基于流形学习的fMRI数据分析新方法研究

功能磁共振成像（fMRI）是当前研究脑的结构和功能的主要手段；fMRI数据具有维数高、噪声强、数据量大等特点，需要能够有效提取数据中认知活动信息的各种数据分析方法。本项目从one-class算法、特异性指向挖掘（POM）和流形学习三个方面出发，研究fMRI数据分析的新方法。项目拟采用one-class算法和POM方法研究fMRI数据的激活检测问题，提供解决该问题的新方法，开辟应用one-class算法和POM的新领域；采用流形学习方法研究静息态fMRI数据中隐含的低维流形结构，试图揭示出人脑认知过程中的流形结构，推动流形学习研究的进一步发展。课题研究涉及机器学习、数据挖掘、fMRI、认知神经学等多个领域，其意义在于：研究fMRI数据分析的新方法，揭示fMRI数据中的流形结构，推广one-class算法、POM和流形学习的应用领域，促进机器学习、数据挖掘与fMRI数据分析的交叉研究。

功能磁共振成像(functional magnetic resonance images，简称fMRI)是一种无创的脑功能探测方法，是当前研究脑的结构、功能及它们与病理之间关系的主要手段。fMRI数据是一类维数高、数据量大、噪声非常强的数据。因此，fMRI数据分析、管理是一项困难的工作，但是其意义非常重大，它直接决定了采用fMRI方法进行脑功能研究的成败。本项目以脑fMRI研究为中心，从fMRI数据分析、脑数据管理、认知神经机制三个方面开展了一些基础研究，取得了一些较好的研究成果。项目组提出了一种新的fMRI数据的脑激活检测算法，探索了隐含在静息态fMRI数据中的时空过程，完善了特异性指向挖掘（POM）和特异性因子的理论基础并推广了其应用领域，设计了全局学习框架GLS-BI的脑数据管理系统，构建了一种多侧面脑数据分析方法并对一组数字归纳推理fMRI实验数据进行了分析，研究了视觉信息呈现形式对网页视觉搜索影响的神经机制和视觉信息呈现形式对社会统计信息理解影响的神经机制研究，研究了海马旁回位置区域（PPA）的关联信息处理机制。项目组通过大量的实验数据和实验结果证实了所提出的理论、算法、系统的合理性和有效性。项目组对上述研究成果进行了整理，分别发表标注论文：6篇国际期刊、16篇国际学术会议、2篇国内核心期刊，SCI检索5篇，EI检索16篇，ISTP检索2篇；项目组成员多次应邀在国际学术会议上做报告，引起较广泛的讨论，具有一定的国际影响力。