基于神经网络的脑功能活动探测

论文摘要

人类的大脑具有最复杂的体系框架,随着人类的进化,大脑也不断演化,其功能不断得到丰富,逐渐成为世界上最复杂的物质。脑成像也是最年轻、发展最迅速的科学领域之一,它与其他学科交叉结合,渗透了其他学科传统的多方面。本文围绕着神经网络方法在fMRI数据处理中的发展和应用,对脑功能活动的定位方法做了深入探讨;同时成功开展了临床癫痫病人的EEG-fMRI研究,对癫痫病人病灶定位取得了很好的效果。所做的主要工作如下:1.用神经网络方法中的ICA对多任务的fMRI实验数据进行分析,分离出视觉和运动的不同响应。表明sICA方法能够用于分离多任务实验中每个任务的独立成分模式,且视觉响应要比运动响应快。2.利用sICA方法探测11个同步EEG/fMRI部分发作癫痫病人数据,精确地定位癫痫病人的病灶。并通过和用五个固定HRFs比较,研究结果表明了当头皮EEG测得的棘波和异常癫痫放电和BOLD响应之间的联系不是很清楚的时候,sICA方法作为癫痫灶定位是一个更好的选择。3.用非监督的神经网络模型SOM将大脑特定的结构的活动模式同时分成几种相似活动的类。在本文中,改进了自组织神经网络算法,用相关距离测度代替了传统的欧氏距离;在分级聚类过程中,提出了具有时空信息的时空距离测度。这样把fMRI数据本质上具有的时间和空间信息都利用起来分析研究和探测脑功能活动就更合理。4.研究了神经网络中比较特殊的HMM在fMRI数据分析方法中的应用:提出基于贝叶斯概率方法的两状态HMM分析事件相关fMRI数据。通过一阶连续密度的HMM计算,得到每个体素的对数似然图;而且在本文中提出了每个体素的状态转移图刻画了fMRI时间序列强度变化描述了神经元对特别的刺激的响应。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 功能磁共振成像技术概述
• 1.1.1 磁共振的成像原理
• 1.1.2 脑功能磁共振成像
• 1.1.3 功能磁共振成像特点和其应用
• 1.1.4 功能磁共振数据的处理方法
• 1.2 神经网络方法探测脑功能活动的概况
• 1.2.1 神经网络
• 1.2.2 神经网络方法和脑成像的交叉融合
• 1.3 本论文的研究内容和结构安排
• 第二章 空间独立成分分析多任务fMRI 数据
• 2.1 独立成分分析
• 2.1.1 ICA 简介
• 2.1.2 ICA 的基本原理
• 2.1.3 ICA 假设条件
• 2.1.4 ICA 算法
• 2.1.5 ICA 的分类
• 2.2 多任务的功能磁共振
• 2.3 本研究的目的和意义
• 2.3.1 实验任务
• 2.3.2 数据获取
• 2.3.3 数据分析
• 2.4 数据结果和讨论
• 2.4.1 结果
• 2.4.2 讨论
• 2.5 结论
• 第三章 空间独立成分研究癫痫fMRI 数据
• 3.1 癫痫的基础理论
• 3.1.1 癫痫的分类
• 3.1.2 癫痫动物模型的发展
• 3.2 融合EEG/fMRI 技术的发展
• 3.2.1 同步癫痫脑电中磁共振伪迹消除
• 3.2.2 脑电和功能磁共振成像的动力学理论
• 3.2.3 脑电和功能磁共振成像数据处理新技术的研究
• 3.3 本研究的目的和意义
• 3.4 数据获取和数据分析
• 3.4.1 癫痫病人
• 3.4.2 EEG 记录和分析
• 3.4.3 fMRI 数据获取和预处理
• 3.4.4 空间ICA 模型
• 3.4.5 与多重HRFs 分析的比较
• 3.5 数据结果和讨论
• 3.5.1 结果
• 3.5.2 讨论
• 3.6 结论
• 第四章 改进的自组织神经网络和时空分级聚类探测脑功能活动
• 4.1 自组织神经网络
• 4.1.1 自组织神经网络的发展
• 4.1.2 自组织神经网络算法
• 4.1.3 改进的自组织神经网络算法
• 4.2 聚类SOM 结点
• 4.2.1 传统的聚类SOM 结点
• 4.2.2 时空分级聚类SOM 结点
• 4.3 本研究的目的和意义
• 4.4 接收机操作特性ROC 分析
• 4.5 仿真数据和真实数据
• 4.5.1 块刺激仿真实验
• 4.5.2 事件相关仿真实验
• 4.5.3 真实块刺激实验
• 4.5.4 真实事件相关刺激实验
• 4.5.5 数据处理
• 4.6 数据结果和讨论
• 4.6.1 仿真数据结果
• 4.6.2 真实数据结果
• 4.6.3 接收机操作特性ROC 结果
• 4.6.4 讨论
• 4.7 结论
• 第五章 隐Markov 模型分析事件相关fMRI 数据
• 5.1 隐Markov 模型
• 5.2 隐Markov 模型的基本算法
• 5.2.1 前向-后向算法
• 5.2.2 Viterbi 算法
• 5.3 Markov 模型在fMRI 数据处理中的应用
• 5.4 本研究的目的和意义
• 5.5 算法实现和数据采集
• 5.5.1 隐Markov 模型处理fMRI 信号
• 5.5.2 概率密度函数和似然HMM
• 5.5.3 事件相关仿真实验
• 5.5.4 真实事件相关刺激实验
• 5.5.5 数据处理
• 5.6 数据结果和讨论
• 5.6.1 仿真数据结果
• 5.6.2 真实数据结果
• 5.6.3 讨论
• 5.7 结论
• 第六章 总结和展望
• 6.1 本文总结
• 6.2 工作展望
• 致谢
• 参考文献
• 攻硕期间取得的研究成果