[发明专利]一种人脑活动中自然图像贝叶斯重建的方法

权利要求书

1.一种人脑活动中自然图像贝叶斯重建的方法，其特征在于：首先通过应用两个编码模型结构编码模型和语义编码模型；从测量的响应中提取关于目标图像的信息；接着，确定关于自然图像的先验信息，其中使用自然图像先验、稀疏Gabor先验和扁平先验；最后，通过使用贝叶斯框架来结合体素、结构和语义编码模型以及图像先验信息来获得重构。

2.根据权利要求1所述的人脑活动中自然图像贝叶斯重建的方法，其特征在于：所述人脑活动中自然图像贝叶斯重建的方法的具体步骤如下：

Step1、选择被试，让其观看一组目标图像同时进行磁共振扫描记录大脑的BOLD信号；

Step2、对记录到的BOLD信号进行预处理，包括时间层校正、头动校正、空间标准化去除伪迹；

Step3、应用两个编码模型，结构编码模型和语义编码模型，从测量的响应BOLD信号中提取关于目标图像的体素；

Step4、确定关于目标图像的先验信息；先验信息包括自然图像先验、稀疏Gabor先验和扁平先验；

Step5、通过使用贝叶斯框架来结合体素，结构和语义编码模型以及先验信息来获得重构。

3.根据权利要求2所述的人脑活动中自然图像贝叶斯重建的方法，其特征在于：所述Step1中，目标图像是从自然图像数据库中随机选择的灰度照片；功能磁共振成像切片覆盖范围包括早期视觉区域V1，V2和V3、中间视觉区域V3A，V3B，V4和外侧枕叶标记为LO、枕外侧枕前皮层，称为AOC。

4.根据权利要求2所述的人脑活动中自然图像贝叶斯重建的方法，其特征在于：所述Step3中，编码模型用数学方法表示为后验分布p(r|s)；

其中r是测量的响应，s是目标图像；它给出测量的响应r由目标图像s引起的可能性；功能不同的视觉区域以不同的编码模型为特征，因此基于来自多个视觉区域的响应的重建将针对每个区域使用不同的编码模型。

5.根据权利要求2所述的人脑活动中自然图像贝叶斯重建的方法，其特征在于：所述Step3中，结构编码模型采用基于Gabor小波的结构编码模型，用于从早期视觉区域中的单个体素中提取信息；在结构编码模型下，体素对目标图像s的反应的可能性取决于其沿空间，方向和空间频率维度的调整；该模型包括一组能调整以适应单个体素的特定调整的权重；使用坐标下降优化算法，这个过程为每个体素产生一个单独的结构编码模型p₁(r|s)；然后利用T检验选择特征明显的体素以用于重建，然后将每个选定体素的单独的结构模型组合成一个多体素结构编码模型p(r|s)。

6.根据权利要求2所述的人脑活动中自然图像贝叶斯重建的方法，其特征在于：所述Step3中，语义编码模型用于描述目标图像激活脑区细节内容部分中的体素如何编码关于自然场景的信息；

语义编码模型的具体步骤如下：

(1)、首先对所有目标图像用语义类别名称进行标记，这些类别之间相互排斥，以便观察者能够为每一幅目标图像分配一个最能描述它的类别；

(2)、由于语义编码模型是从语义类别C、体素响应R和潜在变量Z的联合分布中导出的，潜在变量Z将语义范畴与响应联系起来，对于给定值潜在变量Z，假设体素响应R是高斯分布，而语义类别C是遵循多项式分布的；为了估计一个体素的联合分布的参数，先观察模型估计集中的所有试验的语义类别和响应，并应用期望最大化算法EM；为了预测体素响应，只观察语义类别C并对隐藏状态进行积分，以获得可能的响应的分布p(r|c)，该条件分布是语义编码模型，将该分布的均值作为体素的预测响应；

其中，模型将语义类别C、体素响应R和潜在变量Z这些变量上的联合分布指定为：

P(r,c,z)＝p(z)p(c|z)p(r|z) (1)

其中，p(z)表示潜在变量Z的先验，p(c|z)表示C和Z相关的多项分布，p(r|z)表示高斯体素响应分布；

为了获得语义编码模型p(r|c)，整合了潜在变量Z并规范化：

其中，p(c)表示语义类别c的先验，其它参照公式(1)，K表示目标图像的个数采用期望最大化算法EM来估计上述分布的参数。