基于靜息態(tài)腦fMRI數(shù)據(jù)的時空非線性動力學特性分析.pdf

1、作為一種無損傷、不用外源介質(zhì)和非侵入性的測量技術，核磁共振成像(MRI)為腦功能的研究提供了一種重要的手段。盡管功能核磁共振成像(fMRI)的歷史并不長，但是發(fā)展卻很快，正在逐步成為視覺、語言、工作記憶和其它認知過程腦功能研究的重要工具。
　　 本文首先利用非線性動力學的方法檢測靜息態(tài)人腦fMRI數(shù)據(jù)的時空非線性特性。采用梯度回波快速成像方法在1.5T的核磁共振成像儀上采集九個健康被試的靜息態(tài)fMRI數(shù)據(jù)，并通過相關矩陣的特征值

2、譜分析、關聯(lián)維數(shù)分析和時空Lyapunov指數(shù)分析來檢測靜息態(tài)人腦fMRI數(shù)據(jù)的時空非線性特性。通過模擬、調(diào)節(jié)AR(1)結構純噪聲數(shù)據(jù)的特征值譜，并將調(diào)節(jié)后的特征值譜與fMRI數(shù)據(jù)的特征值譜比較，獲得fMRI數(shù)據(jù)的本征維數(shù)的估計。依據(jù)所估計的本征維數(shù)，用主成分分析從fMRI數(shù)據(jù)中抽取若干主成分，這樣在保證保留準確的相動力學的基礎上，盡可能減輕計算量和降低噪聲。然后用時間延遲嵌入的方法對所取得的主成分進行相空間重構，并用Grassberg

3、er-Procaccia算法估計多變量序列的關聯(lián)維數(shù)。與此同時，對靜息態(tài)fMRI數(shù)據(jù)應用耦合映象格子(CML)方法計算時空Lyapunov指數(shù)(STLE)及其嵌入維效應和時間演化。非線性統(tǒng)計顯著性檢驗結果表明，在靜息態(tài)fMRI數(shù)據(jù)和相應的surrogate數(shù)據(jù)之間，關聯(lián)維數(shù)和時空Lyapunov指數(shù)存在著明顯的差異。而且分數(shù)關聯(lián)維數(shù)和正的時空Lyapunov指數(shù)刻畫了靜息態(tài)人腦fMRI數(shù)據(jù)的時空非線性動力學特性。這些結果表明，靜息態(tài)人腦

4、fMRI數(shù)據(jù)中存在著非線性結構，因此，結果提示靜息態(tài)fMRI的波動反映了人腦中內(nèi)在的基本神經(jīng)活動模式，不能完全歸因于噪聲。
　　 另一方面，時空Lyapunov指數(shù)的嵌入維效應及其時間演化也表明，靜息態(tài)人腦fMRI數(shù)據(jù)中存在確定性的非線性行為以及動力學特性的短暫穩(wěn)定性。而正的時空Lyapunov指數(shù)還表明靜息態(tài)人腦中存在時空混沌現(xiàn)象，而時空混沌現(xiàn)象提示體素之間的相關性并不是固定不變的，而隨著時間變化，這表明靜息態(tài)人腦中存在動態(tài)功

5、能連接和動態(tài)腦功能網(wǎng)絡。
　　 估計fMRI數(shù)據(jù)中真實的本征維數(shù)（即真實的信號數(shù)目）是一個非常重要同時又是非常困難的問題。在本文中，通過構建合適的插值變量，獲得了對一階自回歸噪聲模型中自回歸系數(shù)更合理的估計。采用基于一階自回歸噪聲模型和三次樣條插值相結合的本征維數(shù)估計新方法（AR1CSI）、基于一階自回歸噪聲模型的本征維數(shù)估計方法（AR1）和基于分形的本征維數(shù)估計法(FB)，分別對仿真數(shù)據(jù)和靜息態(tài)fMRI數(shù)據(jù)進行本征維數(shù)估計，結

6、果表明，無論在不同的體素數(shù)目、時間長度、信號數(shù)目和信噪比還是不同噪聲模型的情況下，AR1CSI的本征維數(shù)估計方法都比AR1方法及FB方法有更準確的信號數(shù)目估計。因此，AR1CSI本征維數(shù)估計方法是一種性能更為優(yōu)異的本征維數(shù)估計方法。
　　 傳統(tǒng)腦功能激活圖的檢測方法是基于廣義線性模型的，盡管該方法取得了許多重要的結果，由于該方法假定神經(jīng)刺激和fMRI響應之間呈現(xiàn)線性關系，因而存在著明顯的缺陷。當今以聚類分析為代表的數(shù)據(jù)驅(qū)動方法受

7、到了日益廣泛的重視。本文將基于數(shù)據(jù)點消息傳遞(CPMDP)的聚類分析方法引入fMRI數(shù)據(jù)的分析。為了提高聚類分析結果的可靠性，提出增加一個附加體素的思想。在fMRI數(shù)據(jù)分析中，用所有體素時間序列與神經(jīng)刺激標準響應之間的相關系數(shù)來確定附加體素。對混合數(shù)據(jù)集和聽覺刺激fMRI數(shù)據(jù)進行CPMDP聚類分析，并與k-means聚類分析方法相比，結果表明，CPMDP分析不僅不需要預先規(guī)定聚類的類數(shù)，而且聚類結果也穩(wěn)定得多，同時由于增加了附加體素，聚