模态是否具有空间信息,将近年来有代表性的跨模态脑图谱融合技术分为脑影像融合和脑数据融合两大类。脑影像融合是指对宏观脑影像(磁共振等)和组织学脑影像(胞体染色、轴突染色等)等具有空间信息的数据进行融合,构建涵盖脑结构和功能信息的跨模态多尺度脑图谱,为研究宏观特征的介观机制以及介观特征的宏观表征提供了重要途径。脑数据融合是指对缺乏脑空间信息的生物大数据,包括基因组、电生理、认知和行为等,利用脑图谱提供精细空间信息,挖掘高维、异构生物大数据蕴含的信息,明确脑图谱的生理意义,并提升其应用价值。本文将针对这两类融合类型阐述国内外有代表性的研究进展,并对比国内外研究现状的差异。此外,为促进跨模态脑图谱数据融合领域的...     

基于混合水平集的脑组织自动提取方法

脑组织自动提取是脑功能分析中一个重要的预处理步骤,为提高脑组织提取的精度,提出了一种新的提取方法。该方法首先对磁共振成像(MRI)图像使用改进脑组织提取工具(BET)算法快速提取初始轮廓;其次对此初始轮廓进行数学形态学膨胀处理,得到初始感兴趣区域;然后在初始感兴趣区域中使用改进混合轮廓模型进行处理,得到新的轮廓线再进行膨胀处理得到新的区域,如此不断迭代;最后,该混合模型收敛,获得较精确脑组织轮廓。实验采用了7组来自IBSR网站的MRI数据序列,所提算法得到的平均错误划分比例为7.89%。实验结果表明所提方法对于脑组织提取精度的提高是有效和可行的。     

《脑与认知科学概论》教材编写体会

脑与认知科学是智能科学与技术本科专业的核心课程之一,针对本课程的教材建设是支持该核心课程建设的重要内容。但至今为止还没有系统的综述脑与认知科学的配套教材基于此,作者编写了《脑与认知科学概论》一书,弥补了教材的空缺。本文总结编写该教材的心得体会,分享教材编写经验。     

一种感兴趣区图像压缩编码算法

提出了一种感兴趣区图像压缩编码算法,该算法采用不同的小波和比特率对感兴趣区和背景区分开进行小波变换和编解码,结合SPIHT,该算法可灵活地控制感兴趣区和背景区之间的相对压缩质量,由于小波变换时采用了BNC17/11小波和CDF9/7小波,该算法进一步提高了感兴趣区图像压缩编码算法的压缩性能。同时该算法无需计算感兴趣区掩膜。     

基于RBFCM和ECM的分层取证分析

为实现入侵证据的自动分析,设计一种基于取证图的分层取证分析方法。采用基于规则的模糊感知图模型,从局部识别出网络实体的状态,通过特征向量中心度计算得到重要的种子结点,再从大量攻击场景的关联结点中抽取攻击组。基于DARPA2000的实验结果表明,该方法在攻击组抽取和场景抽取方面具有较高的覆盖率和准确率。     

基于聚集共线度和节点连通度的无线传感器网络定位算法

为进一步提高无线传感器网络（WSN）的定位精度,对锚节点分布与网络定位精度之间的关系进行研究,提出一种新的基于“聚集-共线度”（DAC）和“节点度”（ND）的锚节点选择算法——DAC-ND。首先,通过实验分析得出锚节点在共线分布和集中分布时对定位精度影响较大;然后,经过对基于共线度的锚节点选择算法进行分析和比较,发现现有的基于最小角和最小高的两类锚节点共线度算法（DC-A和DC-H）均存在不足;最后,综合这两类算法的优势提出一种新的基于“聚集-共线度”的概念,并结合“节点度”提出DAC-ND锚节点选择算法。通过Matlab仿真实验得出,与锚节点随机选择算法相比,DAC-ND算法可大幅降低平均定位误差（54%~73%）;与基于最小角和最小高的共线度选择算法等相比,采用DAC-ND算法平均定位误差可分别降低15%~23%和12%~23%。实验结果表明,DAC-ND算法相比DC-A和DC-H能够获得更高的定位精度,从而验证了DAC-ND算法的有效性。     

基于脑图谱和模糊聚类的磁共振图像分割标注

利用TT Atlas中丰富的结构信息,文章提出了一种自动分割脑MRI(magnetic resonance image)图像的方法.这种方法可分为两步.首先,将MRI图像和TT Atlas配准,通过图像和医学图谱的匹配,利用图谱中结构信息的先验知识,就可以对图像作初步的分割标注.然后,利用这个预分割的模板对MRI图像进行模糊聚类分割,从而提高分割的精度.为了自动地将预模板中的结构信息用于分割,文章还提出了一种引入形状因子的FCM聚类算法.除了在匹配时需要手工定出一些点之外,该方法基本上是自动的.     

基于两步图谱选择的脑MR图像分割

针对传统的基于多图谱的医学图像分割过程中的相似度加权融合的方法没有考虑图谱集的干扰性和冗余性的不足, 提出一种基于两步图谱选择策略的脑MR图像分割方法. 该方法首先采用一种基于最小角回归的方法进行图谱粗选择, 其次则采用基于豪斯多夫距离的以目标为导向的图谱精选择. 粗选择方法可以在总体上来寻找和目标图像较为相似的图谱,...