第1章 绪论

1.1 研究背景与研究意义

人脑是迄今为止人们发现的最复杂和最具智能的组织系统之一，揭开人脑的奥秘一直是脑科学研究的目标。人脑的功能研究是其中十分重要的子领域，也是当前最重要的研究热点之一。尤其是近年来，计算技术和神经影像技术的快速发展，为人脑功能的研究带来了新的发展机遇。

获得人脑功能数据是研究人脑功能的前提，因此人脑功能影像技术的发展无疑会推动人脑功能研究的进展。作为一种新的功能影像技术，功能磁共振成像（fMRI）通过测量神经细胞周围血管中血氧浓度的变化来间接反映神经活动，具有较高的空间分辨率和时间分辨率。此外，fMRI还具有无创伤、操作简单、易重复，可同时获得功能像和结构像等优点。这些优点可以使研究者得到大量且全面的fMRI数据，也使其成为目前人脑功能研究中获取神经影像数据的主流技术。更进一步地，fMRI扫描仪向着多频带（multi-band）和高场强的方向发展，这使得获取人脑功能数据的质量（信噪比和分辨率）和速度不断提升。根据扫描时被试是否执行特定的任务，fMRI数据可以分为静息态fMRI数据和任务态fMRI数据。其中，静息态fMRI数据是对自发神经活动的反映，具有采集容易和干扰因素少的特点。另一方面，fMRI的成像原理和被试的特点决定了fMRI数据具有信噪比低和维数高的特性。fMRI数据的这些特性和人脑功能的复杂性给现有计算技术的发展带来了挑战。

鉴于人脑功能的高度复杂性，研究者力图从不同角度、采用不同方法揭示人脑功能的工作机制。到目前为止，人脑功能的研究方法主要包括功能指标度量、人脑功能连接组和人脑功能划分等。功能指标度量用来刻画局部脑区的功能一致性，主要的功能指标有局部一致性（regional homogeneity，ReHo）、低频波动振幅（amplitude of low-frequency fluctuation，ALFF）和局部功能连接密度等。这些功能指标常用来度量某个脑区在不同状态（包括脑疾病）下的功能活动特点，为相关脑疾病预防和诊断提供生物学标记。但是这些功能指标度量的脑区往往是从已有的结构脑图谱中选择的，并没有充分考虑脑区本身的特点，这给最终的解释带来了困难。人脑功能连接组能够在神经元、神经元集群和脑区等多个空间尺度上建立功能连接，并采用中心度和全局效率等复杂网络度量分析人脑功能连接网络的拓扑特性，进而揭示人脑内部的信息处理模式和工作机理。人脑功能连接组研究人脑功能的整合性，但是作为节点抽象对象的脑区的选择会对人脑功能连接组结构及分析结果产生质的影响。而从人脑结构图谱中选择被抽象的脑区是不合适的，其原因在于：

● 结构脑区是根据某种结构特征（如胞体构筑和髓鞘密度等）对人脑做划分得到的，并没有充分考虑功能的一致性；

● 结构图谱通常作为模板使用，并没有考虑个体间的差异；

● 据此得到的人脑功能网络的可解释性较差；

● 可能对脑疾病的诊断和治疗带来负面影响。

人脑功能划分是一种通过分割人脑皮层研究人脑功能组织特性的方法。人脑功能划分产生的功能（子）区域不仅揭示了人脑功能的分离性，也为人脑功能连接组的构建提供了良好的节点抽象对象，因此它在人脑功能研究中占据着更为基础性的地位。

在fMRI中，人脑功能划分是以体素的时间序列为数据，根据功能一致性度量策略把人脑或局部脑区分割为若干个互不相交的人脑功能亚区。由此可以看到，基于fMRI数据的人脑功能划分能够产生两两互不相交的功能亚区，而且每个功能亚区内的体素信号具有更强的功能一致性。一方面，人脑功能划分可以得到人脑功能划分图谱，揭示全脑或局部脑区的功能组织性，进一步为人脑损伤定位提供辅助；另一方面，人脑功能划分产生的功能亚区可为人脑功能网络的构建提供良好的节点抽象基础。因此，人脑功能划分可以揭示人脑的功能组织性特点，使研究者可以在较大尺度上把握人脑的功能区域性特征。

十多年来，面向fMRI数据的人脑功能划分研究成果已经出现了不少，而且在人脑功能网络构建、人脑疾病的研究与诊断和被试状态预测等方面也得到了较为成功的应用。这些研究与应用不仅加深了人们对人脑功能组织特征的认识和理解，也促进了人脑疾病和类脑智能研究的发展。从研究方法的角度看，大多数的人脑功能划分研究是把已存在的经典聚类方法直接运用于不同状态（如正常被试和患脑疾病被试、静息态和任务态等）的fMRI数据上，得到某个脑区或全脑的功能划分图谱，并通过分析划分结果得到一些有益的结论和启示，而研究人脑功能划分方法优化的工作还比较少。从所反映的功能状态的角度看，绝大部分研究是对静态人脑功能划分的探索，而对动态人脑功能划分的研究尚处于萌芽阶段。人脑的功能是非常复杂的，呈现出多功能性、区域性、分离性和动态性等多重特点，而且fMRI数据也具有信噪比低和维数高的特点。因此，需要从方法学的角度研究与人脑功能和fMRI数据特点相适应的人脑功能划分模型和方法。群智能算法是一类为了模拟某种生物的某一群体性行为而提出的智能优化方法，具有全局搜索能力强、稳健性显著、易融入领域知识等优点。研究表明，基于群智能算法的聚类方法表现出优于经典聚类算法的聚类性能。目前，面向fMRI数据的人脑功能划分中的群智能算法鲜有研究。

本书针对目前面向fMRI数据的人脑功能划分方法研究的不足，在深入分析fMRI数据特点和人脑功能特点的基础上结合群智能算法和降维等技术，研究更适用于fMRI数据和人脑功能特点的人脑功能划分模型与方法，通过划分结果揭示人脑的功能组织性，并对最终的划分结果给出合理性验证和简单的神经生物学意义上的解释，进而得到更为深刻的结论。可见，本书涉及的研究不仅可以丰富面向fMRI数据的人脑功能划分的方法学研究，进一步加深人们对人脑功能组织性的认识，而且能为人脑疾病的预防和诊断提供有益的方法学指导，也为类脑智能的研究和发展提供一定的帮助，因此具有重要的指导意义和潜在的应用价值。