基于fMRI-CICA脑功能连通性检测的若干关键问题及其应用研究

CICA can effectively improve the performance of fMRI brain functional connectivity by adding prior knowledge to the model, which has important research significance. However, there are still some key problems in the current CICA method, which need to be further studied and solved systematically. This project mainly focuses on these problems as follows: 1) For the problem that the prior knowledge in CICA is difficult to obtain, the possible regular prior knowledge in fMRI signals is explored under the guidance of biophysical properties, and then some new algorithms that can adaptively mine prior knowledge are developed; 2) For the case of the poor analysis results caused by improper selection of threshold parameters in CICA, a CICA method that does not rely on the selection of threshold parameters is studied on the basis of multi-objective optimization; 3) Based on the research of specific and regular prior knowledge, a function representation of multiple prior knowledge embedded in the CICA model is constructed to improve the fault tolerance ability of CICA for prior knowledge. Then, they are applied to the study of seafarers' brain functional connectivity detection to achieve a graded assessment of seafarers' mental health status. The research results of this project can not only develop some more effective CICA methods for brain functional connectivity detection, but also provide some quantitative references for the safety management of shipping operations.

CICA通过在模型中加入先验知识，能够有效提高fMRI脑功能连通性检测性能，具有重要的研究意义。但是当前的CICA方法还存在一些关键问题，需要进一步进行系统研究和解决。本项目主要围绕这些问题展开研究：1）针对CICA中先验知识难以获取的问题，在生物物理属性指导下，探究fMRI信号中可能存在的规则性先验知识，进而发展一些自适应挖掘先验知识的新算法；2）针对CICA中阈值参数选择不当而导致分析结果不佳的情况，在多目标优化的基础上，研究一种不依赖于阈值参数选择的CICA方法；3）在各种特定和规则性先验知识研究的基础上，构建在CICA模型中同时嵌入多种先验知识的函数表示，提高CICA对先验知识的容错能力。然后，把它们应用于海员脑功能连通性检测研究，实现对海员心理健康状况的分级评估。本项目研究成果不仅能为脑功能连通性检测发展一些更加有效的CICA方法，还将给航运作业安全管理提供一些定量性的参考依据。

完善和发展脑功能连通性检测和脑功能连接分析方法，有效地挖掘出隐含在fMRI信号中的内在信息，可以更好地揭示人脑相关神经认知活动和脑神经疾病机理，促进fMRI技术发挥重要作用。与传统方法相比，加入先验知识的fMRI数据分析方法在脑影像数据挖掘方面具有更好的效果。例如，约束独立成分分析(Constraint Independent Component Analysis, CICA)通过加入先验知识显著提高fMRI的盲源信号分离性能。但是CICA方法目前仅考虑一些特定的、可直接利用的先验知识，而很少考虑从数据自身获取可利用的先验知识，特别是挖掘一些数据内隐含的规则性先验知识。因此，本研究旨在对当前各种常规利用的特定先验知识展开研究，进一步在有关生物物理属性指导下，研究fMRI信号可能存在的其它规则性先验知识。同时考虑如何它们将更加有效的融入fMRI脑功能连通性检测和脑功能连接分析方法，然后应用它们来对脑神经疾病和海员职业脑可塑性进行探究，进而形成一些特定的脑神经疾病定量性生物指标和海员职业脑可塑性神经影像学特征。.为此，本项目在研究过程中对各种先验知识进行系统的分析和对已有研究的先验知识进行验证和完善。通过盲源信号分离和统计归纳学习的方法，提取出反映组内数据共有的隐含时间或空间规则性先验知识，以便用来指导fMRI脑影像数据分析。同时，提出了一系列基于先验知识的fMRI脑影像数据分析模型，比如在多目标优化框架的基础上，通过构造多目标函数的方式同时引进规则性先验知识和特定先验知识，并克服经典CICA方法所面临的阈值选择问题。最后，利用本项目所得各种fMRI脑影像数据分析算法，对阿尔茨海默病、偏头痛等脑神经疾病以及海员的fMRI数据进行激活脑功能网络分析和功能特征模式提取，进而借助机器学习算法实现准确分类预测，为辅助脑神经疾病临床诊断决策和海员职业脑可塑性研究提供一定的参考依据。