[发明专利]一种利用人工神经网络模型对视觉刺激解码方法

说明书

本发明公开了一种利用人工神经网络模型对视觉刺激解码方法，包括S1、获取fMRI数据作为原始数据；S2、对采集原始数据进行转换和预处理获得数据更新集；S3、对数据更新集中数据进行多余数据删除和选取脑区ROI数据获得脑区数据集；S4、对脑区数据集进行特征特征选择和标准化获得脑区分类数据集；S5、采用多层感知机对脑区分类数据集进行分类输出分类准确率，利用多层感知机对fMRI数据进行分类，以达到对视觉刺激解码的目的。

技术领域

本发明涉及认知科学领域，具体涉及利用利用人工神经网络模型对视觉刺激解码方法。

背景技术

视觉是人类接受外界信息的最主要来源之一。在繁杂的社会环境中，人类可以依靠视觉识别物体，鉴别危险，因此这种识别能力于人类而言具有很强的生存意义。随着脑科学和认知科学的发展，人们对于物体识别在大脑中的运行机制有了浓厚的兴趣，有关训练分类机制的研究迅速展开，国内外学者也在神经系统的水平上对大脑中的神经机制进行了深入研究。不仅如此，人工智能、信息科学等领域对视觉在大脑中的处理机制也展现了强烈的兴趣，如脑机接口、人工视觉等。已经有越来越多的研究表明，当接收到不同种类事物的视觉刺激时，人脑会有不同的激活模式。fMRI(功能磁共振成像)为我们在计算水平上研究视觉解码提供了技术支持。利用该技术可以记录不同视觉刺激下脑激活模式的数据，然后利用这些数据对大脑的认知状态进行解码，该过程通常被称之为“读脑”。在认知科学领域中，利用fMRI数据探究不同视觉物体刺激下人脑激活模式，进而实现视觉物体解码是一个重要的任务。有关视觉解码的大脑激活模式的研究分为三个层次：分类、识别和重构。分类与识别构成了重构的基础。本研究中主要是利用多层感知机建立视觉刺激解码模型，以解码精度作为评价指标，对不同视觉刺激下的fMRI数据进行分类。分类实现了对外界不同视觉刺激类别的解码，反映了刺激类别与大脑认知模式的映射关系。进一步的，这种分类也有助于进一步探究大脑不同区域对应的不同功能，从而进一步理解大脑内部的视觉处理机制。

fMRI作为一种新兴的神经影像学技术，具有可重复性、无损伤性、无侵入性等优点，并且有较高的空间分辨率和时间分辨率。目前主要应用在人或动物的脑或脊髓。该技术通过测量局部血氧水平依赖(BOLD)的变化，可以实现对神经代谢活动旺盛区域的准确定位。当人脑接收到不同类别的视觉事物的刺激时，不同大脑区域的神经代谢活动情况不同，导致对应区域的血氧水平依赖会发生改变。利用该技术可以定位这样的脑区，即得到不同类别视觉刺激主要激活的大脑区域。同时结合多元数据分析的数学方法，可以提取不同刺激下大脑活动的时空特性并分析，就可以实现对fMRI数据的分类，即实现对不同种类的视觉刺激的解码。本研究中利用fMRI技术结合多体素模式分析(MVPA)方法，建立大脑对视觉刺激的解码模型。

在数据的处理方法上，传统的方法是利用单变量分析，在每个体素上建立一个基于假设驱动的广义线性模型，利用t检验判断该体素在一定的显著性水平上是否与某个任务是显著相关的，进而可以得到该任务下很多体素构成的显著性区域。这种方法的缺点是它将每个体素单独分析，没有考虑到体素之间的相关性，但事实上大脑中的体素在某些状态下是彼此相关的，尤其是空间上相邻的体素可能具有更强的相关性。为了在研究中不丢失这一部分的关联信息，本研究中使用多体素模式分析方法。该方法充分考虑了体素间的相关性，并且可以根据大脑模式识别大脑的认知状态，所以经常被应用于物体分类的问题上。fMRI数据具有特征数庞大，影响因素多等特征，MVPA将机器学习的方法应用到fMRI数据上，能够提取体素之间或者脑区之间的关联信息，进而识别不同的大脑激活模式，因此具有较大优势。MVPA通常包括数据选取、特征选择、选择分类器和分类性能测试等过程。