基于深度学习的fMRI数据分类方法及其应用研究文献综述

文献综述

1.研究背景：大脑作为神经系统的中枢处理着我们日常生活中获取的各种信息，调节着身体的各种机能，具有极其精细的生物结构，大脑功能的轻微损坏即有可能导致疾病的发生。

脑部精神疾病作为一类高患病率的疾病长期以来一直困扰着患病人群的生活。

21世纪以来随着经济的快速发展，人们在生活水平提高的同时，生活压力也日益增大，精神疾病的患病率也持续上升，随着我国人口老龄化的趋势越来越严重,精神疾病给社会和众多家庭带来了巨大的负担。

随着科学技术水平的飞速发展，大量的脑成像技术逐渐涌现出来，如脑电图(Electro Encephalo Graph，EEG)、 脑磁图(Magneto Encephalo Graph，MEG)、计算机断层扫描(Computer Tomography, CT)和功能磁共振成像(Functional Magnetic Resonance Imaging，fMRI) 技术等等，都被应用到大脑的研究中，并取得了不错的结果。

由上述技术采集得到的脑成像数据蕴含有丰富的信息，通过这些数据，研究者们不仅可以深入地研究大脑的工作机制，而且对于一些脑疾病也可以提供更可靠的生理依据和治疗手段。

功能磁共振成像（(functional Magnet ic Resonance Imaging，fMRI）[1,2]是神经影像学的研究热点之一,其原理是使用磁振造影技术测量神经元活动所引起的血液动力变化，从而获得大量的三维脑成像数据。

通过对fMRI数据进行分类，可以有效地解码出被试当前的大脑认知状态，这对人类理解大脑的工作机制具有十分重要的意义。

然而，fMRI 数据因其高维特性，给现有的模式分类方法带来了极大挑战。

近年来，大量的机器学习方法被用来解决fMRI数据分类问题，并取得了不错的效果，其中，深度学习作为新兴的机器学习方法，因其对高维数据优秀的建模能力，逐渐成为了解决fMRI数据分类问题的重要方法。