基于fMRI 的脑活动状态解码方法研究(5)
抛弃。但是通过同时分析大脑多个位置活动模式的方法可以使其重新显现出来[9]。
大多数MVPA研究都运用了线性分类器，包括关联性为主分类器[10，11],线性判
别分析[12]
，线性支撑向量机[13]
,线性核回归[14]
等。其它的MVPA分析法运用了非线
性的分类器，例如非线性支撑向量机[15,16]
,非线性核回归[14]
等。核回归是2007年
PABIC冠军组所采用的方法，而支撑向量机的方法目前也取得了很多的成果，例
如：根据fMRI数据判断被试正在听的材料中是什么人在说什么元音[17]
；对被试进
行视觉刺激时采集fMRI数据, 视觉刺激材料由不同角度的光栅组成,通过 fMRI
数据分析, 可以判断被试正在看的光栅的角度[13]
； Norman 等人利用 SVM 训练分
类器, 可以通过 fMRI 数据判断被试正在观看的是鞋子还是瓶子[18]
, 也可以判
断被试观察的图片是人脸还是物体[19]。
1.4 本文研究内容和组织结构
第一章《绪论》主要介绍核磁共振成像技术的原理，包括 bold 信号对比度
机制和血液动力响应学机制及本课题的国内外研究现状。
第二章《实验设计及数据预处理》介绍了本文所采用的两组数据集的实验设
计方法和SPM数据预处理的方法。
第三章《SPM数据分析》中我采用有关人脸的一组数据，利用 SPM 软件中经
典的GLM 模型，分析人脑对于脸部的敏感脑区。
第四章《SVM和核回归脑部活动解码》介绍了我所采用的支撑向量机和核回
归的分类方法。首先对于一组事件相关的 fMRI 实验数据中的几类物品试图通过
fMRI 数据进行分类预测，然后对于每个物品的价值的高低利用数据再进行 1-4
欧元的价值预测，从而实现了脑部活动的解码。最后对实验的结果还有解码性能
进行了讨论。
2 实验设计及数据预处理
脑活动的研究中，实验的设计十分重要，好的实验设计往往更易得到好的结
果。动态 fMRI 实验设计包括两大类：模块设计和事件相关设计。本论文所采用
的两组数据集采用了事件相关的实验设计方法，且都十分具有代表性。
2.1 模块设计
模关设计(block design)是较为传统的功能磁共振实验设计方法，其特点为
以模块为实验设计的基本单元。 模块就是由若干具有相同性质的实验任务所组成
的一个刺激序列，由于具有相似性的任务被聚合在一起，所以可以引起脑部同样
区域的同样的激活，从而诱发出较强的血氧水平依赖信号变化。在模块设计中，
单个模块的长度、数量、顺序往往由实验者根据研究任务的特点和基本要求等因
素来综合决定[20]
。如果单个区块长度度过长，包含刺激较多，随着刺激的重复，
血液动力学反应会达到饱和，激活达到最大值，但是如果太长将无法区分是机器
噪声带来的漂移还是实验条件带来的变化；相反如果太短，会使血液动力学反应
在没有任务的区块中不能回归到基线，BOLD 信号的幅度下降。其刺激方法如图
2.1所示。 图2.1 模块相关实验设计流程
这种实验方法的特点是设计较为简单，数据易处理，且所产生的 BOLD 信号
较强，探测效率高，缺点是无法获得对于某一个单独刺激事件所引起的血氧水平
信号，所以所能取得的研究成果具有一定局限性。
刺激种类1 刺激种类2 刺激种类3
时间 t 本科毕业设计说明书（论文） 第7页，共33 页
下一篇：矩阵分解方法的讨论+文献综述