论文部分内容阅读
人类大脑是自然界中最复杂的系统之一，由数量巨大的神经元通过亿万突触相互连接形成一个高度复杂而庞大的结构性网络，是人脑进行信息处理和认知表达的结构基础。随着脑科学研究的深入，越来越多的证据表明大脑的结构性网络和功能性网络密不可分，功能性网络是在结构性网络的基础上，对空间中存在一定距离的不同神经元或脑区之间动态活动相互整合的直观描述，它使各神经元之间、各脑区之间的活动能够协调进行。随着医学影像技术的发展，基于血氧水平依赖（Blood Oxygenation Level Dependent，BOLD）的功能磁共振成像(fMRI)技术，利用其数据构建的功能性脑网络，发现脑并不是一个单纯对外界刺激进行响应的处理器，而是存在着大量自发活动的自组织复杂系统，外界刺激与该系统的内在动力相互作用才能够产生外在的行为表现。因此，通过分析脑自发活动，我们可以获得脑功能更加全面的信息，对于理解脑信息处理机制，研究认知行为的脑基础，以及分析神经和精神疾病中的脑功能异常都具有重要的意义。本文以重大神经和精神疾病的临床应用为目标，以基于静息状态的fMRI技术为突破口，将磁共振影像技术，图像处理技术，信号处理技术，机器学习技术等手段相结合，在模式分类算法，基于功能脑网络的疾病特征识别和判别分析，语言网络的发育等方面进行了系统的研究。 基于静息态的fMRI技术研究已经发现BOLD信号自发波动在空间上的一致性，也就是我们常说的静息状态功能连接，已被发现与疾病状态下的脑功能异常有关。近年来，人工智能领域里的机器学习算法逐渐成为一种有力的数据分析工具，被越来越多的研究人员用于功能磁共振数据的研究，与传统单元分析方法不同，机器学习算法是一个多元模式分析方法，能够充分挖掘功能磁共振数据的多元本质并用于脑疾病的早期辅助诊断。本文提出一个基于自适应学习算法的分类器，该算法最大的特点就是把模式分类问题看成是一个样本子集选择的问题，在样本的选择过程中充分利用样本之间的互信息。我们基于该算法，以静息态功能语言网络为特征，评估语言网络的异常在精神分裂症患者临床诊断中的价值，实验发现该模型能有效地分类精神分裂症患者和正常人，分类正确率为83.6％，表明语言网络的异常可以作为一个潜在的生物学标记用于该疾病的临床诊断。 除疾病的诊断外，从脑网络角度，研究多个受累脑区在功能上的相互关系，有益于对疾病病理生理机制的理解，也有可能发现新的生物学标记。本文提出了基于支持向量机的多元自适应特征选择算法，以静息态功能连接为特征，系统研究了精神分裂症患者功能脑网络异常的分布情况。实验结果表明精神分裂症患者的功能连接异常主要分布在边缘系统和旁边缘系统。此外，我们还进一步发现精神分裂患者的脑网络小世界属性异常，即低内聚和高耦合现象。 本文采用基于线性支持向量机的多元模式分析方法，将上述的静息态fMRI技术应用到语言网络发育的研究中。语言获得是人类的一个最根本特征，而且很显然，是大脑承担着这项发育变化。一个孩子可以在几年获得任何一种自然语言，而不需要分析思维的帮助，也不需要额外的“语法”指导。这种特独的语言能力是如何伴随大脑发育的？本文将予以探索。