王工書(shū)，任尊曉，李丹丹，相 潔，王 彬

1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原 030000

2.太原理工大學(xué) 大數(shù)據(jù)學(xué)院，太原 030000

1 引言

人類的大腦是身體中最復(fù)雜的器官。神經(jīng)元是大腦中信號(hào)處理的基本單位，主要是通過(guò)電信號(hào)和化學(xué)信號(hào)進(jìn)行活動(dòng)。正是大腦中上億的神經(jīng)元共同協(xié)作工作才使人們擁有意識(shí)并且完成各種復(fù)雜的認(rèn)知活動(dòng)[1]。人們對(duì)大腦的活動(dòng)和認(rèn)知機(jī)制探索的需求促進(jìn)了功能磁共振成像（fMRI）技術(shù)的迅速發(fā)展。fMRI技術(shù)的發(fā)展為腦科學(xué)的研究提供了很多的捷徑，人們將fMRI 技術(shù)結(jié)合統(tǒng)計(jì)分析理論方法來(lái)探索大腦，研究大腦功能。任務(wù)態(tài)fMRI是在采集數(shù)據(jù)的同時(shí)要求被采集者執(zhí)行一些實(shí)驗(yàn)范式，比如簡(jiǎn)單的記憶任務(wù)、識(shí)別任務(wù)等等。對(duì)大腦認(rèn)知機(jī)制、記憶機(jī)制的研究以及各種精神疾病的研究有著重要的意義[2]。

任務(wù)態(tài)fMRI研究方向主要是腦功能激活分析。廣義線性模型（Generalized Linear Model，GLM）是最常用的方法之一，它將被測(cè)血流動(dòng)力學(xué)信號(hào)與受控實(shí)驗(yàn)變量關(guān)聯(lián)起來(lái)[3]。在分析任務(wù)態(tài)fMRI數(shù)據(jù)時(shí)，使用廣義線性模型對(duì)fMRI 數(shù)據(jù)中每個(gè)體素結(jié)合實(shí)驗(yàn)范式進(jìn)行計(jì)算，來(lái)反映體素在任務(wù)條件下的激活強(qiáng)度[4]。以往的研究多分析大腦隨著任務(wù)條件改變產(chǎn)生的激活強(qiáng)度的差異，進(jìn)而分析大腦認(rèn)知功能。這些研究利用任務(wù)態(tài)fMRI在神經(jīng)影像學(xué)方面取得了重大的突破。但是這些方法都是在一些特定的任務(wù)條件下，選取一些功能重要、活躍性較強(qiáng)的腦區(qū)作為研究對(duì)象，并分析出大腦工作及其異常表相的腦機(jī)制。

近年來(lái)，越來(lái)越多的研究發(fā)現(xiàn)在特定任務(wù)下，大腦激活腦區(qū)中的體素呈現(xiàn)不同的激活強(qiáng)度。這些體素的激活反應(yīng)大腦對(duì)任務(wù)激活模式，能更加準(zhǔn)確地反映大腦認(rèn)知狀態(tài)。據(jù)此，Norman 等人選擇特定區(qū)域內(nèi)的體素的激活作為特征，使用SVM進(jìn)行分類，判斷被試正在看鞋子還是瓶子。結(jié)果表明用體素作為特征，可以很好地區(qū)分不同任務(wù)[5]。Kay等人設(shè)計(jì)了觀察大自然圖片的實(shí)驗(yàn)范式，在實(shí)驗(yàn)執(zhí)行時(shí)進(jìn)行fMRI數(shù)據(jù)采集，使用金字塔Gabor 小波模型（Gabor wavelet pyramid model）進(jìn)行fMRI數(shù)據(jù)分類，依此判斷被試觀看什么圖像，分類準(zhǔn)確率在82%到92%之間[6]。相潔等人使用任務(wù)激活較強(qiáng)的區(qū)域的血氧水平變化值和時(shí)間序列作為特征對(duì)任務(wù)進(jìn)行分類，并找出分類性能較好的體素[7]。Lange 等人提出應(yīng)用廣義學(xué)習(xí)矢量量化器對(duì)fMRI 數(shù)據(jù)進(jìn)行分析，判斷任務(wù)的類型，準(zhǔn)確率在74%到76%之間[8]。Wang等人設(shè)計(jì)了觀看房屋圖片和人臉圖片的實(shí)驗(yàn)范式，使用支持向量機(jī)進(jìn)行分類，并研究了觀看圖片角度對(duì)分類準(zhǔn)確率的影響[9]。這些研究通常選取一些功能重要、活躍性較強(qiáng)的腦區(qū)中的體素作為特征進(jìn)行任務(wù)分類，以發(fā)現(xiàn)能表征任務(wù)狀態(tài)的腦區(qū)及激活模式。這些基于分類算法的大腦激活的模式識(shí)別研究根據(jù)不同任務(wù)激活間的差異進(jìn)行任務(wù)區(qū)分，具有較高的分類準(zhǔn)確率，被應(yīng)用于思維解碼的研究中，通過(guò)大腦局部區(qū)域的激活來(lái)預(yù)測(cè)人類的思維。但是，因?yàn)榉诸惸Ｐ团c特征數(shù)據(jù)密切相關(guān)[10]，僅僅分類準(zhǔn)確率不能很好地區(qū)分腦區(qū)激活模式對(duì)任務(wù)表征的好壞。特別是不同腦區(qū)具有不同的特征數(shù)量（體素），不能對(duì)準(zhǔn)確率直接比較。

為了能更好地探索腦激活模式與任務(wù)間的關(guān)系，提出了任務(wù)區(qū)分度這一全新概念用于描述大腦中各個(gè)腦區(qū)對(duì)任務(wù)的表征性能，并提出一種腦激活任務(wù)區(qū)分度的計(jì)算方法，用于任務(wù)態(tài)fMRI 分析。大量的研究表明雖然大腦結(jié)構(gòu)復(fù)雜，且大腦的各個(gè)腦區(qū)和神經(jīng)元活動(dòng)等方面與認(rèn)知活動(dòng)密切相關(guān)。但是在特定腦區(qū)中，相同和相似任務(wù)的大腦激活模式具有較高相似性，差別較大任務(wù)的腦激活則具有較低的相似性[11]。例如：物體視覺(jué)刺激任務(wù)在腹側(cè)視覺(jué)皮層有廣泛的激活，然而視覺(jué)運(yùn)動(dòng)刺激則在背側(cè)視覺(jué)皮層有廣泛的激活[1]。相似性度量是利用統(tǒng)計(jì)學(xué)方法分析兩組特征的相似程度，例如相關(guān)系數(shù)分析，包括皮爾遜相關(guān)系數(shù)、斯皮爾曼相關(guān)系數(shù)和肯德?tīng)栂嚓P(guān)系數(shù)等；距離分析，包括歐氏距離、馬氏距離、切比雪夫距離和余弦相似度等。相似性度量可以直觀地反應(yīng)出兩組特征間相近程度，并且具有較高的可信度。因此使用相似性度量的算法在體素水平上對(duì)不同的任務(wù)激活進(jìn)行分析，可以表示任務(wù)間腦激活模式的相似度，反映腦區(qū)對(duì)任務(wù)表征性能，以揭示任務(wù)范式的腦機(jī)制。

該方法使用相同條件間的腦激活相似性與不同條件間的腦激活相似性之間的差異來(lái)表示大腦執(zhí)行不同任務(wù)時(shí)激活模式的區(qū)分程度。差異較大表明該腦區(qū)對(duì)這些任務(wù)表征較好，差異較小表明該腦區(qū)對(duì)這些任務(wù)的表征較差。該計(jì)算方法為任務(wù)態(tài)fMRI的研究提供了新的研究思路，為大腦各個(gè)區(qū)域的功能和思維解碼的研究提供了有力的幫助。本研究中的實(shí)驗(yàn)使用了皮爾遜相關(guān)分析、余弦相似度分析和歐幾里德距離計(jì)算這3種相似性度量方法分析研究記憶提取任務(wù)的腦區(qū)激活模式，并進(jìn)一步對(duì)狂躁癥患者和正常人的任務(wù)區(qū)分度結(jié)果進(jìn)行比較分析。最后將本文的結(jié)果與SVM算法的結(jié)果進(jìn)行了比較。

2 數(shù)據(jù)采集與處理

2.1 數(shù)據(jù)采集

本實(shí)驗(yàn)的MRI 數(shù)據(jù)集來(lái)自UCLA 精神疾病學(xué)研究協(xié)會(huì)，并通過(guò)公共數(shù)據(jù)庫(kù)OpenfMRI 獲得。實(shí)驗(yàn)使用了45個(gè)狂躁癥患者和55個(gè)身體健康正常人作為被試。

2.2 實(shí)驗(yàn)范式

情景記憶任務(wù)是一個(gè)經(jīng)典的研究大腦記憶功能的實(shí)驗(yàn)范式。首先進(jìn)行記憶編碼，屏幕上每隔一段時(shí)間出現(xiàn)一個(gè)單詞和一張圖片的組合一共24組。記憶完成之后參與者躺在核磁共振儀中進(jìn)行記憶提取，屏幕上間接性地出現(xiàn)72 組圖片，其中24 組是圖片記憶時(shí)出現(xiàn)過(guò)的組合正確圖片，另外24 組是組合打亂的陌生圖片。每組圖片出現(xiàn)同時(shí)，屏幕下方有四個(gè)選項(xiàng)：“確定正確”“可能正確”“可能不正確”和“確定不正確”，讓被試進(jìn)行選擇，依此來(lái)判斷被試的記憶情況。剩下24 組圖片的作用是“對(duì)照任務(wù)”，這些圖片上只顯示數(shù)字1、2、3或4，屏幕下方有1、2、3、4 這4 個(gè)選項(xiàng)，被試看到數(shù)字后選擇對(duì)應(yīng)的選項(xiàng)按鈕。這3種圖片在屏幕上隨機(jī)順序出現(xiàn)，在整個(gè)實(shí)驗(yàn)執(zhí)行的期間對(duì)所有被試的大腦進(jìn)行掃描，實(shí)驗(yàn)范式如圖1（a）所示。本次研究中將采用記憶提取任務(wù)的數(shù)據(jù)進(jìn)行分析和研究。

2.3 數(shù)據(jù)預(yù)處理

使用 Matlab 和 Statistical Parametric Mapping 12（SPM12）對(duì)原始fMRI進(jìn)行預(yù)處理。預(yù)處理步驟包括時(shí)間校正、頭動(dòng)校正、去除線性漂移、去除白質(zhì)和腦脊液等協(xié)變量、高斯平滑和濾波處理。預(yù)處理的目的是去除一些干擾因子，提高數(shù)據(jù)的準(zhǔn)確性。

2.4 提取體素Beta值

fMRI數(shù)據(jù)預(yù)處理完成后，使用廣義線性模型（GLM）對(duì)體素的時(shí)間序列進(jìn)行處理。GLM模型使用典型的血流動(dòng)力學(xué)反應(yīng)函數(shù)（Hemodynamic Response Function，HRF）根據(jù)任務(wù)的起始時(shí)間對(duì)體素的每段時(shí)間序列計(jì)算，來(lái)預(yù)測(cè)每次任務(wù)誘發(fā)的大腦激活。每個(gè)體素將得到一系列Beta值，即體素每次任務(wù)下的激活水平。本實(shí)驗(yàn)中每個(gè)被試得到一個(gè)27 474（體素）×72（任務(wù)）的Beta矩陣。然后，基于Human Connectome Projec（tHCP）模版在把所有體素進(jìn)一步劃分為360個(gè)腦區(qū)[12]。

2.5 功能網(wǎng)絡(luò)劃分

根據(jù)Sadaghiani 等人的研究按照功能類型將所有腦區(qū)劃分為14個(gè)功能網(wǎng)絡(luò)，本實(shí)驗(yàn)對(duì)其中7個(gè)關(guān)鍵網(wǎng)絡(luò)進(jìn)行研究：視覺(jué)網(wǎng)絡(luò)（VIS）、軀體運(yùn)動(dòng)網(wǎng)絡(luò)（SMN）、鎖骨網(wǎng)絡(luò)（CON）、默認(rèn)網(wǎng)絡(luò)（DMN）、額頂網(wǎng)絡(luò)（FPN）、聽(tīng)覺(jué)網(wǎng)絡(luò)（AUD）、背側(cè)注意網(wǎng)絡(luò)（DAN）[13]。

3 腦激活任務(wù)區(qū)分度分析

3.1 任務(wù)區(qū)分度計(jì)算模型

相似性度量是指利用統(tǒng)計(jì)學(xué)方法評(píng)定兩組向量之間相似程度。相同條件激活的相似度與不同條件激活之間的相似度的差值作為任務(wù)區(qū)分度。區(qū)分度越大表示大腦對(duì)不同任務(wù)的表征性能越好。腦激活相似度計(jì)算的模型示意圖如圖1（b）所示，具體方法如下：

圖1 實(shí)驗(yàn)流程

其中，I表示執(zhí)行的任務(wù)總次數(shù)（在該實(shí)驗(yàn)中I為72），simil表示計(jì)算兩個(gè)序列之間的相似度，Bi表示在實(shí)驗(yàn)中進(jìn)行第i次任務(wù)時(shí)某腦區(qū)所有體素的任務(wù)激活，即Beta序列。Bsame表示與i任務(wù)的規(guī)則相一致的任務(wù)的平均Beta序列。Bdiffn表示不同任務(wù)規(guī)則的平均Beta序列（本實(shí)驗(yàn)中N=2，因?yàn)閷?shí)驗(yàn)包括3 種規(guī)則，每個(gè)任務(wù)都對(duì)應(yīng)2 種不同規(guī)則）。用TDB表示某區(qū)域任務(wù)區(qū)分度，公式如下：

之后將TDB進(jìn)行單樣本T 檢驗(yàn)，TDB大于0，說(shuō)明SameB和DiffB之間存在著差異。

3.2 相似性度量方法

本文提出的任務(wù)區(qū)分度是以相似性度量為基礎(chǔ)。相似性度量的方法有很多種，每種方法都有各自的優(yōu)勢(shì)。為了找出適合腦激活區(qū)分度計(jì)算模型的相似性度量方法，采用3 種不同類型的相似性度量方法，包括皮爾遜相關(guān)分析、余弦相似度分析和歐幾里德距離計(jì)算。皮爾遜相關(guān)系數(shù)計(jì)算公式如下：

其中，xi表示x變量中第i個(gè)值，xˉ表示x變量的平均值，yi表示y變量的第i個(gè)值，yˉ表示y變量的平均值，n表示變量的長(zhǎng)度。其中x,y變量的長(zhǎng)度必須相同。r的范圍為-1 到1，負(fù)值表示負(fù)相關(guān)，正值表示正相關(guān)，r的值越大表示相關(guān)性越強(qiáng)。余弦相似度計(jì)算公式如下：

xi表示x變量中第i個(gè)值，yi表示y變量中的第i個(gè)值。余弦相似度是計(jì)算兩個(gè)向量間夾角的余弦值，得到的余弦值越大說(shuō)明相兩個(gè)變量的相似度越高。歐幾里德距離又稱為歐氏距離，計(jì)算公式如下：

其中，xi表示x變量中第i個(gè)值，yi表示y變量中的第i個(gè)值。d越小說(shuō)明兩個(gè)變量間的空間距離越近相似度越高。如果使用歐氏距離作為相似性度量算法，SameBDiffB得到的大部分都是負(fù)值，為了便于3種方法間的比較，將使用歐氏距離算出的結(jié)果取相反數(shù)（即取-TDB為任務(wù)區(qū)分度）。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 模型的準(zhǔn)確性

利用本研究提出的基于腦激活區(qū)分度的任務(wù)態(tài)fMRI 計(jì)算模型，分析了正常人和狂躁癥患者的大腦情景記憶任務(wù)的fMRI 數(shù)據(jù)，計(jì)算了各個(gè)腦區(qū)的任務(wù)區(qū)分度。選取閾值為p＜0.001（單樣本T檢驗(yàn)，Bonferroni矯正）來(lái)判斷腦區(qū)對(duì)任務(wù)區(qū)分能力的顯著性。腦區(qū)已經(jīng)按照所屬的功能網(wǎng)絡(luò)標(biāo)簽進(jìn)行分組排序（圖2）。研究結(jié)果表明正常人和狂躁癥患者在顳下回、尾狀核、舌回、嗅皮質(zhì)等區(qū)域存在顯著的任務(wù)區(qū)分度，表明各個(gè)任務(wù)條件間的激活模式存在明顯差異。這些腦區(qū)與大腦記憶提取狀態(tài)存在顯著的關(guān)聯(lián)性[14-17]。圖2（c）描述了正常人和狂躁癥患者在角回、顳上回等區(qū)域存在顯著差異（雙樣本T檢驗(yàn)，p＜0.05），這些區(qū)域與疾病的病發(fā)密切相關(guān)[18-20]。為了更直觀地表示結(jié)果便于分析，計(jì)算了圖2中各個(gè)功能網(wǎng)絡(luò)內(nèi)顯著腦區(qū)所占比例和網(wǎng)絡(luò)的平均T值，分別如表1和圖3所示。

圖2 任務(wù)區(qū)分度計(jì)算結(jié)果

表1 子網(wǎng)絡(luò)中顯著區(qū)域比例 %

圖3 網(wǎng)絡(luò)的平均T 值

觀察表1（狂躁癥患者和正常人）和圖3（a）、（b）發(fā)現(xiàn)FPN、DAN、CON 和DMN 這四個(gè)網(wǎng)絡(luò)內(nèi)的顯著腦區(qū)百分比和平均T值要明顯高于其余網(wǎng)絡(luò)。該結(jié)果與之前大腦認(rèn)知記憶科學(xué)的研究發(fā)現(xiàn)相一致。CON、FPN、DAN和DMN這4個(gè)網(wǎng)絡(luò)與認(rèn)知控制密切相關(guān)。CON、FPN和DAN在大腦進(jìn)行記憶、信息處理、保持注意力等方面起著重要的作用，主導(dǎo)著大腦的思維活動(dòng)[21-23]，在處理不同認(rèn)知任務(wù)時(shí)激活模式有顯著的不同，所以這3個(gè)網(wǎng)絡(luò)的任務(wù)區(qū)分能力最強(qiáng)。DMN在大腦處于靜息態(tài)或進(jìn)行自我思考時(shí)活躍性較高，而與外界交互，進(jìn)行認(rèn)知、記憶等任務(wù)時(shí)活躍性較低[24]，本文的實(shí)驗(yàn)范式分為認(rèn)知任務(wù)和對(duì)照任務(wù)（不進(jìn)行認(rèn)知活動(dòng)，更多的是本能的反應(yīng)），因此也表現(xiàn)出較強(qiáng)的任務(wù)區(qū)分能力。VIS 和SMN分別用來(lái)處理視覺(jué)信息和觸覺(jué)信息但基本不參與認(rèn)知任務(wù)，因此在實(shí)驗(yàn)中有較強(qiáng)的活躍性，但激活模式變化較少對(duì)認(rèn)知任務(wù)的區(qū)分度相比其他網(wǎng)絡(luò)較弱。整個(gè)實(shí)驗(yàn)都沒(méi)有涉及到聽(tīng)覺(jué)任務(wù)，因此AUD 活躍性較低沒(méi)有表現(xiàn)出任務(wù)區(qū)分能力?？傊蝿?wù)區(qū)分度可以精確地表示出各個(gè)腦區(qū)對(duì)任務(wù)表征能力，可廣泛應(yīng)用于各種任務(wù)態(tài)腦功能分析。

從表1中的組間比較和圖3（c）的結(jié)果中看出FPN、DMN 和CON 這3 個(gè)網(wǎng)絡(luò)的顯著腦區(qū)百分比和平均T要顯著高于其他網(wǎng)絡(luò)，表明在這3個(gè)網(wǎng)絡(luò)中狂躁癥患者與正常人相比任務(wù)的區(qū)分能力有顯著的變化，這個(gè)結(jié)果與之前狂躁癥的相關(guān)研究發(fā)現(xiàn)的結(jié)論相符。Dost 的研究表明，狂躁癥患者DMN 中的一些區(qū)域的結(jié)構(gòu)和正常人相比表現(xiàn)出異常的現(xiàn)象[25-26]。Baker發(fā)現(xiàn)，與正常人相比狂躁癥患者在FPN 額頂葉控制網(wǎng)絡(luò)中的功能連接性顯著減少，發(fā)生中斷顯現(xiàn)；DAN中的功能拓?fù)浣Y(jié)構(gòu)發(fā)生很大的變化[27]?？裨臧Y患者的這3個(gè)網(wǎng)絡(luò)所包括的腦區(qū)的結(jié)構(gòu)和功能連接發(fā)生了改變，導(dǎo)致這些腦區(qū)在處理任務(wù)時(shí)產(chǎn)生異常的激活模式，從而影響到認(rèn)知能力。上述的結(jié)果分析證明了任務(wù)區(qū)分度能應(yīng)用于發(fā)現(xiàn)神經(jīng)精神類疾病的腦功能異常。

4.2 相似性度量方法的比較

綜合比較表1 和圖3 中3 種相似性分析方法的結(jié)果。發(fā)現(xiàn)無(wú)論是各個(gè)網(wǎng)絡(luò)顯著區(qū)域百分比還是平均T值，歐氏距離計(jì)算的結(jié)果最差，余弦相似度分析的結(jié)果較好，皮爾遜相關(guān)分析的結(jié)果最好。歐氏距離可以直觀地表示兩個(gè)向量在空間上的距離，但是它將樣本中不同屬性之間的差異等同看待[28]，而大腦中的各部分的結(jié)構(gòu)都存在著差異即使是同屬于一個(gè)腦區(qū)，每個(gè)體素的激活范圍都不相同，將它們之間的差異同等看待必然會(huì)對(duì)結(jié)果產(chǎn)生很大的影響[29-30]，所以歐氏距離算出的結(jié)果的準(zhǔn)確性最低。余弦相似度對(duì)兩個(gè)向量的長(zhǎng)度歸一化，主要通過(guò)向量的方向間的角度來(lái)衡量相似度[28]。它主要考慮了Beta 序列方向間的差異，而忽略了數(shù)值間的差異。因此在分析不同數(shù)據(jù)時(shí)只要角度相似，就會(huì)計(jì)算出相似的結(jié)果，這也是進(jìn)行組間比較時(shí)余弦相似度準(zhǔn)確性較低的原因。皮爾遜相關(guān)分析是在余弦相似度的基礎(chǔ)上進(jìn)行了修正[31]，如今在醫(yī)學(xué)信號(hào)、電信號(hào)和生物信號(hào)等領(lǐng)域被廣泛運(yùn)用。它不僅考慮Beta 序列之間方向上的差異還考慮了每個(gè)數(shù)值上的差異，因此結(jié)果的準(zhǔn)確性最高。通過(guò)實(shí)驗(yàn)的結(jié)果和多方面的分析得出這樣的結(jié)論：使用皮爾遜相關(guān)分析對(duì)大腦任務(wù)激活進(jìn)行分析可以科學(xué)、準(zhǔn)確地表示出大腦各個(gè)腦區(qū)的任務(wù)區(qū)分度，而且可以發(fā)現(xiàn)不同類型人群腦區(qū)任務(wù)區(qū)分度間的差異，為一些精神類疾病的研究提供了新的思路。

4.3 任務(wù)區(qū)分度計(jì)算與SVM方法的比較

任務(wù)區(qū)分度計(jì)算本文提出的一種全新方法，之前還沒(méi)有類似的研究。為了證明任務(wù)區(qū)分度算法在描述腦區(qū)對(duì)任務(wù)表征能力時(shí)的優(yōu)越性，又使用任務(wù)態(tài)fMRI 研究中常用到的SVM 方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了計(jì)算，作為對(duì)比。將各個(gè)腦區(qū)所包含體素的Beta值依次作為特征，使用SVM多分類模型對(duì)不同任務(wù)分類。雖然分類準(zhǔn)確率與任務(wù)區(qū)分度結(jié)果無(wú)法做直接比較，但可以通過(guò)兩種方法算出的結(jié)論評(píng)估方法的好壞。圖4（a）、（b）和（c）分別表示基于3 種不同相似性度量方法計(jì)算出的各個(gè)腦區(qū)的任務(wù)區(qū)分度的分布（圖2（a）和（b）中結(jié)果），圖4（d）表示使用各個(gè)腦區(qū)作為特征的分類準(zhǔn)確率的分布（將分類準(zhǔn)確率小于33.4%的腦區(qū)視為0，因?yàn)樾∮?3.4%說(shuō)明準(zhǔn)確率小于隨機(jī)分類）。任務(wù)區(qū)分度的結(jié)果可以明顯表示出狂躁癥患者和正常人的差異，這與相關(guān)的研究一致，而分類準(zhǔn)確率的結(jié)果中沒(méi)有體現(xiàn)組間的差異。此外，認(rèn)知控制網(wǎng)絡(luò)（CON、FPN和DAN）的平均分類準(zhǔn)確率（狂躁癥患者：36.97%；正常人：38.74%）和DMN的平均分類準(zhǔn)確率（狂躁癥患者：35.57%；正常人：38.46%）基本沒(méi)有差異，這與正常結(jié)論也不一致。這個(gè)結(jié)果證明了本文的方法在描述腦區(qū)對(duì)任務(wù)區(qū)分能力時(shí)要優(yōu)于SVM 分類算法，對(duì)不同任務(wù)的激活模式的識(shí)別有較高的靈敏度。

圖4 任務(wù)區(qū)分度算法與分類算法的比較

5 結(jié)論

本文提出一種基于腦激活任務(wù)區(qū)分度計(jì)算的fMRI分析方法。該方法以相似性度量作為基礎(chǔ)，對(duì)不同條件下的腦激活進(jìn)行分析，用來(lái)評(píng)估大腦中在處理不同任務(wù)條件時(shí)腦激活模式的差異程度，揭示各個(gè)腦區(qū)對(duì)任務(wù)的表征能力。使用該方法對(duì)狂躁癥患者和正常人兩組fMRI 數(shù)據(jù)進(jìn)行分析，結(jié)果證明該算法模型可以反映出大腦中各個(gè)區(qū)域在執(zhí)行不同任務(wù)時(shí)的靈活性以及與思維狀態(tài)的關(guān)聯(lián)程度，為fMRI的研究提供了新思路，為大腦思維解碼的研究提供了有力的幫助。此外，從結(jié)果中發(fā)現(xiàn)了兩組被試的任務(wù)區(qū)分度之間的差異，表明了該技術(shù)還可以用來(lái)揭示精神類疾病的腦功能異常，有助于精神類疾病的診斷與治療。