[發明專利]一種基于梯度超校準的多被試腦影像預測方法

有效

• 申請號: 201810790832.6
• 申請日: 2018-07-18
• 公開（公告）號: CN109117867B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 張道強;徐同林
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 饒欣

本發明公開了一種基于梯度超校準的多被試腦影像預測方法，包括以下步驟：S1：對采集到的原始數據進行數據預處理；S2：對預處理后的全部或者部分數據運用獨立成分分析方法和隨機梯度上升方法來求解超校準問題，進行功能校準；S3：對校準后的數據運用支持向量機訓練分類器；S4：對測試集運用訓練好的分類器進行預測。本發明利用獨立成分分析方法解決了現有技術中超校準方法不能選擇特征以及選擇的特征之間不相互獨立的問題，利用隨機梯度上升方法解決了現有技術中超校準方法在樣本數和特征數過大時運行速度慢的問題，并且有效提高了預測精度。

技術領域

本發明涉及腦解碼領域，特別是涉及多被試腦影像預測方法。

背景技術

人類通過感官系統從現實世界中獲得的信息在人腦中被編碼為神經活動模 式，即大腦中體素的激活狀態。通過對這些神經活動模式的解碼，可以反推出這 些信息的具體含義，這一過程稱為腦解碼。近年來，利用功能磁共振成像(fMRI) 技術解碼人類大腦活動迅速發展，這些研究有助于促進人們對大腦工作機制的理 解。

基因以及生活環境的不同導致每個人的大腦結構各不相同，因此當研究多被 試者fMRI數據時需要對各被試者的腦影像數據進行生理結構校準(Anatomical Alignment)和功能校準(Functional Alignment)。目前這兩種校準方法有很多，其 中生理結構校準采用結構磁共振成像(Structural MRI)對結構特征進行校準，而 功能校準采用fMRI直接校準神經活動。目前，生理結構校準經常被用作數據預 處理步驟，而研究較多且對預測精度有較大提升的方法是功能校準，其中超校準 (Hyperalignment)是功能校準中最有效的方法之一。

在超校準方法中，每個被試者的神經活動模式被表示為一個高維空間，被稱 為表征空間(Representational Space)，比如一個被試者的神經活動模式由1000 個體素構成，那么該被試者的表征空間為1000維。超校準方法試圖對所有被試 者的表征空間進行校準，即把每個被試者的表征空間進行旋轉，映射到一個公共 空間(Common Space)中，然后在這個公共空間中進行預測分析。

腦解碼是一種腦影像預測方法，該方法先對所有的被試者數據進行分析，利 用機器學習的方法建立一個預測模型，然后對于一個新的被試者，利用訓練好的 預測模型進行預測。例如，若干被試者觀看某些種類的圖片(如房子，人臉，貓 等)，這些圖片在fMRI實驗中被稱為刺激(stimulus)，在被試者觀看圖片時對 他們的大腦進行fMRI掃描獲得fMRI數據，然后從這些數據中提取出神經活動 模式，利用機器學習方法對神經活動模式訓練一個分類預測器，對于一個新的被 試者的神經活動模式，利用訓練好的分類器進行預測，可以預測出該被試者看到 的圖片是什么。

目前利用超校準方法對fMRI腦影像數據進行預測的方法有很多。比如多被 試fMRI數據上的正則化超校準技術(Xu,H.,et al.:Regularized hyperalignment ofmulti-set fMRI data.In:IEEE Statistical Signal Processing Workshop,pp. 229–232.)。該技術的主要目的是通過改變超校準的求解方式來提高分類預測的 精度。基本的超校準問題通過Procrustes方法求解，而正則化超校準(RHA)通 過典型相關分析(CCA)來求解超校準問題，論文中證明了通過CCA得到的正 則化超校準的目標函數等價于基本的超校準問題的目標函數，而且正則化超校準 相比于基本的超校準問題，在一個被試者觀看電影的fMRI數據集上，分類預測 精度更高。然而，正則化超校準技術的一個缺點是當數據中的樣本數和體素數過 大時，算法運行速度非常慢，占用內存空間過大，甚至在一些普通配置的計算機 上無法運行。另一個缺點是該技術不能選擇特征或者選擇的特征之間不相互獨立， 即該技術把所有包含的體素都當成特征，因此當體素數量過大時，存在很多冗余 特征，導致該技術不僅運行速度慢而且預測精度低。

發明內容