脑功能成像技术：从fMRI到M/EEG的探索

### 脑功能成像技术：从 fMRI 到 M/EEG 的探索 #### 1. fMRI 研究中的状态空间模型应用 在对发育性计算障碍（DDC）的研究中，研究人员采用了一系列方法来分析 fMRI 数据。 - **数据采集与预处理** - **实验对象**：选取了 20 名对照组（其中 10 名为女性）和 13 名 DDC 组（其中 6 名为女性）的受试者。 - **实验范式**：在自定节奏、不规则的实验范式中，每次试验先视觉呈现两个一位数（如 4 × 5）2.5 秒，间隔 0.3 秒后呈现一个错误答案（如 27、23、12）0.8 秒。受试者需在 4 秒内通过按键判断答案是（a）接近正确答案（在 ±25% 范围内）、（b）过小（< 25%）还是（c）过大。每次试验间隔 1 秒休息，每次试验持续 4 - 8.6 秒。 - **数据采集**：使用 GE 3T MRI 扫描仪和正交头线圈，采用 BOLD 敏感的 3D PRESTO 脉冲序列，体积扫描时间为 2.64 秒，分辨率为 3.75 × 3.75 × 3.75mm³。所有受试者进行两次扫描，总共约有 240 个乘法问题和 552 次扫描。 - **数据预处理**：对数据进行预处理，包括去除成像伪影、运动校正、去噪，并将数据归一化到图谱空间，后续处理均在灰质中进行。 - **模型训练与统计计算** - **状态空间模型（SSM）**：为每个受试者训练一个 SSM 模型 \(M_i = \{K, \theta^*,K, x^*,K\}\)，并计算以下统计量： - \([ERR_{self}^{SSM}]\)：使用同一受试者的数据训练的模型对该受试者 fMRI 运行分配的最优状态序列的“受试者内”预测错误率。 - \([ERR_{cross}^{SSM}]\)：使用另一个受试者的数据训练的模型对该受试者数据分配的最优状态序列的“受试者间”预测错误率。 - \([MI]\)：两个不同受试者的模型 \(M_i\) 和 \(M_j\) 为同一 fMRI 会话 \(y\) 生成的状态序列之间的互信息。较高的 MI 表示两个不同模型对同一数据的状态序列标记具有较高的一致性，而 MI 为零表示没有对应关系。所有受试者对之间的 MI 产生一个成对相似性矩阵，可通过多维缩放（MDS）在二维中可视化。 - **支持向量机（SVM）**：为每个受试者训练三个线性 SVM 分类器，分别用于预测 \(Ph = 1, 2, 3\)、将 \(LogPs\) 量化为两个级别以及将 \(LogDiff\) 量化为两个级别。通过交叉验证测量“受试者内”\(ERR_{self}^{SVM}\) 和“受试者间”\(ERR_{cross}^{SVM}\) 错误率，并对三个 SVM 进行累积。使用 SVM 时，对预处理后的 fMRI 数据进行正则 HRF 反卷积。 - **实验结果分析** - **误差率比较**：从表 1 可以看出，DDC 组的模型大小变化比对照组更大，这表明 DDC 数据具有更高的异质性，需要不同大小的模型。此外，DDC 组的错误率始终较高，这表明其模型相对于对照组的准确性较低。 - **互信息分析**：DDC 受试者之间的 MI 与 DDC 和对照组之间的 MI 相当，这表明 DDC 模型对 fMRI 运行的标记与对照模型非常不一致，甚至与另一个 DDC 模型对数据的标记也不同，再次证实了 DDC 受试者采用的心理策略具有高度异质性的理论。 - **空间映射分析**：SSM 估计的两组的组级空间映射显示，虽然与单变量一般线性模型观察到的总体招募模式相似，但 SSM 的时间分辨和多变量性质揭示了组内更强且组间更明显的焦点。例如，在第一阶段，DDC 组在右顶内沟（rIPS）的激活低于对照组，而在第三阶段，DDC 组在 rIPS 的招募比对照组更强。 - **模型性能比较**：SSM 在预测受试者的心理状态方面始终优于 SVM。值得注意的是，SSM 以无监督的方式学习参数，而 SVM 的参数是专门为预测误差进行优化的。MVPR 分类器独立处理每个 fMRI 扫描，无法利用数据中的时间结构，而 SSM 以概率方式考虑血液动力学并边缘化其影响，而 SVM 使用神经激活的点估计。此外，SVM 的受试者间误差明显高于 SSM，这表明仅基于静态空间映射比较受试者而不考虑其时间动态是次优的。 | 组 | \(ERR_{self}^{SVM}\) | \(ERR_{cross}^{SVM}\) | \(ERR_{self}^{SSM}\) | \(ERR_{cross}^{SSM}\) | \(MI\)（比特） | \(K^*\) | | --- | --- | --- | --- | --- | --- | --- | | 总体 | \(0.42±0.05\) | \(0.61±0.09\) |