一种识别和量化脑自发活动预测性地图样表征的方法

本发明涉及一种识别和量化脑自发活动预测性地图样表征的方法，属于脑自发认知及认知地图高级学习机制的研究领域。

背景技术：

1、在不同的任务过程中，大脑会将信息序列根据内容分割为事件片段，构建片段间关系，不断充实记忆表征网络，而这样的基于事件及其间关系的表征模式被称为认知地图，是大脑能够“举一反三”的基础。在静息的自发状态(即无任务驱动时)下，海马区域会与大范围皮层网络交互，自发地基于记忆表征网络随机游走，重放过往经历片段。脑自发活动中的这种表征重放一方面有助于长期记忆的巩固形成，另一方面也是对未来可能发生的事件的预演，对个体行为表现起到重要作用。同时，由于重放的片段内容也会受到个体经历、性格、偏好以及目标的影响，因此，脑自发活动的表征特征可能能够反映个体认知水平及性格特质，甚至关系到人类心理健康，具有重要的理论意义和临床应用价值。

2、静息态功能磁共振成像(functional mri，fmri)是一项能兼顾时间和空间分辨率的无创脑影像技术，通过采集静息状态下全脑各处血氧活动水平的时间序列，间接反映神经元活动水平，近年来成为了探究脑自发活动的主要手段。现有研究基于静息态fmri数据，使用隐马尔可夫模型等动态分析方法，初步地揭示了大脑自发活动过程中，不断地在具有不同的脑区激活/连接模式的动态状态间频繁地切换。另有研究使用大脑任务下的激活模式训练分类器，在大脑静息活动中识别到了在不同任务下的特定激活模式的自发重激活。然而，目前对于脑自发活动功能意义的探究仍不够深入，现有的研究方法仍存在一些局限：

3、1、尚无法检测到脑自发活动的认知地图样表征模式。

4、研究认为认知地图表征是以强化学习的方式构建的。近年来研究使用基于后继表征的强化学习模型，模拟了空间任务下认知地图表征空间，观测到了其标志性激活模式——位置域，但这种计算模型目前仅应用于任务态研究，而在脑自发活动研究领域中，尚未有研究描绘脑自发活动的认知地图样表征空间以及表征重激活的潜在规则。因此，相关分析方法存在空缺，经验性研究实证亟待充实。

5、2、无法量化脑自发活动的预测性特征。

6、基于后继表征的实验及理论研究发现，认知地图样表征空间编码了空间内位置的相继关系，能够根据各位置表征内容的相似性，基于当前位置预测下一个可能出现的位置，所以当空间内某位置即将被访问时，可在其激活模式(即接收域)上观察到预测性偏移模式。以往的理论及实验证据指出，脑自发活动中的神经表征重放是构建与维持预测性表征的关键基础，对于实现灵活的认知行为能力具有重要意义。然而，如何衡量脑自发活动所表征的信息空间的预测性，目前仍缺乏相关的分析方法。

技术实现思路

1、本发明提出了本发明提出了一种识别和量化脑自发活动预测性地图样表征的方法，将后继表征模型应用到静息态fmri数据上，首次在大脑自发活动中发现了位置域样的激活模式，为刻画脑自发活动所表征信息空间的功能意义提供了新的方法框架。同时，本发明基于峰度和偏度两个数学度量，通过定位并量化脑自发活动中的预测性，从预测性表征的角度为探索脑自发活动的认知功能意义与机制提供了解决方案，解决了现有技术中存在的问题。

2、一种识别和量化脑自发活动预测性地图样表征的方法，所述识别和量化脑自发活动预测性地图样表征的方法包括以下步骤：

3、s100、基于静息状态下的fmri数据，采用时变动态分析方法识别脑自发活动的动态状态，并基于模式相似性分析及后继表征模型，构建大脑在各个动态状态下的预测性表征图谱m，同时采用降维和聚类算法得到目标状态内表征分布的二维空间，随后通过将预测性表征图谱m映射到所述二维空间中实现对目标状态的感受域的可视化；

4、s200、利用峰度和偏度两个数学度量设计算法，检测并量化目标状态内部转移过程中的预测性偏移，得到个体水平的预测性偏移数值，评估所述预测性偏移数值与认知量表的相关水平，构建预测性模型并评估模型效果。

5、进一步的，在s100中，具体包括以下步骤：

6、s110、基于静息态fmri数据，采用时变动态分析方法识别脑自发活动的动态状态，构建状态内不同时段中脑活动模式的相似度矩阵w；

7、s120、将后继表征的强化学习模型应用在相似度矩阵w上，生成预测性表征图谱m；

8、s130、利用降维以及聚类算法，将高维的关系矩阵w投射到二维空间，得到潜在自发重放片段的分布模式；

9、s140、将预测性表征图谱m映射到分布模式中，构建了自发重放片段的感受域(receptive field，rf)。

10、进一步的，在s110中，具体的，基于静息态fmri数据，利用隐马尔科夫模型检测大脑动态状态，提取所述大脑动态状态每次出现时段中各个体素的激活序列，作为潜在的自发重放片段，计算片段间空间激活模式相似性，得到关系矩阵w。

11、进一步的，在s120中，具体的，

12、基于关系矩阵w，转移矩阵t是公式(1)计算：

13、t＝d-1w (1)

14、其中，d是对角线度矩阵，其中的每一个数值代表了在w矩阵对应行的总和，后继表征矩阵记作矩阵m，被称为预测性表征图谱，是按照公式(2)计算产生的：

15、m＝(i-γtt)-1 (2)

16、其中，i是单位矩阵，γ是小于1的折扣系数。

17、进一步的，在s130中，具体的，使用t分布的随机紧邻嵌入方法，将关系矩阵w中包含的自发重放片段的高维特征嵌入到二维空间中，生成反映片段相似程度的空间分布模式，并利用k均值聚类算法，得到自发重放片段的不同集合setp。

18、进一步的，在s140中，根据后继表征的理论及实验证据，其生成的预测性表征图谱m能够编码地图样表征，具体的，每一个重放片段的感受域可从m矩阵的对应列中提取，而对于表征不同内容的片段集合setp，按照公式(3)得到其感受域rf：

19、

20、其中，rfp代表了某个片段集合的感受域，setp中包含了所述某个片段集合中的所有重放片段，j代表了setp中每一个片段，i的范围是从1到状态时间点数量，代表了自发重放的表征空间中的每个位置，通过将片段集合的rf向量投射到对应位置，得到所述片段集合感受域的激活模式。

21、进一步的，在s200中，具体包括以下步骤：

22、s210、对某给定重放片段的感受域激活，使用滑窗法来计算其激活曲线上每一个窗内的峰度，选择峰度值前20％的窗作为预测性表征片段的候选，其中，窗长的估算是根据激活曲线长度与峰值时间点的数量；

23、s220、在排除掉重叠的窗后，进一步计算各窗的偏度值，保留偏度值为负数的窗，最终识别出表现出典型模式的预测性偏移片段，并取偏度的绝对值作为预测性的指标；

24、s230、对于一个给定的重放片段，将预测性偏移水平被定义为其感受域上所有被识别的预测性偏移程度的均值，而某一片段集合的预测性偏移程度，则是其包含的所有片段预测性偏移的均值。

25、一种存储介质，该存储介质上储存有计算机程序，所述计算机程序被处理器执行时实现上述的一种识别和量化脑自发活动预测性地图样表征的方法。

26、一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的一种识别和量化脑自发活动预测性地图样表征的方法。

27、本发明的有益效果：

28、(1)本发明针对目前技术无法构建出自发活动表征的认知地图样表征空间，因而无法揭示自发记忆重激活的功能意义的问题，首次将后继表征模型应用于静息态脑功能影像数据上，构建了自发活动的精神表征空间，并发现了位置域样的激活模式，证明了脑自发活动是被以认知地图机制表征的，为现有理论规则提供了切实的实验证据。

29、(2)本发明结合了峰度和偏度两个数学度量，量化了个体感受域激活中的预测性偏移，随后通过线性模型实现了基于预测性偏移对多项认知、情绪、性格特质等评分的预测，为理论假设提供了可靠证据，也为未来的进一步研究和临床认知评估提供了新的潜在指标。