第一章 绪论
1.1 课题研究背景与意义
科学技术的飞速发展，为人类大脑的研究提供了多种多样有效的手段，例如fMRI，MEG，PET，NIRS，EEG 等大脑成像技术的发展，能够在非侵入的情况下，获得可以接受的时空分辨率的大脑活动信号构成的图像。而近些年飞速发展的机器学习，深度学习等技术，又为大脑的数据分析提供了一个强有力的工具。对大脑的探索研究，除了满足人类探索终极奥秘的好奇心，也对社会生活有极强的现实意义。随着社会的发展，越来越多的精神疾病进入了人们的视线，阿尔兹海默症，自闭症谱系障碍，精神分裂症，抑郁症，社交焦虑障碍，创伤后应激障碍等等。越来越多的研究表明，很多精神疾病并不仅仅是心理问题，同时往往伴随着大脑特定区域的结构或功能发生了病变。很多精神疾病现在并没有治愈的方法，而对大脑的深入研究，可以帮助人们更深层次地理解大脑运行机制，理解精神疾病的病理，从而有可能在未来的某一天找到治愈方法。
1.1 课题研究背景与意义
科学技术的飞速发展，为人类大脑的研究提供了多种多样有效的手段，例如fMRI，MEG，PET，NIRS，EEG 等大脑成像技术的发展，能够在非侵入的情况下，获得可以接受的时空分辨率的大脑活动信号构成的图像。而近些年飞速发展的机器学习，深度学习等技术，又为大脑的数据分析提供了一个强有力的工具。对大脑的探索研究，除了满足人类探索终极奥秘的好奇心，也对社会生活有极强的现实意义。随着社会的发展，越来越多的精神疾病进入了人们的视线，阿尔兹海默症，自闭症谱系障碍，精神分裂症，抑郁症，社交焦虑障碍，创伤后应激障碍等等。越来越多的研究表明，很多精神疾病并不仅仅是心理问题，同时往往伴随着大脑特定区域的结构或功能发生了病变。很多精神疾病现在并没有治愈的方法，而对大脑的深入研究，可以帮助人们更深层次地理解大脑运行机制，理解精神疾病的病理，从而有可能在未来的某一天找到治愈方法。
功能性磁共振成像（functional magnetic resonance imaging，fMRI）是一种测量大脑各区域激活水平的技术，对大脑 fMRI 数据的分析研究是研究大脑的一个重要领域。现如今，对大脑 fMRI 数据的研究已经取得了非常多的成果，例如已经确定了许多人类的认知能力与大脑特定区域的关系，找到了与特定精神疾病有密切关联的大脑区域，等等。虽然已经有许多研究者对 fMRI 数据做了很多的研究，并且取得了很多成果，但是由于大脑是一个极其复杂的系统，人们对大脑的许多机理并不清楚，所以仍然有许多工作需要做。例如，很多研究由于各种原因的限制，数据集的大小往往十分有限，得到的结论在广大人群中是否具有普适性，具有多少程度的普适性。不同数据集，分析得到的大脑特征往往具有一定的差异，这些差异是由于方法导致的，还是由于其他原因导致的。不同种族，不同区域的人群得到的结果是否存在差异，如果存在差异的话，是外在因素导致的差异，还是大脑结构本身存在差异性，大脑的运行机制如何导致了不同的认知能力，等等，类似的问题还有很多。所以对大脑的 fMRI 数据的研究，具有重要的理论和现实意义，依然很有必要。
............................
2.2 配对 t 检验（paired t-test
t 检验是一种统计检验，广泛用于比较两组样本的平均值，评估两组数据的平均值是否在统计上存在显著的差异。t 检验有三个类型，单样本 t 检验（one-sample t-test），双样本 t 检验（two sample t-test）和配对 t 检验（paired t-test）。
单样本 t 检验：用于样本平均值与理论值的比较。
双样本 t 检验：用于两个独立样本平均值的比较。
配对 t 检验：用于比较两组相关样本的均值。
一般情况下，同一个样本在不同情况下或者使用不同的方法测试了两次，需要比较两次测试结果的均值是否显著不同，可以采用配对 t 检验。例如，有 20 只老鼠接受了某种治疗，治疗结束之后，测试该种治疗是否会对老鼠的体重产生影响。治疗前和治疗后分别对每只老鼠测量了体重，得到了治疗前的 20 个值和治疗后的20 个值。这种情况下，可以采用配对 t 检验来验证两组值之间的差异性，设立原假设（H0）：该种治疗对老鼠体重无影响，即两组体重值无明显差异；备择假设（H1）：该种治疗对老鼠体重有影响，即两组体重值有明显差异。
..........................
1.2 国内外研究历史与现状
大脑空间上不同的神经生理事件之间的时间相关性[1]，称为功能连接（functional connectivity，FC）。从 fMRI 时间序列评估大脑连通性，揭示了大量有关大脑宏观时空组织的知识。最初对于大脑连通性的评估是基于“静态”假定的，即假定大脑一段时间处于静止状态的，分析统计在这一段时间内，大脑各区域之间的连通性。在对静态功能连接的分析中，确认了多个内在连接网络（intrinsic connectivity network，ICN），例如默认模式网络[2,3]（default mode network，DMN），腹侧和背侧注意力网络[4,5]（ventral and dorsal attention networks，VDAN）,显著网络[6]（salience network，SN）等等，而且内在连接网络之间的关系已经在基础和临床认知神经科学中得到了深入的研究。
在众多内在连接网络中，默认模式网络是十分值得注意的。当个体不关注外部环境是，默认模式网络会优先活动，它是一个特定的，解剖学意义上的大脑系统[3]，是大脑在没有外部输入情况下的活动基线，当大脑执行特定任务或者专注于一个目标时，默认模式网络就会失活。默认模式网络中包含的大脑区域包括内侧颞叶、内侧前额叶皮质和后扣带回皮质，以及腹侧前丘脑和部分顶叶皮质。
大脑空间上不同的神经生理事件之间的时间相关性[1]，称为功能连接（functional connectivity，FC）。从 fMRI 时间序列评估大脑连通性，揭示了大量有关大脑宏观时空组织的知识。最初对于大脑连通性的评估是基于“静态”假定的，即假定大脑一段时间处于静止状态的，分析统计在这一段时间内，大脑各区域之间的连通性。在对静态功能连接的分析中，确认了多个内在连接网络（intrinsic connectivity network，ICN），例如默认模式网络[2,3]（default mode network，DMN），腹侧和背侧注意力网络[4,5]（ventral and dorsal attention networks，VDAN）,显著网络[6]（salience network，SN）等等，而且内在连接网络之间的关系已经在基础和临床认知神经科学中得到了深入的研究。
在众多内在连接网络中，默认模式网络是十分值得注意的。当个体不关注外部环境是，默认模式网络会优先活动，它是一个特定的，解剖学意义上的大脑系统[3]，是大脑在没有外部输入情况下的活动基线，当大脑执行特定任务或者专注于一个目标时，默认模式网络就会失活。默认模式网络中包含的大脑区域包括内侧颞叶、内侧前额叶皮质和后扣带回皮质，以及腹侧前丘脑和部分顶叶皮质。
关于默认模式网络的研究有很多，文献[7]中，作者招募了冥想者和非冥想者作为受试者，指示受试者完成字色任务（SWCT），并获得了任务期间的 fMRI 数据，以评估冥想者与非冥想者在 SWCT 期间，DMN 大脑区域之间的功能连接性是否不同。结果表明，冥想者与非冥想者相比，前突/后扣带皮层（PCC）对右下壁小叶的影响更大。相反，PCC 在非冥想者中，比冥想者具有更大的影响力，并且受左下顶叶小叶的影响也更大。因此可以证明，冥想者与非冥想者在任务期间，PCC和顶区之间的连通性模式存在明显差异。
.........................
第二章 相关理论基础
第二章 相关理论基础
2.1 K-means 算法
通常，聚类使用迭代技术将数据集中的样本分组为包含相似特征的簇。这些分组对于探索数据，识别数据中的异常以及最终进行预测很有用。聚类模型还可以帮助我们识别数据集中的关系，这些关系可能是通过浏览或简单观察无法从逻辑上得出的。由于这些原因，在机器学习任务的早期阶段经常使用聚类，以探索数据并发现数据中具有的相关性。
“原型”是指样本空间中具有代表性的点，“基于原型的聚类”称为原型聚类，此类算法假设聚类结构能够通过一组原型刻画，在现实聚类任务中十分常用。通常情况下，算法先对原型进行初始化，然后对原型进行迭代更新求解。采用不同的原型表示，不同的求解方式，将产生不同的算法[24]。K-means 算法就是原型聚类中十分常用的一种。
通常，聚类使用迭代技术将数据集中的样本分组为包含相似特征的簇。这些分组对于探索数据，识别数据中的异常以及最终进行预测很有用。聚类模型还可以帮助我们识别数据集中的关系，这些关系可能是通过浏览或简单观察无法从逻辑上得出的。由于这些原因，在机器学习任务的早期阶段经常使用聚类，以探索数据并发现数据中具有的相关性。
“原型”是指样本空间中具有代表性的点，“基于原型的聚类”称为原型聚类，此类算法假设聚类结构能够通过一组原型刻画，在现实聚类任务中十分常用。通常情况下，算法先对原型进行初始化，然后对原型进行迭代更新求解。采用不同的原型表示，不同的求解方式，将产生不同的算法[24]。K-means 算法就是原型聚类中十分常用的一种。
K-means 聚类是一种无监督学习，对没有标记的数据（即没有定义类别或组的数据）使用。该算法的目标是查找数据中的簇，簇的数量 K 需要事先指定，该算法迭代地将每个数据点分配给 K 个簇之一。K-means 算法是基于距离的聚类算，依赖于距离度量（函数）来测量数据点之间的相似性。距离度量常见的如欧几里得距离，余弦或快速余弦距离，算法根据指定的距离度量，将数据点分配给最近的群集，迭代地进行，对数据进行聚类。
...........................
...........................
t 检验是一种统计检验，广泛用于比较两组样本的平均值，评估两组数据的平均值是否在统计上存在显著的差异。t 检验有三个类型，单样本 t 检验（one-sample t-test），双样本 t 检验（two sample t-test）和配对 t 检验（paired t-test）。
单样本 t 检验：用于样本平均值与理论值的比较。
双样本 t 检验：用于两个独立样本平均值的比较。
配对 t 检验：用于比较两组相关样本的均值。
一般情况下，同一个样本在不同情况下或者使用不同的方法测试了两次，需要比较两次测试结果的均值是否显著不同，可以采用配对 t 检验。例如，有 20 只老鼠接受了某种治疗，治疗结束之后，测试该种治疗是否会对老鼠的体重产生影响。治疗前和治疗后分别对每只老鼠测量了体重，得到了治疗前的 20 个值和治疗后的20 个值。这种情况下，可以采用配对 t 检验来验证两组值之间的差异性，设立原假设（H0）：该种治疗对老鼠体重无影响，即两组体重值无明显差异；备择假设（H1）：该种治疗对老鼠体重有影响，即两组体重值有明显差异。
..........................
3.1 静息态数据动态功能连接分析方法 .................................... 18
3.1.1 数据标准化 ................................... 18
3.1.2 滑动窗口捕获动态特征 ........................... 18
第四章 动态变化特征与认知能力的关系研究方案 ....................... 27
4.1 认知能力测试介绍 ............................... 27
4.2 探究静息态数据对预测模型准确性的提升能力 ........................ 28
第五章 实验结果与分析 ............................... 32
5.1 数据集 ............................................ 32
5.2 大脑静息态数据的动态功能连接分析结果 ............................ 32
第五章 实验结果与分析
5.1 数据集
本文中使用的数据及全部来自人类连接组项（Human Connectome Projects，HCP）项目。HCP 是一项为期五年的项目，由美国国立卫生研究院的十六个部门资助，分为两个研究机构联盟，于 2009 年 7 月启动。该项目旨在建立一个“网络图”，该图将阐明健康人脑内的解剖学和功能上的连通性，并生成有助于促进脑部疾病研究的大量数据。
各种研究证明，大脑血流和神经元激活是相耦合的。当大脑使用某个区域时，流向该区域的血流也会增加。功能磁共振成像（fMRI）主要检测大脑各区域的血氧水平来测量大脑各区域的活动。本文中使用的所有数据均为 fMRI 数据。本文使用的数据集中包含 758 名受试者，其中男性 422 名，女性 336 名。平均年龄为 28.7（±13.4）岁。数据集中只包含大脑皮层区域，每次成像的时间间隔为 0.75s，所有数据均已经过预处理，按照相关模块，将大脑皮层区域划分成了 84 个结点，并且将数据从图像形式转换为矩阵形式，例如静息态数据集中，每个个体的数据是一个84╳1200 的矩阵形式，84 代表大脑皮层上的 84 个结点，1200 代表每个节点在 1200个时刻，（i，j）位置上的数值代表第 i 个结点在第 j 个时刻上的激活程度。
.............................
5.1 数据集
本文中使用的数据及全部来自人类连接组项（Human Connectome Projects，HCP）项目。HCP 是一项为期五年的项目，由美国国立卫生研究院的十六个部门资助，分为两个研究机构联盟，于 2009 年 7 月启动。该项目旨在建立一个“网络图”，该图将阐明健康人脑内的解剖学和功能上的连通性，并生成有助于促进脑部疾病研究的大量数据。
各种研究证明，大脑血流和神经元激活是相耦合的。当大脑使用某个区域时，流向该区域的血流也会增加。功能磁共振成像（fMRI）主要检测大脑各区域的血氧水平来测量大脑各区域的活动。本文中使用的所有数据均为 fMRI 数据。本文使用的数据集中包含 758 名受试者，其中男性 422 名，女性 336 名。平均年龄为 28.7（±13.4）岁。数据集中只包含大脑皮层区域，每次成像的时间间隔为 0.75s，所有数据均已经过预处理，按照相关模块，将大脑皮层区域划分成了 84 个结点，并且将数据从图像形式转换为矩阵形式，例如静息态数据集中，每个个体的数据是一个84╳1200 的矩阵形式，84 代表大脑皮层上的 84 个结点，1200 代表每个节点在 1200个时刻，（i，j）位置上的数值代表第 i 个结点在第 j 个时刻上的激活程度。
.............................
6.1 本文工作总结
大脑静息态数据中，隐含着许多关于大脑活动的重要信息，对静息态数据的研究，有利于揭示大脑运行机制，帮助人们加深对大脑的理解。本文主要采用了两种方案对大脑静息态 fMRI 数据进行了分析，同时探究了状态特征与认知能力之间的关系。
本文完成的主要研究内容如下：
1、采用滑动窗口的方式捕捉大脑动态功能连接，对所得的动态特征采用聚类分析，确定了 5 个基础的 dFNC 状态，并分析了每个 dFNC 状态下，大脑各区域的功能连接情况，同时计算了每个 dFNC 状态的相应的统计量。
2、对静息态 fMRI 数据进行了共激活模式分析，确定了 8 个基础的 CAP 状态，并分析了每个 CAP 状态下，大脑中相对激活以及相对失活的区域，同时计算了每个 CAP 状态的相应的统计量。
3、将 dFNC 状态与 CAP 状态进行横向对比，分析 dFNC 状态与 CAP 状态的同步性。
4、使用 dFNC 状态和 CAP 状态的统计量作为特征，采用状态统计量训练神经网络模型预测认知能力。
5、采用相关性显著性检验的方法，检验了状态特征与认知能力之间的相关性。
参考文献（略）