文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

本文将以人脑腹侧颞叶皮层的多体素模式分析(MVPA)来探讨人脑功能连接与相似性分析。MVPA被认为是一个监督分类问题，分类器试图捕捉fMRI活动的空间模式和实验条件之间的关系，从而推断大脑区域和网络的功能作用。从机器学习的角度来看，这里输入(input)的通常是来自神经科学实验的fMRI数据，输出(output)是有关类别的概率分布。在本示例中将尝试解码人类被试所看到的视觉刺激类别(面孔、猫、椅子、鞋子、房子、剪刀……)。

使用“nilearn”框架从web上下载Haxby数据集，Haxby数据集是一个基于区组设计4-D时间序列的fMRI数据集，来自于人脸和物体表征的研究。由6名被试组成，每名被试完成12组实验。在每组实验中，让被试观看8种物体类别的灰度图像，每组以24秒的休息时间间隔开来。每张图像呈现500ms，紧接着是1500ms的刺激间隔。全脑fMRI数据以2.5s的像重复时间记录，一种刺激block约含9个像。第6个4-D fMRI时间序列图像数据除外，它由每个被试的高分辨率解剖图像组成，形状为1452个像，包含40x64x64个体素。

部分视觉刺激示例(Haxby, 2001)

首先，安装Python包，复制并粘贴以下代码进行安装。

然后，导入所有需要用到的Python包。如果想保存结果，可以创建一个名为“images”和“results”的文件夹，或者删除下面的66-67行。

为了理解Haxby数据集，请阅读下面的文档字符串。注意，从网上下载数据大约需要30分钟，这取决于你的下载速度等方面的原因。

获取Haxby数据集后，接下来理解数据结构并将其转换为NumPy数组以进行进一步处理。

可以看到，有8个刺激类别。(忽略“rest”类别，因为它没有提供额外信息)

删除“rest”条件数据，并探究数据形状，如下所示。

一共有864个时间序列数据。固定时间的fMRI数据的大小为40x64x64，其中40表示三维图像的深度，两个64表示空间维度。因此，这里是4维时间序列图像数据。先来看看实验中6个被试的数据情况，所有被试都有864个时间序列数据。

然后，进行掩膜，提取感兴趣区域，对fMRI进行降维。掩膜的fMRI样本代表可能发生神经活动的区域。

这个脚本能够获取fMRI数据，将数据转换为NumPy矩阵；创建并应用时空掩膜来提取感兴趣的区域；准备监督(目标/标签)。

接下来，运行这个函数并获取数据。

现在，可以执行对大脑的功能连接和相似性分析了。

功能连接被定义为脑区解剖学上神经元激活模式的时间依赖性。近年来，越来越多的神经成像研究开始通过测量脑区静息态fMRI时间序列的共激活水平来探索功能连接。这些功能连接对于建立大脑区域的统计连接很重要。功能连接可以通过估计来自不同大脑区域分解信号的协方差(或相关)矩阵来获得，例如在静息态或自然刺激数据集上。在这里，基于相关性、精度和偏相关性进行了功能连接分析。然后，基于余弦距离、闵可夫斯基距离和欧氏距离进行相似性分析，进一步扩展掩膜fMRI数据的统计结果。

功能连接性：相关性

对被试1进行基于皮尔逊相关的功能连接。可以看到，在被试1的腹侧颞叶皮层中，当面孔刺激被呈现时，存在很强的相关性。

功能连接性：精度

使用逆协方差矩阵，即精度矩阵更有意思。它只给出了区域之间的直接联系，因为它包含偏协方差，即两个区域之间的协方差取决于所有其他区域。此外，在精度评分的基础上进行了功能连接体，以提取被试1的ROI信号。在这里，随着连接性测量的变化，可以看到被试1的腹侧皮层空间相关性的直接变化。通过精度测量，进一步了解大脑的组织和网络。

功能连接：偏相关

在众多的网络建模方法中，偏相关在准确检测真实脑网络连接方面具有很大的潜力。因此，接下来执行基于偏相关的功能连接性分析。对ROI fMRI数据进行偏相关的可视化显示，结果发现被试1的腹侧颞叶皮层相关性不高。

相似性分析：余弦距离

为了便于在大脑的统计连接背景下理解测地线，对被试1进行余弦相似性分析，并将得到的矩阵可视化。结果表明，当视觉刺激出现时，神经活动有高度重叠的区域。

相似性分析：闵可夫斯基距离

为了使用不同的相似性测量进行实验，接下来，采用闵可夫斯基距离，这是欧氏距离和曼哈顿距离的概括性表述。该方法在fMRI时间相似性分析中非常有用。

相似性分析：欧氏距离

最后，基于经典欧氏距离进行相似性分析。这是一个非常经典的距离测量方法，用勾股定理表示这些点的笛卡尔坐标。从功能连接和相似分析所揭示的统计和结构模式可以得出结论，人脑腹侧颞叶皮层诱发的神经活动具有高度重叠和分布式的特点。

参考来源：

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

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。