论文部分内容阅读
大脑是人类智能的核心，研究并深入了解它对人类自身的认识，智能的理解和构造有着重要的意义。对于人脑的研究特别是对于人脑高级认知功能的研究已经成为了一个重要的研究课题。脑信息学是融合信息科学、认知科学和认知神经科学的一门交叉学科，主要关注于从信息系统的视角研究人脑的高级认知功能。作为一种“数据驱动”的科学研究，有效的脑数据管理和共享是脑信息学研究的基础。而系统化的研究过程也为脑数据的管理和共享带来了新的需求。脑功能数据挖掘对认知任务设计和执行细节的依赖，要求对脑数据的生成过程进行详细的记录;各种认知任务、分析任务间的关联也需要被显性地标注以支持多模态数据的融合挖掘和协同挖掘。进而，所有的记录和标注需要被统一地整合和利用以辅助系统化研究的过程。因此，脑信息源-描述脑功能数据的生成及其处理过程的元数据成为脑信息学中数据管理和共享的核心研究问题。在这个背景下，本文对脑信息源的构建和基于脑信息源的研究服务展开了研究。主要内容如下: 1.基于系统化研究过程对数据管理和共享的新需求，扩展开放源模型构建脑信息源模型，明确了脑信息源的内容范围和描述粒度。在此基础上，研究了一个基于语言规则的科技文献信息抽取方法，以实现脑信息源的自动构建。实验表明，大多数信息的抽取准确率达到了70％以上。 2.对基于源的数据资源检索方法进行了研究。对融合领域知识的用户兴趣测量方法进行了研究，构建了基于兴趣的查询扩展模型，以实现检索结果的双方向改善。 3.对基于源的脑信息学文献推荐方法进行了研究。将作者署名位置权重引入研究者兴趣模型以提升研究者建模的准确性，将用户模型中的不相关关键词引入文献向量权重的计算以提升文献建模的准确性。实验结果表明，研究者模型的计算和推荐效果均得到改善。 4.结合脑信息学研究的不同阶段的不同需求，整合上述研究成果，在欧盟第七框架计划研究成果LarKC平台上，开发了一个基于源的脑信息学研究支持系统。 随着信息技术的发展和各领域研究问题的复杂化，源的构建和利用在数据驱动的科学研究中越来越受到关注。本研究的相关成果可以被扩展并应用到高能物理学、生物信息学等其他“数据驱动”的研究领域。