[发明专利]一种基于隐状态模型的fMRI自然图像解码方法

说明书

一种基于隐状态模型的fMRI自然图像解码方法，包括以下步骤：1)求出刺激图像的特征矩阵，大脑体素的响应强度为特征矩阵的加权和；2)求出特征矩阵的权向量以及估计的误差向量；3)求出每个体素的误差向量与其他体素的误差向量之间的相关系数，根据相关系数越大对体素响应影响越大的关系，找出对目标体素响应影响明显的体素；4)通过主成分分析法求取体素误差向量的主成分，作为引入的隐状态特征；5)按照响应强度为特征矩阵和隐状态的加权和，重新估计模型，求出新的权向量，得到训练出的隐状态编码模型，通过训练出的隐状态编码模型进行图像识别。本发明缩小了预测响应强度的误差，提高了图像识别的准确率及预测精度，易于推广和应用。

技术领域

本发明属于fMRI数据分析领域，涉及一种基于隐状态模型的fMRI自然图像解码方法。

背景技术

fMRI(Functional Magnetic Resonance Imaging，功能核磁共振成像)是一种通过血氧水平变化探测大脑神经活动的检测技术。基于fMRI信号的编解码模型成为近两年的研究热点，模型精度越高，说明该模型对大脑信息处理的解释越合理，对于研究大脑处理信息的模式有非常重要的参考意义。目前研究最为关注的是基于视觉fMRI信号的编解码模型。

视觉fMRI信号编码模型的特点在于，通过视觉刺激预测大脑响应。例如，对每一个体素的时间序列估计一个一般线性模型(GLM，general linear model)就可以算作是一种编码模型。在这模型中，假设每个体素最终测得的时间序列是由该体素对每一个实验条件的血液动力学响应所叠加起来的序列再混叠一些噪声构成。对所有体素拟合该模型，就能得到每个体素对每个实验条件的响应强度。一般线性模型的操作过程是用实验刺激序列和测得的信号预测大脑响应。在编码模型中，认为响应强度是图像各个特征的加权和。首先要提取和刺激图像相关的特征矩阵，对这些特征矩阵训练出一个权重，每一个体素对每一幅图都能够得到一个权向量，而对于一副新图，只要对该图像的特征矩阵进行加权求和就能够得到最终的预测强度。

视觉fMRI信号解码模型的特点在于，用大脑响应去预测视觉刺激。解码模型按目的主要有分类、识别、重构三类。分类模型是要分出被试者所看的图像种类，例如，刺激图像的内容有动物和植物，解码模型需要根据测得的信号预测被试者所看到的到底是动物还是植物。识别模型的目的是要根据测得的信号预测出被试者看的是哪一副图。重构模型中，要把被试者所看到的刺激图像恢复出来。分类解码模型是最简单的，主要应用一些机器学习的方法就能够达到比较理想的结果。而识别解码模型相对较复杂，其中有一种思路是先编码再解码。例如，先训练一个一般的编码模型，简单来说就是先得到图像特征矩阵再用该矩阵训练出一个权向量。该模型能够预测出刺激图像对应的相关体素的响应强度，这些体素的响应强度组成一幅脑活动图(activity pattern)，其实就是由响应强度组成的一个向量。当得到一个测得的脑活动图时，将这个脑活动图与和编码模型预测出的脑活动图进行对比，哪一幅图的预测图和测得的活动图更接近，则认为此图就是被试者所看的图。

重构解码模型可以拆分为简单的分类问题。在二值图像实验中，刺激图像是网格状的，每一格中要么有闪烁的黑白棋盘格纹理，要么是全灰背景，即，每一格中要么是有刺激的要么是无刺激的。这时，用测得的响应强度向量去分类每一格中到底是有刺激还是无刺激，分类完成后，再把所有格子的分类结果拼凑在一起，就能够得到最终重构的刺激图像。在分类是有刺激还是无刺激时，可应用简单的支持向量机或者神经网络等机器学习方法。

传统的图像解码方法存在模型精度不高的问题，造成了识别的准确率较低。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于隐状态模型的fMRI自然图像解码方法，该方法能够大幅度缩小预测响应强度的误差，并且大幅度提高图像识别的准确率，进而为探究人类视觉皮层处理信息的数学模式提供了支持和依据。

为了实现上述目的，本发明采用的技术方案包括以下步骤：