基于fMRI 的脑活动状态解码方法研究(4)
1.3 本课题国内外研究现状
对于fMRI数据的预处理，一般采用SPM或AFNI等经典软件，目前方法较为统
一，只是根据不同的仪器扫描情况和实验设计确定具体的参数。
另一方面，对于fMRI脑活动解码方法的研究可分为两大类：静态和动态。
静态fMRI主要目的在于研究某些疾病的作用机理和人类大脑的功能区联接情况，
被试者躺在核磁共振扫描仪中，无需进行任何思考，其脱离了传统fMRI研究中的
实验设计的环节，但是想要挖掘出有用的信息一直是一个难点，近几年来静态
fMRI研究已经成为脑科学的热点，国内北师大的团队就致力于静态fMRI研究并已
经开发了相关的工具包。而动态fMRI研究即通过实验设计，对被试者大脑进行刺
激从而获得有用的信息，这也是本文的主要研究方向，其核心的解码主要有两类
方法：模型驱动的参数方法和数据驱动的非参数方法。
(1) 模型驱动的参数方法
模型驱动的参数方法主要有三种模型：一般线性模型(general linear model，
简称GLM)[2]、反卷积模型(deconvolution model)[3]、非线性模型(nonlinear
model)[6]
。由Friston等人提出的GLM是目前较为常用的一种参数方法，实现GLM
模型的软件就是SPM。具体的说，假设每个体元上的时间序列由神经活动函数与
血液动态响应函数的卷积加上噪声的线性模型构成，在给出神经活动模型及其基
函数、血液动态响应函数和噪声模型的条件下，算法用预处理后的数据估计线性
模型中的参数，并根据这些参数值判定对应的体元是否被激活。反卷积模型与GLM
有类似的结构，只是用刺激响应函数代替了GLM中的血液动态响应函数，并且通
过估计求得刺激响应函数。
这些方法一般都是单元的，即假设各个研究区域之间是独立没有联系的，但
也得到了一些很有价值的研究结果。例如，发现了在人类大脑腹侧视觉流中的梭
形脸部区域（fusiform face area (FFA)），其对于人脸的反应强度明显强于其
它任何事物[5,6]
。类似的，发现了位于海马旁回中对于包含房屋和视觉景观反应
强烈的海马区域（parahippocampal place area (PPA)）[7]
。这些研究对于人类
认知自己的大脑功能有很大的贡献。这些在解剖学上明显独立的模块使得对于单
独大脑区域的解码十分有力，对于身体某一部分、字母等其它事物也有类似人脸
和房屋的结果。然而，这些特定模块的数量毕竟是有限的，并且这些区域用来特
定处理这些事物的程度也是未知的[8]。
（2）数据驱动的非参数方法
这种方法也就是分类器驱动方法，基本是把多元统计学、机器学习中已有的
方法直接用于fMRI数据处理，得到一些有意义的结果，然后根据脑认知科学的知
识合理地解释这些结果。或者用已知的训练样本进行训练，得到相应分类器，随
后用该分类器来进行脑部活动的预测。
不同于之前的只能处理单个区域的方法，通过有力的模式分类的算法，可以
实现多体元活动模式的研究，从而解码出大脑活动模式的信息，也可以叫多体元
模式分析(multi-voxel pattern analysis (MVPA))。相比于单体元法，其具有
以下优势： ①每个位置很少的可用信息可以通过很多空间位置有效率的积累起来。
②两个单独的大脑区域不能独立代表什么信息时，他们联合在一起时也许能够有
所作为。③很多常规的研究运用了一些数据处理步骤（例如空间平滑化），使得
一些可能承载了有关个体感知或认知状态的信息丢失。在常规分析中这些信息被
下一篇：矩阵分解方法的讨论+文献综述