学位论文 > 优秀研究生学位论文题录展示

启发式问题解决认知神经机制及fMRI数据分析方法研究

作　者: 相洁
导　师: 陈俊杰
学　校: 太原理工大学
专　业: 计算机应用技术
关键词: 启发式问题解决算子认知神经机制 SVVC分类 ACT-R认知建模 BOLD模式聚类
分类号: TP18
类　型: 博士论文
年　份: 2010年
下　载: 368次
引　用: 4次
阅　读: 论文下载

内容摘要

人工智能经过几十年的发展,取得了一定的成绩,也面临很大的困惑。问题解决是人类思维的最一般形式,是人类高级智能的具体表现,理解与探索人脑问题解决神经机制和信息加工过程可为人工智能提供新的思路。出于“认识脑、保护脑、开发脑、创造脑”的目的,问题解决的认知神经机制以及信息加工过程的研究已经越来越多地受到了不同领域研究人员的关注。本研究是国家自然科学基金项目“问题求解中启发式搜索的认知神经机制研究”(ID:60875075)中的主要组成部分,属于探索性研究。问题解决信息加工理论认为:问题解决就是通过不断操作算子,使问题从初始状态变化到目标状态的过程,使用启发式算子可以提高问题解决效率。依据该理论,针对问题解决过程中启发式算子搜索与运用的认知神经机制和信息加工过程进行了系统的研究,并提出了基于分类与聚类的fMRI数据分析方法。主要工作和创新点如下:(1)针对算子搜索与运用认知神经机制,提出了新的问题解决实验范式,并设计了两个认知实验:①启发式规则运用与提取;②启发式规则搜索。第一个认知实验重点研究人脑如何提取并运用特定算子,第二个重点研究人脑合理选择和搜索合适算子进行状态空间搜索的神经机制。(2)采用多角度fMRI数据分析方法,研究分析了算子搜索与运用的神经机制和信息加工过程。通过脑功能定位分析,发现了算子搜索与运用的激活脑区。在此基础上,通过功能连接分析探索激活脑区之间的连接模式,并提出了算子搜索与运用认知过程的假设。进一步通过ACT-R建立的认知模型验证了该假设,该模型与实际数据的拟合程度达80%以上,说明了该假设与模型比较客观地反映了实际信息加工过程,为理解启发式问题解决信息加工过程提供了有力支持。(3)分析了现有的fMRI分类算法,提出了SVVC数据分类方法,该方法可以分析特定脑区与认知过程的相关性,能较好地预测高级思维状态。通过提取单体素BOLD时间序列,训练单体素分类器,并使用AdaBoost算法集成单体素分类结果,分类正确率高达90%。研究对比了不同特征选择方法以及不同分类算法的分类情况,结果表明使用AdaBoost算法的方法性能最好,而选择与问题解决相关的脑区作为分类特征的分类性能较好。(4)提出了基于BOLD模式聚类的fMRI数据分析方法,并运用该方法进行大脑协同工作模式的分析。通过提取全脑所有体素的BOLD效应,并对这些BOLD模式进行聚类分析,发现了典型的BOLD模式及其在大脑中的分布情况。在此基础上,进一步从时间和空间上分析了大脑协同工作情况。该方法是一种全面揭示大脑协同工作模式的有效fMRI数据分析手段。总之,围绕着问题解决过程中启发式算子的搜索与运用,本研究借助fMRI技术、认知心理学、数据挖掘、认知建模等方法探索了其神经机制和信息加工过程,研究结果有望为人工智能研究提供一些参考。研究过程中提出的基于分类与聚类等fMRI数据分析方法是现有方法的有益补充。

全文目录

摘要  3-5
ABSTRACT  5-14
第一章绪论  14-26
  1.1 问题的提出  14-16
  1.2 研究意义  16-18
  1.3 问题解决及FMRI 数据分析方法国内外研究现状  18-20
  1.4 研究目标与主要研究内容  20-25
    1.4.1 研究目标  20-21
    1.4.2 主要研究内容  21-23
    1.4.3 研究技术路线  23-25
  1.5 本章小节  25-26
第二章基于FMRI 的思维研究方法  26-40
  2.1 FMRI 技术  26-28
  2.2 FMRI 研究的基本方法  28-39
    2.2.1 fMRI 实验设计  28-30
    2.2.2 fMRI 数据采集  30-32
    2.2.3 fMRI 数据预处理  32-34
    2.2.4 脑功能定位分析  34-35
    2.2.5 多角度数据分析  35-39
  2.3 本章小结  39-40
第三章启发式规则运用的FMRI 研究  40-67
  3.1 4×4 SUDOKU 问题解决过程  40-42
  3.2 认知实验设计与实施  42-44
  3.3 行为数据分析及结果  44-46
  3.4 FMRI 分析及结果  46-55
    3.4.1 探索性分析  46-53
    3.4.2 验证性ROI 分析  53-55
  3.5 功能连接分析  55-60
    3.5.1 分析方法  55-56
    3.5.2 不区分任务条件的连接分析结果  56
    3.5.3 区分任务条件的连接分析结果  56-57
    3.5.4 讨论  57-60
  3.6 ACT-R 认知建模  60-65
    3.6.1 关于问题解决认知过程的假设  60-62
    3.6.2 模型输出  62-65
  3.7 结论  65-66
  3.8 本章小结  66-67
第四章启发式规则搜索的FMRI 研究  67-78
  4.1 认知实验设计与实施  67-69
  4.2 行为数据分析及结果  69-71
  4.3 FMRI 分析及结果  71-76
    4.3.1 探索性分析  71-74
    4.3.2 验证性分析  74-76
  4.4 讨论  76-77
  4.5 本章小节  77-78
第五章基于分类的FMRI 数据分析  78-97
  5.1 分类FMRI 数据预测思维状态  78-82
    5.1.1 相关研究  78-79
    5.1.2 fMRI 数据分类基本原理  79-80
    5.1.3 特征选择  80-81
    5.1.4 特征抽取  81-82
  5.2 分类算法选择  82-83
  5.3 实验数据及预处理  83-84
  5.4 基于MVC（MULTI-VOXEL CLASSIFIER）的数据分类  84-85
    5.4.1 MVC 分类原理  84-85
    5.4.2 MVC 分类实验结果及讨论  85
  5.5 基于RVC（ROI VOTER CLASSIFIER）的数据分类  85-89
    5.5.1 RVC 分类原理  85-87
    5.5.2 RVC 分类实验结果及讨论  87-89
  5.6 基于SVVC（SINGLE-VOXEL VOTER CLASSIFIER）的数据分类  89-95
    5.6.1 SVVC 分类方法  89-90
    5.6.2 单体素分类结果集成方法  90-91
    5.6.3 单体素分类实验结果及讨论  91-95
  5.7 分类正确率较高的体素脑区定位  95-96
  5.8 本章小结  96-97
第六章 BOLD 模式聚类分析  97-112
  6.1 BOLD 模式聚类分析  97-99
  6.2 BOLD 模式类型  99-107
    6.2.1 提取单个voxel 的BOLD 效应  99
    6.2.2 聚类算法选择  99-105
    6.2.3 感兴趣BOLD 模式  105-107
  6.3 脑区之间协作关系  107-111
    6.3.1 与标准模式的相关分析  107-109
    6.3.2 感兴趣模式的层次聚类  109-111
  6.4 本章小结  111-112
第七章结论与展望  112-115
  7.1 主要工作  112-113
  7.2 未来的工作  113-115
参考文献  115-123
附录  123-134
致谢  134-136
攻读学位期间发表的学术论文目录  136-137
攻读学位期间主持和参与的科研项目  137-138

启发式问题解决认知神经机制及fMRI数据分析方法研究

内容摘要

全文目录

相似论文