[发明专利]一种基于梯度超校准的多被试脑影像预测方法

说明书

本发明公开了一种基于梯度超校准的多被试脑影像预测方法，包括以下步骤：S1：对采集到的原始数据进行数据预处理；S2：对预处理后的全部或者部分数据运用独立成分分析方法和随机梯度上升方法来求解超校准问题，进行功能校准；S3：对校准后的数据运用支持向量机训练分类器；S4：对测试集运用训练好的分类器进行预测。本发明利用独立成分分析方法解决了现有技术中超校准方法不能选择特征以及选择的特征之间不相互独立的问题，利用随机梯度上升方法解决了现有技术中超校准方法在样本数和特征数过大时运行速度慢的问题，并且有效提高了预测精度。

技术领域

本发明涉及脑解码领域，特别是涉及多被试脑影像预测方法。

背景技术

人类通过感官系统从现实世界中获得的信息在人脑中被编码为神经活动模 式，即大脑中体素的激活状态。通过对这些神经活动模式的解码，可以反推出这 些信息的具体含义，这一过程称为脑解码。近年来，利用功能磁共振成像(fMRI) 技术解码人类大脑活动迅速发展，这些研究有助于促进人们对大脑工作机制的理 解。

基因以及生活环境的不同导致每个人的大脑结构各不相同，因此当研究多被 试者fMRI数据时需要对各被试者的脑影像数据进行生理结构校准(Anatomical Alignment)和功能校准(Functional Alignment)。目前这两种校准方法有很多，其 中生理结构校准采用结构磁共振成像(Structural MRI)对结构特征进行校准，而 功能校准采用fMRI直接校准神经活动。目前，生理结构校准经常被用作数据预 处理步骤，而研究较多且对预测精度有较大提升的方法是功能校准，其中超校准 (Hyperalignment)是功能校准中最有效的方法之一。

在超校准方法中，每个被试者的神经活动模式被表示为一个高维空间，被称 为表征空间(Representational Space)，比如一个被试者的神经活动模式由1000 个体素构成，那么该被试者的表征空间为1000维。超校准方法试图对所有被试 者的表征空间进行校准，即把每个被试者的表征空间进行旋转，映射到一个公共 空间(Common Space)中，然后在这个公共空间中进行预测分析。

脑解码是一种脑影像预测方法，该方法先对所有的被试者数据进行分析，利 用机器学习的方法建立一个预测模型，然后对于一个新的被试者，利用训练好的 预测模型进行预测。例如，若干被试者观看某些种类的图片(如房子，人脸，猫 等)，这些图片在fMRI实验中被称为刺激(stimulus)，在被试者观看图片时对 他们的大脑进行fMRI扫描获得fMRI数据，然后从这些数据中提取出神经活动 模式，利用机器学习方法对神经活动模式训练一个分类预测器，对于一个新的被 试者的神经活动模式，利用训练好的分类器进行预测，可以预测出该被试者看到 的图片是什么。

目前利用超校准方法对fMRI脑影像数据进行预测的方法有很多。比如多被 试fMRI数据上的正则化超校准技术(Xu,H.,et al.:Regularized hyperalignment ofmulti-set fMRI data.In:IEEE Statistical Signal Processing Workshop,pp. 229–232.)。该技术的主要目的是通过改变超校准的求解方式来提高分类预测的 精度。基本的超校准问题通过Procrustes方法求解，而正则化超校准(RHA)通 过典型相关分析(CCA)来求解超校准问题，论文中证明了通过CCA得到的正 则化超校准的目标函数等价于基本的超校准问题的目标函数，而且正则化超校准 相比于基本的超校准问题，在一个被试者观看电影的fMRI数据集上，分类预测 精度更高。然而，正则化超校准技术的一个缺点是当数据中的样本数和体素数过 大时，算法运行速度非常慢，占用内存空间过大，甚至在一些普通配置的计算机 上无法运行。另一个缺点是该技术不能选择特征或者选择的特征之间不相互独立， 即该技术把所有包含的体素都当成特征，因此当体素数量过大时，存在很多冗余 特征，导致该技术不仅运行速度慢而且预测精度低。

发明内容