CN116363404B - 一种识别和量化脑自发活动预测性地图样表征的方法 - Google Patents
一种识别和量化脑自发活动预测性地图样表征的方法 Download PDFInfo
- Publication number
- CN116363404B CN116363404B CN202310327329.8A CN202310327329A CN116363404B CN 116363404 B CN116363404 B CN 116363404B CN 202310327329 A CN202310327329 A CN 202310327329A CN 116363404 B CN116363404 B CN 116363404B
- Authority
- CN
- China
- Prior art keywords
- predictive
- spontaneous
- characterization
- brain
- quantifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012512 characterization method Methods 0.000 title claims abstract description 70
- 230000002269 spontaneous effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007177 brain activity Effects 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000000284 resting effect Effects 0.000 claims abstract description 18
- 230000001149 cognitive effect Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims abstract description 4
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 39
- 210000004556 brain Anatomy 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 28
- 239000012634 fragment Substances 0.000 claims description 27
- 230000008925 spontaneous activity Effects 0.000 claims description 19
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 10
- 230000019771 cognition Effects 0.000 description 5
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 description 3
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 description 3
- 241001559542 Hippocampus hippocampus Species 0.000 description 3
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 description 3
- 230000007420 reactivation Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种识别和量化脑自发活动预测性地图样表征的方法。包括：基于静息状态下的功能磁共振影像数据，采用时变动态分析方法识别脑自发活动的动态状态，并基于模式相似性分析及后继表征模型，构建预测性表征图谱M，同时采用降维和聚类算法得到目标状态内表征分布的二维空间，随后通过将预测性表征图谱M映射到该空间中实现对目标状态的感受域的可视化；利用峰度和偏度两个数学度量设计算法，检测并量化目标状态内部转移过程中的预测性偏移，得到个体水平的脑自发活动预测性偏移数值。本发明为刻画脑自发活动所表征信息空间的功能意义提供了新的方法框架，且为探索脑自发活动的认知功能意义与机制提供了解决方案。
Description
技术领域
本发明涉及一种识别和量化脑自发活动预测性地图样表征的方法，属于脑自发认知及认知地图高级学习机制的研究领域。
背景技术
在不同的任务过程中，大脑会将信息序列根据内容分割为事件片段，构建片段间关系，不断充实记忆表征网络，而这样的基于事件及其间关系的表征模式被称为认知地图，是大脑能够“举一反三”的基础。在静息的自发状态(即无任务驱动时)下，海马区域会与大范围皮层网络交互，自发地基于记忆表征网络随机游走，重放过往经历片段。脑自发活动中的这种表征重放一方面有助于长期记忆的巩固形成，另一方面也是对未来可能发生的事件的预演，对个体行为表现起到重要作用。同时，由于重放的片段内容也会受到个体经历、性格、偏好以及目标的影响，因此，脑自发活动的表征特征可能能够反映个体认知水平及性格特质，甚至关系到人类心理健康，具有重要的理论意义和临床应用价值。
静息态功能磁共振成像(functional MRI，fMRI)是一项能兼顾时间和空间分辨率的无创脑影像技术，通过采集静息状态下全脑各处血氧活动水平的时间序列，间接反映神经元活动水平，近年来成为了探究脑自发活动的主要手段。现有研究基于静息态fMRI数据，使用隐马尔可夫模型等动态分析方法，初步地揭示了大脑自发活动过程中，不断地在具有不同的脑区激活/连接模式的动态状态间频繁地切换。另有研究使用大脑任务下的激活模式训练分类器，在大脑静息活动中识别到了在不同任务下的特定激活模式的自发重激活。然而，目前对于脑自发活动功能意义的探究仍不够深入，现有的研究方法仍存在一些局限：
1、尚无法检测到脑自发活动的认知地图样表征模式。
研究认为认知地图表征是以强化学习的方式构建的。近年来研究使用基于后继表征的强化学习模型，模拟了空间任务下认知地图表征空间，观测到了其标志性激活模式——位置域，但这种计算模型目前仅应用于任务态研究，而在脑自发活动研究领域中，尚未有研究描绘脑自发活动的认知地图样表征空间以及表征重激活的潜在规则。因此，相关分析方法存在空缺，经验性研究实证亟待充实。
2、无法量化脑自发活动的预测性特征。
基于后继表征的实验及理论研究发现，认知地图样表征空间编码了空间内位置的相继关系，能够根据各位置表征内容的相似性，基于当前位置预测下一个可能出现的位置，所以当空间内某位置即将被访问时，可在其激活模式(即接收域)上观察到预测性偏移模式。以往的理论及实验证据指出，脑自发活动中的神经表征重放是构建与维持预测性表征的关键基础，对于实现灵活的认知行为能力具有重要意义。然而，如何衡量脑自发活动所表征的信息空间的预测性，目前仍缺乏相关的分析方法。
发明内容
本发明提出了本发明提出了一种识别和量化脑自发活动预测性地图样表征的方法，将后继表征模型应用到静息态fMRI数据上，首次在大脑自发活动中发现了位置域样的激活模式，为刻画脑自发活动所表征信息空间的功能意义提供了新的方法框架。同时，本发明基于峰度和偏度两个数学度量，通过定位并量化脑自发活动中的预测性，从预测性表征的角度为探索脑自发活动的认知功能意义与机制提供了解决方案，解决了现有技术中存在的问题。
一种识别和量化脑自发活动预测性地图样表征的方法，所述识别和量化脑自发活动预测性地图样表征的方法包括以下步骤：
S100、基于静息状态下的fMRI数据，采用时变动态分析方法识别脑自发活动的动态状态，并基于模式相似性分析及后继表征模型，构建大脑在各个动态状态下的预测性表征图谱M，同时采用降维和聚类算法得到目标状态内表征分布的二维空间，随后通过将预测性表征图谱M映射到所述二维空间中实现对目标状态的感受域的可视化；
S200、利用峰度和偏度两个数学度量设计算法，检测并量化目标状态内部转移过程中的预测性偏移，得到个体水平的预测性偏移数值，评估所述预测性偏移数值与认知量表的相关水平，构建预测性模型并评估模型效果。
进一步的，在S100中，具体包括以下步骤：
S110、基于静息态fMRI数据，采用时变动态分析方法识别脑自发活动的动态状态，构建状态内不同时段中脑活动模式的相似度矩阵W；
S120、将后继表征的强化学习模型应用在相似度矩阵W上，生成预测性表征图谱M；
S130、利用降维以及聚类算法，将高维的关系矩阵W投射到二维空间，得到潜在自发重放片段的分布模式；
S140、将预测性表征图谱M映射到分布模式中，构建了自发重放片段的感受域(receptive field，RF)。
进一步的，在S110中，具体的，基于静息态fMRI数据，利用隐马尔科夫模型检测大脑动态状态，提取所述大脑动态状态每次出现时段中各个体素的激活序列，作为潜在的自发重放片段，计算片段间空间激活模式相似性，得到关系矩阵W。
进一步的，在S120中，具体的，
基于关系矩阵W，转移矩阵T是公式(1)计算：
T＝D-1W (1)
其中，D是对角线度矩阵，其中的每一个数值代表了在W矩阵对应行的总和，后继表征矩阵记作矩阵M，被称为预测性表征图谱，是按照公式(2)计算产生的：
M＝(I-γTt)-1 (2)
其中，I是单位矩阵，γ是小于1的折扣系数。
进一步的，在S130中，具体的，使用t分布的随机紧邻嵌入方法，将关系矩阵W中包含的自发重放片段的高维特征嵌入到二维空间中，生成反映片段相似程度的空间分布模式，并利用k均值聚类算法，得到自发重放片段的不同集合setp。
进一步的，在S140中，根据后继表征的理论及实验证据，其生成的预测性表征图谱M能够编码地图样表征，具体的，每一个重放片段的感受域可从M矩阵的对应列中提取，而对于表征不同内容的片段集合setp，按照公式(3)得到其感受域RF：
其中，RFP代表了某个片段集合的感受域，setP中包含了所述某个片段集合中的所有重放片段，j代表了setp中每一个片段，i的范围是从1到状态时间点数量，代表了自发重放的表征空间中的每个位置，通过将片段集合的RF向量投射到对应位置，得到所述片段集合感受域的激活模式。
进一步的，在S200中，具体包括以下步骤：
S210、对某给定重放片段的感受域激活，使用滑窗法来计算其激活曲线上每一个窗内的峰度，选择峰度值前20％的窗作为预测性表征片段的候选，其中，窗长的估算是根据激活曲线长度与峰值时间点的数量；
S220、在排除掉重叠的窗后，进一步计算各窗的偏度值，保留偏度值为负数的窗，最终识别出表现出典型模式的预测性偏移片段，并取偏度的绝对值作为预测性的指标；
S230、对于一个给定的重放片段，将预测性偏移水平被定义为其感受域上所有被识别的预测性偏移程度的均值，而某一片段集合的预测性偏移程度，则是其包含的所有片段预测性偏移的均值。
一种存储介质，该存储介质上储存有计算机程序，所述计算机程序被处理器执行时实现上述的一种识别和量化脑自发活动预测性地图样表征的方法。
一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的一种识别和量化脑自发活动预测性地图样表征的方法。
本发明的有益效果：
(1)本发明针对目前技术无法构建出自发活动表征的认知地图样表征空间，因而无法揭示自发记忆重激活的功能意义的问题，首次将后继表征模型应用于静息态脑功能影像数据上，构建了自发活动的精神表征空间，并发现了位置域样的激活模式，证明了脑自发活动是被以认知地图机制表征的，为现有理论规则提供了切实的实验证据。
(2)本发明结合了峰度和偏度两个数学度量，量化了个体感受域激活中的预测性偏移，随后通过线性模型实现了基于预测性偏移对多项认知、情绪、性格特质等评分的预测，为理论假设提供了可靠证据，也为未来的进一步研究和临床认知评估提供了新的潜在指标。
附图说明
图1为预测性表征图谱以及自发活动表征空间的整体构建流程示意图；
图2为构建的自发活动表征空间及重放片段集合分布模式；
图3为预测性表征图谱中提取重放片段感受域的示意图；
图4为感受域预测性偏移模式图；
图5为自发重放片段集合的位置域样激活；
图6为自发重放片段感受域上识别的预测性偏移。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1-图6及表1所示，本发明提出了一种脑自发活动预测性地图样表征的识别及量化方法，具体分析流程如下：
S100、基于静息状态下的功能磁共振影像数据，采用时变动态分析方法识别脑自发活动的动态状态，并基于模式相似性分析及后继表征模型，构建海马区在各个动态状态下的预测性表征图谱M，同时采用降维和聚类算法得到目标状态内表征分布的二维空间，随后通过将预测性表征图谱M映射到该空间中实现对目标状态的感受域的可视化；
S200、利用峰度和偏度两个数学度量设计算法，检测并量化目标状态内部转移过程中的预测性偏移，得到个体水平的预测性偏移数值，评估其与认知量表的相关水平，构建预测性模型并评估模型效果。
进一步的，在S100中，具体包括以下步骤：
S110、基于静息态脑功能影像数据，采用时变动态分析方法识别脑自发活动的动态状态，构建状态内不同时段中脑活动的模式相似度矩阵W：
基于静息态功能磁共振影像数据，利用隐马尔科夫模型检测大脑动态状态。基于以往研究结果，表征重放过程中海马和默认网络表现出显著的同步活动，因此在脑自发活动的动态状态中，主要关注海马和默认网络所主导的状态，提取状态每次出现时段中各个体素的激活序列，作为潜在的自发重放片段，计算片段间空间激活模式相似性，得到关系矩阵W；
S120、将后继表征的强化学习模型应用关系矩阵W上，生成预测性表征图谱M：
基于关系矩阵W，转移矩阵T是公式(1)计算：
T＝D-1W (1)
其中，D是对角线度矩阵，其中的每一个数值代表了在W矩阵对应行的总和。后继表征矩阵，记作矩阵M，被称为预测性表征图谱，是按照公式(2)计算产生的：
M＝(I-γTt)-1 (2)
其中，I是单位矩阵，γ是小于1的折扣系数。
S130、利用降维以及聚类算法，将高维的关系矩阵W投射到二维空间，得到潜在自发重放片段的分布模式：
使用t分布的随机紧邻嵌入(t-SNE)方法，将关系矩阵W中包含的自发重放片段的高维特征嵌入到二维空间中，生成反映片段相似程度的空间分布模式，并利用k均值聚类算法，得到自发重放片段的不同集合setp；
S140、将预测性表征图谱M映射到分布模式中，构建了自发重放片段的感受域(receptive field，RF)；
根据后继表征的先验理论及实验证据(参考文献：[1]StachenfeldK L,BotvinickM M,Gershman S J.The hippocampus as apredictive map[J].NatNeurosci,2017,20(11):1643-53.[2]Gershman S J.The Successor Representation:ItsComputational Logic andNeural Substrates[J].JNeurosci,2018,38(33):7193-200.)，每一个重放片段的感受域可从M矩阵的对应列中提取，而对于表征不同内容的片段集合setp，我们按照公式(3)得到其感受域RF：
其中，RFP代表了某个片段集合的感受域，setP中包含了该片段集合中的所有重放片段，j代表了setp中每一个片段，i的范围是从1到状态时间点数量，代表了自发重放的表征空间中的每个位置。通过将片段集合的RF向量投射到对应位置，即可得到其感受域的激活模式。
进一步的，在S200中，具体包括以下步骤：
S210、对某给定重放片段的感受域激活，使用滑窗法来计算其激活曲线上每一个窗内的峰度，选择峰度值前20％的窗作为预测性表征片段的候选。其中，窗长的估算是根据激活曲线长度与峰值时间点的数量。
S220、在排除掉重叠的窗后，进一步计算各窗的偏度值，保留偏度值为负数的窗(即预测性偏移)，最终识别出表现出典型模式的预测性偏移片段，并取偏度的绝对值作为预测性的指标。
S230、对于一个给定的重放片段，将预测性偏移水平定义为其感受域上所有被识别的预测性偏移程度的均值，而某一片段集合的预测性偏移程度，则是其包含的所有片段预测性偏移的均值。
具体的，在现有研究中，缺少在无外界刺激任务的条件下，对脑自发活动所表征的信息空间的定性及定量描述方法，也缺乏具有明确认知意义的刻画脑自发活动时空动态属性的指标。本发明的目的是弥补现有研究方法的空缺，结合动态分析、后继表征模型等方法，刻画脑自发活动所表征的信息空间及其预测性。
以下为本发明的一种具体实施方法：
为了验证本发明方法在解释个体认知水平差异中的作用，利用两个公开数据集(Midnight Scan Club，MSC和Human Connectome Project，HCP)中的静息态fMRI及认知行为量表数据进行了分析。其中，采用了MSC数据集中9例正常被试的高采样fMRI数据(5小时扫描时长)，HCP数据中174例正常被试高分辨率fMRI数据。基于以上两组数据，通过应用S100中的分析方法，发现脑自发活动所表征信息空间均表现出认知地图学习机制的标志性特征——位置域样激活(图5)。随后，通过应用S200中的分析方法，计算了HCP数据集中每个被试脑自发活动的预测性偏移(图6)，并通过构建线性预测模型和交叉验证的方法，发现脑自发活动的预测性偏移指标可以预测个体的多项认知及情绪水平评分(表1)，预测结果的平均绝对百分比误差小于16％。
表1预测性偏移与个体行为学评分的相关程度及预测效果(P<0.05)。
Claims (8)
1.一种识别和量化脑自发活动预测性地图样表征的方法，其特征在于，所述识别和量化脑自发活动预测性地图样表征的方法包括以下步骤：
S100、基于静息状态下的fMRI数据，采用时变动态分析方法识别脑自发活动的动态状态，并基于模式相似性分析及后继表征模型，构建大脑在各个动态状态下的预测性表征图谱M，同时采用降维和聚类算法得到目标状态内表征分布的二维空间，随后通过将预测性表征图谱M映射到所述二维空间中实现对目标状态的感受域的可视化；
S200、利用峰度和偏度两个数学度量设计算法，检测并量化目标状态内部转移过程中的预测性偏移，得到个体水平的预测性偏移数值，评估所述预测性偏移数值与认知量表的相关水平，构建预测性模型并评估模型效果；
在S200中，具体包括以下步骤：
S210、对某给定重放片段的感受域激活，使用滑窗法来计算其激活曲线上每一个窗内的峰度，选择峰度值前20％的窗作为预测性表征片段的候选，其中，窗长的估算是根据激活曲线长度与峰值时间点的数量；
S220、在排除掉重叠的窗后，进一步计算各窗的偏度值，保留偏度值为负数的窗，最终识别出表现出典型模式的预测性偏移片段，并取偏度的绝对值作为预测性的指标；
S230、对于一个给定的重放片段，将预测性偏移水平定义为其感受域上所有被识别的预测性偏移程度的均值，而某一片段集合的预测性偏移程度，则是其包含的所有片段预测性偏移的均值。
2.根据权利要求1所述的一种识别和量化脑自发活动预测性地图样表征的方法，其特征在于，在S100中，具体包括以下步骤：
S110、基于静息态fMRI数据，采用时变动态分析方法识别脑自发活动的动态状态，构建状态内不同时段中脑活动模式的相似性矩阵W；
S120、将后继表征的强化学习模型应用在相似性矩阵W上，生成预测性表征图谱M；
S130、利用降维以及聚类算法，将高维的相似性矩阵W投射到二维空间，得到潜在自发重放片段的分布模式；
S140、将预测性表征图谱M映射到分布模式中，构建了自发重放片段的感受域receptive field，RF。
3.根据权利要求2所述的一种识别和量化脑自发活动预测性地图样表征的方法，其特征在于，在S110中，具体的，基于静息态fMRI数据，利用隐马尔科夫模型检测大脑动态状态，提取所述大脑动态状态每次出现时段中各个体素的激活序列，作为潜在的自发重放片段，计算片段间空间激活模式相似性，得到相似性矩阵W。
4.根据权利要求3所述的一种识别和量化脑自发活动预测性地图样表征的方法，其特征在于，在S120中，具体的，
基于相似性矩阵W，转移矩阵T是公式(1)计算：
T＝D-1W (1)
其中，D是对角线度矩阵，其中的每一个数值代表了在W矩阵对应行的总和，后继表征矩阵记作矩阵M，被称为预测性表征图谱，是按照公式(2)计算产生的：
M＝(I-γTt)-1 (2)
其中，I是单位矩阵，γ是小于1的折扣系数。
5.根据权利要求4所述的一种识别和量化脑自发活动预测性地图样表征的方法，其特征在于，在S130中，具体的，使用t分布的随机近邻嵌入方法，将相似性矩阵W中包含的自发重放片段的高维特征嵌入到二维空间中，生成反映片段相似程度的空间分布模式，并利用k均值聚类算法，得到自发重放片段的不同集合setp。
6.根据权利要求5所述的一种识别和量化脑自发活动预测性地图样表征的方法，其特征在于，在S140中，根据后继表征的理论及实验证据，其生成的预测性表征图谱M能够编码地图样表征，具体的，每一个重放片段的感受域可从M矩阵的对应列中提取，而对于表征不同内容的片段集合setp，按照公式(3)得到其感受域RF：
其中，RFP代表了某个片段集合的感受域，setP中包含了所述某个片段集合中的所有重放片段，j代表了setp中每一个片段，i的范围是从1到状态时间点数量，代表了自发重放的表征空间中的每个位置，通过将片段集合的RF向量投射到对应位置，得到所述片段集合感受域的激活模式。
7.一种存储介质，该存储介质上储存有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的一种识别和量化脑自发活动预测性地图样表征的方法。
8.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现权利要求1至6任一项所述的一种识别和量化脑自发活动预测性地图样表征的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310327329.8A CN116363404B (zh) | 2023-03-30 | 2023-03-30 | 一种识别和量化脑自发活动预测性地图样表征的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310327329.8A CN116363404B (zh) | 2023-03-30 | 2023-03-30 | 一种识别和量化脑自发活动预测性地图样表征的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116363404A CN116363404A (zh) | 2023-06-30 |
| CN116363404B true CN116363404B (zh) | 2023-11-21 |
Family
ID=86941445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310327329.8A Active CN116363404B (zh) | 2023-03-30 | 2023-03-30 | 一种识别和量化脑自发活动预测性地图样表征的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363404B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110265148A (zh) * | 2019-06-20 | 2019-09-20 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
| CN113642720A (zh) * | 2021-07-28 | 2021-11-12 | 哈尔滨工业大学 | 一种仿生情景认知模型构建方法及系统 |
| CN115265573A (zh) * | 2022-07-27 | 2022-11-01 | 深圳航天龙海特智能装备有限公司 | 基于网格细胞和位置细胞的复杂环境导航策略构建方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
| WO2018112103A1 (en) * | 2016-12-13 | 2018-06-21 | Akili Interactive Labs, Inc. | Platform for identification of biomarkers using navigation tasks and treatments using navigation tasks |
| US11769581B2 (en) * | 2019-05-16 | 2023-09-26 | Charles R. Drew University Of Medicine And Science | System and method for clinical assessments and interventions using multidimensional scaling analysis |
-
2023
- 2023-03-30 CN CN202310327329.8A patent/CN116363404B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110265148A (zh) * | 2019-06-20 | 2019-09-20 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
| CN113642720A (zh) * | 2021-07-28 | 2021-11-12 | 哈尔滨工业大学 | 一种仿生情景认知模型构建方法及系统 |
| CN115265573A (zh) * | 2022-07-27 | 2022-11-01 | 深圳航天龙海特智能装备有限公司 | 基于网格细胞和位置细胞的复杂环境导航策略构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| The hippocampus as a predictive map;Kimberly L. Stachenfeld et al.;《bioRxiv》;第1-40页 * |
| The Successor Representation: Its Computational Logic and Neural Subsrates;Samuel J. Gershman;《The Journal of Neuroscience》;第38卷(第33期);第7193-7200页 * |
| 人类海马亚区的连接结构及功能机制的MRI研究进展;孙丽丽等;《科学通报》;第66卷(第35期);第4510-4523页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116363404A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1816303B (zh) | 用于分类心动描记数据的方法 | |
| Bossier et al. | The empirical replicability of task-based fMRI as a function of sample size | |
| Anzellotti et al. | Multivariate pattern dependence | |
| US20190015052A1 (en) | Machine-learning-based denoising of doppler ultrasound blood flow and intracranial pressure signal | |
| Kuznetsov et al. | Power considerations for the application of detrended fluctuation analysis in gait variability studies | |
| Vasilev et al. | q-Space novelty detection with variational autoencoders | |
| Polzehl et al. | Structural adaptive segmentation for statistical parametric mapping | |
| Qiao et al. | Ternary-task convolutional bidirectional neural turing machine for assessment of EEG-based cognitive workload | |
| JP2023093605A (ja) | 形態学的および血管周囲疾患の複合評価 | |
| Mitchell-Heggs et al. | Neural manifold analysis of brain circuit dynamics in health and disease | |
| Sip et al. | Evidence for spreading seizure as a cause of theta-alpha activity electrographic pattern in stereo-EEG seizure recordings | |
| Utsumi et al. | Meta-weighted gaussian process experts for personalized forecasting of AD cognitive changes | |
| Wang et al. | Clustering ECG heartbeat using improved semi‐supervised affinity propagation | |
| van Gerven et al. | Current advances in neural decoding | |
| Raghu et al. | Contrastive pre-training for multimodal medical time series | |
| CN116363404B (zh) | 一种识别和量化脑自发活动预测性地图样表征的方法 | |
| Bernardino et al. | Reinforcement learning for active modality selection during diagnosis | |
| Kim et al. | Incremental expectation maximization principal component analysis for missing value imputation for coevolving EEG data | |
| Zhu et al. | Merging Student’st and Rayleigh distributions regression mixture model for clustering time-series | |
| Kang et al. | Deep Learning Based on ResNet-18 for Classification of Prostate Imaging-Reporting and Data System Category 3 Lesions | |
| KR20230019248A (ko) | 뇌 영역의 간질을 추론하는 방법 | |
| KR20220069196A (ko) | 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크 | |
| Noè | Bayesian nonparametric inference in mechanistic models of complex biological systems | |
| Polzehl et al. | Functional Magnetic Resonance Imaging | |
| Fisher et al. | Structured Estimation of Heterogeneous Time Series |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |