?

文章來源于微信公眾號（茗創(chuàng)科技），歡迎有興趣的朋友搜索關(guān)注。

本文將以人腦腹側(cè)顳葉皮層的多體素模式分析(MVPA)來探討人腦功能連接與相似性分析。MVPA被認(rèn)為是一個監(jiān)督分類問題，分類器試圖捕捉fMRI活動的空間模式和實(shí)驗條件之間的關(guān)系，從而推斷大腦區(qū)域和網(wǎng)絡(luò)的功能作用。從機(jī)器學(xué)習(xí)的角度來看，這里輸入(input)的通常是來自神經(jīng)科學(xué)實(shí)驗的fMRI數(shù)據(jù)，輸出(output)是有關(guān)類別的概率分布。在本示例中將嘗試解碼人類被試所看到的視覺刺激類別(面孔、貓、椅子、鞋子、房子、剪刀……)。

使用“nilearn”框架從web上下載Haxby數(shù)據(jù)集，Haxby數(shù)據(jù)集是一個基于區(qū)組設(shè)計4-D時間序列的fMRI數(shù)據(jù)集，來自于人臉和物體表征的研究。由6名被試組成，每名被試完成12組實(shí)驗。在每組實(shí)驗中，讓被試觀看8種物體類別的灰度圖像，每組以24秒的休息時間間隔開來。每張圖像呈現(xiàn)500ms，緊接著是1500ms的刺激間隔。全腦fMRI數(shù)據(jù)以2.5s的像重復(fù)時間記錄，一種刺激block約含9個像。第6個4-D fMRI時間序列圖像數(shù)據(jù)除外，它由每個被試的高分辨率解剖圖像組成，形狀為1452個像，包含40x64x64個體素。

部分視覺刺激示例(Haxby, 2001)

首先，安裝Python包，復(fù)制并粘貼以下代碼進(jìn)行安裝。

然后，導(dǎo)入所有需要用到的Python包。如果想保存結(jié)果，可以創(chuàng)建一個名為“images”和“results”的文件夾，或者刪除下面的66-67行。

為了理解Haxby數(shù)據(jù)集，請閱讀下面的文檔字符串。注意，從網(wǎng)上下載數(shù)據(jù)大約需要30分鐘，這取決于你的下載速度等方面的原因。

獲取Haxby數(shù)據(jù)集后，接下來理解數(shù)據(jù)結(jié)構(gòu)并將其轉(zhuǎn)換為NumPy數(shù)組以進(jìn)行進(jìn)一步處理。

可以看到，有8個刺激類別。(忽略“rest”類別，因為它沒有提供額外信息)

刪除“rest”條件數(shù)據(jù)，并探究數(shù)據(jù)形狀，如下所示。

一共有864個時間序列數(shù)據(jù)。固定時間的fMRI數(shù)據(jù)的大小為40x64x64，其中40表示三維圖像的深度，兩個64表示空間維度。因此，這里是4維時間序列圖像數(shù)據(jù)。先來看看實(shí)驗中6個被試的數(shù)據(jù)情況，所有被試都有864個時間序列數(shù)據(jù)。

然后，進(jìn)行掩膜，提取感興趣區(qū)域，對fMRI進(jìn)行降維。掩膜的fMRI樣本代表可能發(fā)生神經(jīng)活動的區(qū)域。

這個腳本能夠獲取fMRI數(shù)據(jù)，將數(shù)據(jù)轉(zhuǎn)換為NumPy矩陣；創(chuàng)建并應(yīng)用時空掩膜來提取感興趣的區(qū)域；準(zhǔn)備監(jiān)督(目標(biāo)/標(biāo)簽)。

接下來，運(yùn)行這個函數(shù)并獲取數(shù)據(jù)。

現(xiàn)在，可以執(zhí)行對大腦的功能連接和相似性分析了。

功能連接被定義為腦區(qū)解剖學(xué)上神經(jīng)元激活模式的時間依賴性。近年來，越來越多的神經(jīng)成像研究開始通過測量腦區(qū)靜息態(tài)fMRI時間序列的共激活水平來探索功能連接。這些功能連接對于建立大腦區(qū)域的統(tǒng)計連接很重要。功能連接可以通過估計來自不同大腦區(qū)域分解信號的協(xié)方差(或相關(guān))矩陣來獲得，例如在靜息態(tài)或自然刺激數(shù)據(jù)集上。在這里，基于相關(guān)性、精度和偏相關(guān)性進(jìn)行了功能連接分析。然后，基于余弦距離、閔可夫斯基距離和歐氏距離進(jìn)行相似性分析，進(jìn)一步擴(kuò)展掩膜fMRI數(shù)據(jù)的統(tǒng)計結(jié)果。

功能連接性：相關(guān)性

對被試1進(jìn)行基于皮爾遜相關(guān)的功能連接?？梢钥吹?，在被試1的腹側(cè)顳葉皮層中，當(dāng)面孔刺激被呈現(xiàn)時，存在很強(qiáng)的相關(guān)性。

功能連接性：精度

使用逆協(xié)方差矩陣，即精度矩陣更有意思。它只給出了區(qū)域之間的直接聯(lián)系，因為它包含偏協(xié)方差，即兩個區(qū)域之間的協(xié)方差取決于所有其他區(qū)域。此外，在精度評分的基礎(chǔ)上進(jìn)行了功能連接體，以提取被試1的ROI信號。在這里，隨著連接性測量的變化，可以看到被試1的腹側(cè)皮層空間相關(guān)性的直接變化。通過精度測量，進(jìn)一步了解大腦的組織和網(wǎng)絡(luò)。

功能連接：偏相關(guān)

在眾多的網(wǎng)絡(luò)建模方法中，偏相關(guān)在準(zhǔn)確檢測真實(shí)腦網(wǎng)絡(luò)連接方面具有很大的潛力。因此，接下來執(zhí)行基于偏相關(guān)的功能連接性分析。對ROI fMRI數(shù)據(jù)進(jìn)行偏相關(guān)的可視化顯示，結(jié)果發(fā)現(xiàn)被試1的腹側(cè)顳葉皮層相關(guān)性不高。

相似性分析：余弦距離

為了便于在大腦的統(tǒng)計連接背景下理解測地線，對被試1進(jìn)行余弦相似性分析，并將得到的矩陣可視化。結(jié)果表明，當(dāng)視覺刺激出現(xiàn)時，神經(jīng)活動有高度重疊的區(qū)域。

相似性分析：閔可夫斯基距離

為了使用不同的相似性測量進(jìn)行實(shí)驗，接下來，采用閔可夫斯基距離，這是歐氏距離和曼哈頓距離的概括性表述。該方法在fMRI時間相似性分析中非常有用。

相似性分析：歐氏距離

最后，基于經(jīng)典歐氏距離進(jìn)行相似性分析。這是一個非常經(jīng)典的距離測量方法，用勾股定理表示這些點(diǎn)的笛卡爾坐標(biāo)。從功能連接和相似分析所揭示的統(tǒng)計和結(jié)構(gòu)模式可以得出結(jié)論，人腦腹側(cè)顳葉皮層誘發(fā)的神經(jīng)活動具有高度重疊和分布式的特點(diǎn)。

參考來源：

Haxby, J. V. , Gobbini, M. I. , Furey, M. L. , Ishai, A. , & Pietrini, P. .(2001). Distributed and overlapping representations of faces and objects in ventral temporal cortex.?Science, 293(5539), 2425-2430.

https://nilearn.github.io/auto_examples/03_connectivity/plot_multi_subject_connectome.html#sphx-glr-auto-examples-03-connectivity-plot-multi-subject-connectome-py

https://towardsdatascience.com/functional-connectivity-and-similarity-analysis-of-human-brain-part-iii-c427c88ca5bb

https://github.com/cankocagil/Cognitive-Computational-Modelling-for-Spatio-Temporal-fMRI-in-Ventral-Temporal-Cortex

文章來源于微信公眾號（茗創(chuàng)科技），歡迎有興趣的朋友搜索關(guān)注。