注意神经机制的可计算模型研究

Attention is the foundation of high-level cognitive functions. As studies of brain-simulation and intelligent robots prosper, building high-level cognitive functions in brain-simulation and intelligent robots remains a big challenge. Furthermore, objective diagnosis and personal intervention of complex cognitive disorders like depression and ADHD still need to be explored. This project will explore the correlation between psychological and physical markers and attention level based on studies of cognitive mechanism and neurology of attention. Nevertheless, the attention processing mechanism will be measured and the computation model of the attention neurology will be built. This will lay foundation for the realization of the high-level cognitive functions, and foundation of objective diagnosis and precise intervention of relevant attention disorders.

注意是高级认知功能的基础，当前类脑和智能机器人的研究方兴未艾，如何使类脑和智能机器人具有高级认知功能仍是一个巨大的挑战，此外一些复杂的认知障碍，如抑郁症、小儿多动症的客观、量化诊断及个性化干预也是临床上的一个难题。本项目将在注意认知机理与神经机制研究的基础上，挖掘心理、生理数据特征与注意水平的关联机制，创新计算理论与方法，量化注意加工机制，建立基于注意神经机制的计算模型，为类脑和智能机器人实现高级认知功能及注意障碍相关疾病的客观量化诊断、精准干预奠定基础。

项目针对注意神经机制的可计算模型开展研究，围绕注意神经机制与其心理、生理表征的关联机制，基于多模态数据融合的注意量化表达两个关键科学问题，研究内容设定为，1 注意相关的心理、生理信息理论依据及验证标准的研究；2 注意相关心理、生理多模态信息获取及注意神经机制计算模型的构建方法和关键技术；3 基于多模态心理、生理信息的注意神经机制计算模型原型系统及其应用验证研究。基于脑电，眼动以及核磁数据设计实验范式，进行了数据采集，共采集各类数据样本逾千例。基于以上数据，我们对注意识别有效特征，注意的神经机制，多模数据的融合以及基于神经机制的可计算模型进行了研究。共发表SCI/EI索引论文104篇，专利11项，软件著作权21项，共计培养博士研究生10人，硕士研究生37人。取得的主要创新性成果如下：（1）基于脑电特征的注意水平量化分类模型研究发现CFS+KNN算法组合有着最好的识别准确率（三分类，80.84%），脑电与眼动数据的融合可以更好的基于注意偏向差异识别抑郁（二分类，88.95%）。（2）采用fMRI技术对视觉信息的基于范畴分类和功能链接分类的神经基础进行了实验研究。发现了表面特征复杂性与对称性的功能基础以及Where和What通路在身份与位置追踪的作用。（3）抑郁症患者注意偏向加工机制研究结果发现，抑郁症患者大脑自上而下的注意力认知控制能力异常。200ms时，Fear和Sad模块下的激活脑区，抑郁患者的右外侧颞叶、内侧颞回及其边缘子系统：颞上沟、颞中回、颞下沟均表现出更强的活动，脑活动比正常人更为明显。并通过脑电源定位技术，得到大脑情绪调节和认知控制基本回路。（4）针对抑郁患者负向注意缺失的特点，结合构建的基于神经机制的注意可计算模型，开发了基于多模态数据的抑郁识别模型。