基于fMRI-GCM的海员脑功能有效连接检测及应用研究

Mental sub-health status has become a common occupational disease of seafarers. Based on functional Magnetic Resonance Imaging (fMRI) and Granger Causality Model (GCM), this project is to study effective connectivity detection models of seafarers' brain regions and assessment methods for the mental health status of seafarers. Main contents include: (1) studying on fMRI signal deconvolution algorithm. In light of the characteristics of lacking a priori information of stimulation in resting-state fMRI data, developing a data-driven model of blind deconvolution in resting-state fMRI signal based on the fMRI signal wave crest; (2) carrying out the nonlinear research of the GCM model, and developing nonlinear GCM models for brain effective connectivity network detection by introducing the polynomial coefficient regression model and the neural network model respectively ; (3) studying dynamic effective connectivity detection methods of GCM, and developing a method of adaptive sliding time window which better reveals dynamic models of brain effective connectivity; (4) Doing research on a fine grading evaluation system of seafarer psychological health under the framework of fMRI-GCM analysis, and on this basis, further exploring the change trend of seafarers mental health status among different hierarchical levels. This project will bring positive significance to improve and develop brain effective connectivity detection methods, and to promote the seafarers' physical and mental health and the safety of shipping operation.

心理不良已成为海员常见职业病。本项目基于功能磁共振成像(fMRI)和格兰杰因果模型(GCM)，研究海员脑功能有效连接检测模型及海员心理健康状况评估方法。主要内容包括：（1）开展fMRI信号去卷积运算研究，并针对静息态fMRI数据缺乏任务刺激先验信息的特点，发展基于信号波峰数据驱动的静息态fMRI信号盲去卷积模型；（2）开展GCM模型的非线性研究，分别引进多项式系数回归模型和神经网络模型，发展非线性GCM脑功能有效网络检测模型；（3）研究GCM动态有效连接检测方法，发展一种自适应滑动时间窗的GCM动态有效连接检测模型，更好地揭示大脑有效连接动态性模式；（4）研究一种基于fMRI-GCM分析框架下的海员心理健康状况精细分级评估系统，并在此基础上，进一步探索不同层级水平海员心理健康状况的变化发展趋势。本项目研究将为完善和发展脑功能有效连接检测方法、促进海员身心健康和航运作业安全产生积极意义。

格兰杰（Granger）因果模型（GCM）是一种常规的脑有效连接分析模型,该模型在脑功能分析及其应用中发挥着越来越重要的作用。本项目聚焦于GCM分析模型，并针对该模型在fMRI有效连接分析中存在的若干关键问题，展开了如下主要研究：1、针对经典GCM模型缺乏揭示人脑神经活动中非线性因果关系能力的问题，提出了一种可以更大程度检测非线性Granger因果关系的BP_KFGC模型。该模型基于反向传播神经网络的核函数Granger因果关系，其中辛几何用于嵌入维度的计算，模糊推断系统用于预测时间序列，显著提升了直接因果和间接因果关系检测的能力，促进了fMRI-GCM有效连接分析的性能；2、针对GCM有效连接缺乏动态性分析的问题，研究了一种基于滑动时间窗的动态Granger因果分析模型。该研究借鉴动态功能连接中的滑动时间窗思想，实现了GCM检测的动态性表征。进一步，针对传统滑动时间窗步长和窗宽人为设定的主观局限性，提出了一种基于变化点检测的动态Granger因果分析模型。该模型基于组融合套索方法，识别出相关的时间过程发生显著变化的时间点，较好地挖掘了脑区间信息流的动态变化，促进了GCM有效连接动态性分析的能力；3、针对fMRI信号去卷积运算的潜在重要性，提出了一种基于误差反向传播的去卷积方法。该方法将脑区每个体素fMRI信号与对应HRF作为神经网络的输入，逐层将输入信号前传，输出层输出对应的神经信号。并进一步将该神经信号与对应的HRF进行卷积而得到期望的信号，再通过不断迭代，使输入的fMRI信号与期望的信号间的均方误差达到设定的阈值，从而较好地获取到去卷积后的神经信号；4、对海员的脑功能进行了研究，揭示了海员航海前后脑功能连接的变化，并进一步对海员和非海员脑有效连接动态性进行了研究，为促进海员的精细分级评估和航运作业安全服务。本项目研究不仅丰富和发展了fMRI-GCM脑有效连接分析模型，还可望在脑神经认知、脑科疾病的诊断及海员心理健康评估等领域中得以广泛应用。