CN111569225B - 实时功能性磁共振神经反馈调节认知控制的系统及方法 - Google Patents

Abstract

本发明公开一种实时功能性磁共振神经反馈调节认知控制的系统及方法，通过通讯协议将磁共振成像仪产生的脑信号传输至TBV和matlab接口，体素解码模块根据所选的控制层级将脑网络内的所有体素作初步筛选，给予权重计算完成分类器的训练；实时功能性磁共振神经反馈模块根据先建构的分类器计算发送的脑信号，判断当前大脑当前的认知控制水平的高低概率值，藉由概率值转换的分数进行神经反馈训练；当神经反馈训练横跨多次扫描时，空间坐标转换模块针对分类器选定的体素，由标准空间投映到当次扫描的本地空间，使反馈训练都能准确对应到相同的体素。本发明通过对个体的认知控制脑网络的体素状态识别，进行实时磁共振的神经反馈训练，能够提高自我认知控制。

Description

实时功能性磁共振神经反馈调节认知控制的系统及方法

技术领域

本发明属于认知神经科学技术领域，由认知科学理论为基础，涉及由实时功能性磁共振神经反馈技术来调整自我认知控制水平，进而调控成瘾渴求的平台。

背景技术

成瘾相关研究发现前额叶不同区域在不同的任务下(例如：动作抑制、注意力导向、情绪调节)皆有不正常的活动。前额叶脑区的不正常活动其背后成因很可能与不同层次的认知控制的下降有关，例如：看到成瘾物质不适当地对刺激做出反射性动作、看到刺激物却无法因情境作出调节、刺激物与动作的连接藉由记忆不适当的提取。基于此，针对不同区域的前额叶脑网络进行神经反馈可对成瘾线索提取的过程作出适当的调控，减缓渴求的感受。

近5年来，开始有较多的研究应用于成瘾治疗，反馈的脑区大致涵盖了成瘾相关的脑区，但脑区的选取鲜少有非常清楚的理论作为驱动，并用来解释训练的有效性。此外，目前rtfMRI的技术大多基于单一脑区的训练且反馈信号的信号较为单一，但效果不稳定且长期效果有较大的个别差异。

发明内容

为了解决以上技术问题，本发明基于认知控制理论藉由训练病人的认知控制水平来对抗成瘾行为。由于认知控制的大脑运作皆以网络为基础运作，涵盖多个脑区且体素量非常大；传统的平均数计算会忽略掉相当多空间信息，本发明的创新在于以认知科学的理论作为驱动，结合更加有效的解码式技术来计算神经反馈的信号。

本发明提出一种藉由实时磁共振神经反馈调节认知控制的系统，包括：

依次连接的共振成像系统、脑功能成像系统TBV和matlab实时功能性磁共振神经反馈系统RIT；

所述共振成像系统采集磁共振信号，利用信号传输通讯模块将磁共振信号由扫描仪传至本地计算机的脑功能成像系统TBV；

脑功能成像系统TBV进行大脑重建和信号预处理，包括进行实时头动和飘移校正；

所述实时功能性磁共振神经反馈系统RIT包括基于认知控制状态进行的神经反馈系统，用于进行认知控制网络层级的选取和进行功能性磁共振分析及认知控制调节。

进一步的，所述基于认知控制状态进行的神经反馈系统包括：

体素筛选和分类器训练模块、实时神经反馈模块、空间坐标转换模块。

进一步的，所述体素筛选和分类器训练模块进行认知控制网络层级的选取，3个网络层级的定义由低至高分别为：感官控制、情境控制、记忆控制；选取完成后，进行功能性磁共振分析，定义t值大于某个阈值下激活的网络为高控制水平，低于阈值下为低控制水平；完成后得个别被试的激活网络。

进一步的，所述实时神经反馈模块能根据先前训练的体素筛选和分类器训练模块读取所需参数，并正确选取先前用于分类的体素，最后将体素的信号值与加权值输入体素筛选和分类器训练模块，完成实时神经反馈的估计。

进一步的，所述空间坐标转换模块用于将扫描的功能像和结构像作重迭拟合，再将个别被试的结构像投映至标准空间，得到使用体素的标准空间内坐标，再藉由计算拟合初次和当次两次结构像的转换矩阵，反推当下扫描的本地空间的坐标。

根据本发明的另一方面，提出一种藉由实时磁共振神经反馈调节认知控制的方法，包括如下步骤：

步骤1、磁共振信号传输通讯模块将磁共振信号由扫描仪传至本地计算机，再由脑功能成像系统TBV进行大脑重建和实时头动校正；

步骤2、实时功能性磁共振神经反馈系统的体素筛选和分类器训练模块进行认知控制网络层级的选取，3个网络层级由低至高分别为：感官控制、情境控制、记忆控制，选取完成后，进行功能性磁共振分析，定义t值大于某个阈值下激活的网络为高控制水平，低于阈值下为低控制水平；根据分析的结果，选取所有大于阈值激活的网络，即可得个别被试的激活网络；保留此阶段取得的功能像和结构像用于后期拟合，以便将此阶段选取的体素正确投射至不同次的扫描次；

步骤3、体素筛选和分类器训练模块进行体素的初步筛选，采用自动关联决定参数算法，假设参数来自于一个高斯分布：

其中，d为某一个体素，D为筛选后体素的总量，根据贝氏统计估计加权值矩阵：

其中θ为特征，是根据高维度特征计算出体素被选取的机率性，也就是加权值，α为高维度的特征，用于控制特征θ；当θ值越大表示加权值越高，此体素被选取的机率以及加权指数越大，因此根据特征θ即能够得知哪些体素需要筛除，以及被选择体素的加权值，每个体素皆能得到一个加权值，0表示筛除，非0的值表示不需筛除且代表加权的程度。

步骤4、筛选后的体素的信号值再以体素筛选和分类器训练模块辨识认知控制的水平，体素筛选和分类器训练模块内的分类器采用离散逻辑回归，逻辑回归的公式为：

P(S₂/x)＝[1/(1+exp(-f(x；θ)))],

x为体素的信号值，P(S₂)为二分类的其中一类的机率值，f函数为：

θ₀为预设的初始特征值；

步骤5、体素筛选和分类器训练模块内的分类器的训练成果由交叉验证来衡量，首先，将步骤2所得的功能像数据分为6等分，依序将每1等分的数据轮流当作预测用样本，剩余的数据用于训练；

步骤6、神经反馈阶段，实时神经反馈模块根据先前训练的体素筛选和分类器训练模块读取所需参数，并正确选取先前用于分类的体素，最后将体素的信号值与加权值输入体素筛选和分类器训练模块，即能完成实时神经反馈的估计；首先将步骤2取得的扫描的功能像和结构像作重迭拟合，再将个别被试的结构像投映至标准空间，得到使用体素的标准空间内坐标，最后再藉由计算拟合初次和当次两次结构像的转换矩阵，即能够反推当下扫描的本地空间的坐标，再根据本地空间的坐标读取所需体素；

步骤7、实时神经反馈模块提取出已训练完成的分类器，输入分类器的信号数据，以时间窗方法平滑作计算，假设当下时间为第N个功能性磁共振的重复时间点，取N-2,N-1,和N共三个时间点的信号值，对个别体素在时间维度上作平均，即得一输入向量；

步骤8、分类器实时计算的机率值以线性转换的方式呈现反馈分数给被试者。

有益效果：

本发明提供一种藉由实时磁共振神经反馈调节认知控制的系统及方法，基于认知控制水平状态来进行神经反馈训练，通过当下认知控制脑网络内所有体素的信号状态实行解码，根据分类的机率值计算反馈的分数，藉此对认知控制的水平进行提升，能够有效地对抗成瘾者的渴求，降低他们的成瘾行为，且此训练可横跨多次扫描来增加训练量，大幅地提升训练的效果和稳定度。通过训练认知控制水平来调整成瘾渴求，仅仅是本发明的其中一种应用，对于本领域普通技术人员来讲，可自订欲训练的认知功能，例如：调整情绪(网络)来对抗抑郁症状，以本发明提供的GUI接口，直接使用此平台。

附图说明

图1：本发明中基于认知控制脑网络实行实时功能性磁共振系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明基于认知控制相关的脑网络的状态来进行实时功能性磁共振神经反馈训练，藉由提升自我控制水平来对抗成瘾的渴求。进行实时功能性磁共振实验的研究者大多使用Brain Innovation公司下的大脑成像系统TBV(Turbo-BrainVoyager)系统完成神经反馈的训练，但是TBV只支持平均数和支持向量机两种的信号反馈方式，而且个别体素的信号值无法提取作更进一步的分析(例如：体素初步筛选；其中，整个大脑被划分成许多的小立方体，体素可为某个区域的其中之一立方体。藉由体素，可取得磁场强度信号的强度和来源是在大脑的那个空间位置)；此外，认知控制的脑网络涵盖非常多且散布在不同脑区的体素，不适合使用上述两种信号反馈计算。

针对上述限制，本发明提供了信号传输协定使磁共振信号能实时传到本地的电脑，并在matlab的平台下和TBV系统进行互动并实时提取脑网络内每一个体素的信号强度。此外，发明也提供了分类器，能将选取的脑网络大量体素做初步筛选，选取少量的体素进行加权做出正确的辨识，在此基础下，有效且稳定的进行实时的功能性磁共振神经反馈训练。

请参阅图1所示，本发明基于认知控制脑网络实行实时功能性磁共振系统示意图，系统主要包括磁共振成像系统、脑功能成像系统TBV(Turbo-BrainVoyager)和matlab(RIT,实时功能性磁共振神经反馈系统，RtfMRI Interface Toolbox)，基于认知控制状态进行的神经反馈系统，包括：体素筛选和分类器训练模块、实时神经反馈模块、空间座标转换模块。具体工作流程如以下：

首先藉由信号传输通讯协定将磁共振信号由扫描仪传至本地计算机的TBV系统；

TBV系统进行大脑重建和信号预处理，包括实时头动和飘移校正。

本发明的一种藉由实时磁共振神经反馈调节认知控制的方法，具体可以通过以下技术实现，步骤1由磁共振信号传输通讯协定模块完成，步骤2-5由体素筛选和分类器训练模块完成，剩余步骤为实时神经反馈模块和空间座标转换模块完成。

步骤1、磁共振信号传输通讯协定模块将磁共振信号由扫描仪传至本地计算机，在由TBV进行大脑重建和实时头动校正。

步骤2、于RIT系统的体素筛选和分类器训练模块进行认知控制网络层级的选取，3个层级由低至高分别为:感官控制(sensory control)、情境控制(contextual control)、记忆控制(episodic control)。选取完成后，进行功能性磁共振分析(first-level)，定义t值大于某个阈值下激活的网络为高控制水平，低于阈值下为低控制水平。根据分析的结果，选取所有大于阈值激活的网络，即可得个别被试的激活网络。此阶段取得的功能像和结构像都需保留于往后的步骤作重迭拟合，以便将此阶段选取的体素正确投射至不同次的扫描次。

步骤3、由于磁共振信号取的时间点数目远比空间体素的数目少，容易产生过度拟合，无法使用传统的方法(L2 norm)直接计算个别体素的加权值，体素筛选和分类器训练模块为解决此问题，体素的初步筛选采用自动关联决定参数(automaticrelevancedetermination)算法，假设参数来自于一个高斯分布：

其中，d为某一个体素，D为筛选后体素的总量，再藉由贝氏统计估计加权值矩阵

θ为特征，α为高维度的特征，用于控制特征θ；当θ值越大表示加权值越高，此体素被选取的机率以及加权指数越大，因此根据特征θ即能够得知哪些体素需要筛除和被选择体素的加权值，此外，每个体素也都各自有个别的加权值。

步骤4、筛选后的体素的信号值再以体素筛选和分类器训练模块辨识认知控制的水平。体素筛选和分类器训练模块内的分类器采用Shibata等人(2011)的离散逻辑回归(sparse logistic regression)，此分类器特别优化能在磁共振讯号达到很高的正确分类率。逻辑回归的公式为以下：

P(S₂/x)＝[1/(1+exp(-f(x；θ)))],

x为体素的信号值，P(S₂)为二分类的其中一类的机率值，f函数为：

θ₀为预设的初始特征值；

步骤5、体素筛选和分类器训练模块内的分类器的训练成果由机器学习常见的交叉验证(k-fold cross validation)来衡量，避免样本使用上的偏误。首先，将步骤2所得的功能像数据先分为6等分，于早期的测试中发现分为6等分的训练效果最好，能避免单一等分的数据过少或估计值变化过大，因此采用6等份。具体而言，于6次循环中，依序将每1等分的数据轮流当作预测用样本，剩余的数据用于训练。

步骤6、神经反馈阶段时，实时神经反馈模块能根据先前训练的体素筛选和分类器训练模块读取所需参数，并正确选取先前用于分类的体素，最后将体素的信号值与加权值输入体素筛选和分类器训练模块，即能完成实时神经反馈的估计。为了保证分类器使用的体素能再次于神经反馈阶段使用，需要使用空间转换模块的功能，采用统计参数图(SPM)内的算法，因此不作过多描述，首先将步骤2取得的扫描的功能像和结构像作重迭拟合，再将个别被试的结构像投映至标准空间，可得到使用体素的标准空间内坐标，最后再藉由计算拟合两次结构像(初次和当次)的转换矩阵，即可反推当下扫描的本地空间的坐标为何，再根据坐标读取所需体素。

步骤7、实时神经反馈模块可提取出已训练完成的分类器。输入分类器的信号数据参考前人的研究，以时间窗方法平滑(sliding)作计算，采取3-4个时间点大小的时间窗且效果较为稳定，因此采用3个点，假设当下时间为第N个功能性磁共振的重复时间点，所述重复时间指两个连续的射频脉冲之间的时间间隔，取N-2,N-1,和N共三个时间点的信号值，对个别体素在时间维度上作平均，即可得一输入向量。

步骤8、分类器实时计算的机率值以线性转换的方式呈现反馈分数给被试者，分数范围0-10，0表示当前体素的分布为低认知控制水平，10表示高认知控制水平。被试被要求观看成瘾的图片的同时调高认知控制水平。

基于认知控制水平状态来进行神经反馈训练，通过当下认知控制脑网络内所有体素的信号状态实行解码，根据分类的机率值计算反馈的分数，藉此对认知控制的水平进行提升，能够有效地对抗成瘾者的渴求，降低他们的成瘾行为，且此训练可横跨多次扫描来增加训练量，大幅地提升训练的效果和稳定度。

通过训练认知控制水平来调整成瘾渴求，仅仅是本发明的其中一种应用，对于本领域普通技术人员来讲，可自订欲训练的认知功能，例如：调整情绪(网络)来对抗抑郁症状，以本发明提供的GUI接口，直接使用此系统。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

Claims (4)

1.一种藉由实时磁共振神经反馈调节认知控制的系统，其特征在于：包括：

依次连接的共振成像系统、脑功能成像系统TBV和matlab实时功能性磁共振神经反馈系统RIT；

所述共振成像系统采集磁共振信号，利用信号传输通讯模块将磁共振信号由扫描仪传至本地计算机的脑功能成像系统TBV；

脑功能成像系统TBV进行大脑重建和信号预处理，包括进行实时头动和飘移校正；

所述实时功能性磁共振神经反馈系统RIT包括基于认知控制状态进行的神经反馈系统，用于进行认知控制网络层级的选取和进行功能性磁共振分析及认知控制调节；

所述基于认知控制状态进行的神经反馈系统包括：

体素筛选和分类器训练模块、实时神经反馈模块、空间坐标转换模块；

所述体素筛选和分类器训练模块进行认知控制网络层级的选取，3个网络层级的定义由低至高分别为：感官控制、情境控制、记忆控制；选取完成后，进行功能性磁共振分析，定义t值大于某个阈值下激活的网络为高控制水平，低于阈值下为低控制水平；完成后得个别被试的激活网络。

2.根据权利要求1所述的一种藉由实时磁共振神经反馈调节认知控制的系统，其特征在于：所述实时神经反馈模块能根据先前训练的体素筛选和分类器训练模块读取所需参数，并正确选取先前用于分类的体素，最后将体素的信号值与加权值输入体素筛选和分类器训练模块，完成实时神经反馈的估计。

3.根据权利要求1所述的一种藉由实时磁共振神经反馈调节认知控制的系统，其特征在于：所述空间坐标转换模块用于将扫描的功能像和结构像作重迭拟合，再将个别被试的结构像投映至标准空间，得到使用体素的标准空间内坐标，再藉由计算拟合初次和当次两次结构像的转换矩阵，反推当下扫描的本地空间的坐标。

4.一种藉由实时磁共振神经反馈调节认知控制的方法，其特征在于：包括如下步骤：

步骤1、磁共振信号传输通讯模块将磁共振信号由扫描仪传至本地计算机，再由脑功能成像系统TBV进行大脑重建和实时头动校正；

步骤2、实时功能性磁共振神经反馈系统的体素筛选和分类器训练模块进行认知控制网络层级的选取，3个网络层级由低至高分别为：感官控制、情境控制、记忆控制，选取完成后，进行功能性磁共振分析，定义t值大于某个阈值下激活的网络为高控制水平，低于阈值下为低控制水平；根据分析的结果，选取所有大于阈值激活的网络，即可得个别被试的激活网络；保留此阶段取得的功能像和结构像用于后期拟合，以便将此阶段选取的体素正确投射至不同次的扫描次；

步骤3、体素筛选和分类器训练模块进行体素的初步筛选，采用自动关联决定参数算法，假设参数来自于一个高斯分布：

其中，d为某一个体素，D为筛选后体素的总量，根据贝氏统计估计加权值矩阵

其中θ为特征，是根据高维度特征计算出体素被选取的机率性，也就是加权值，α为高维度的特征，用于控制特征θ；当θ值越大表示加权值越高，此体素被选取或加权指数越大，因此根据特征θ即能够得知哪些体素需要筛除，以及被选择体素的加权值，每个体素皆能得到一个加权值，0表示筛除，非0的值表示不需筛除且代表加权的程度；

步骤4、筛选后的体素的信号值再以体素筛选和分类器训练模块辨识认知控制的水平，体素筛选和分类器训练模块内的分类器采用离散逻辑回归，逻辑回归的公式为：

P(S₂/x)＝[1/(1+exp(-f(x；θ)))],

x为体素的信号值，P(S₂)为二分类的其中一类的机率值，f函数为：

θ₀为预设的初始特征值；

步骤5、体素筛选和分类器训练模块内的分类器的训练成果由交叉验证来衡量，首先，将步骤2所得的功能像数据分为6等分，依序将每1等分的数据轮流当作预测用样本，剩余的数据用于训练；

步骤6、神经反馈阶段，实时神经反馈模块根据先前训练的体素筛选和分类器训练模块读取所需参数，并正确选取先前用于分类的体素，最后将体素的信号值与加权值输入体素筛选和分类器训练模块，即能完成实时神经反馈的估计；首先将步骤2取得的扫描的功能像和结构像作重迭拟合，再将个别被试的结构像投映至标准空间，得到使用体素的标准空间内坐标，最后再藉由计算拟合初次和当次两次结构像的转换矩阵，即能够反推当下扫描的本地空间的坐标，再根据本地空间的坐标读取所需体素；

步骤7、实时神经反馈模块提取出已训练完成的分类器，输入分类器的信号数据，以时间窗方法平滑作计算，假设当下时间为第N个功能性磁共振的重复时间点，取N-2,N-1,和N共三个时间点的信号值，对个别体素在时间维度上作平均，即得一输入向量；

步骤8、分类器实时计算的机率值以线性转换的方式呈现反馈分数给被试者。

Images