人脑认知计算模型简介（上）

引入

这是本系列的第一篇文章，即“腹侧颞叶皮层时空功能磁共振成像的认知计算建模”。

将介绍认知计算建模的主题及其在大脑解码研究中的使用案例。让我们开始吧。

所有相关资料都位于我的Github页面上。别忘了去看看。如果你是一个论文爱好者，你可以阅读本系列文章的论文版，也可以在我的仓库中找到。

https://github.com/cankocagil/Cognitive-Computational-Modelling-for-Spatio-Temporal-fMRI-in-Ventral-Temporal-Cortex

---

人脑腹侧颞叶皮层对来自自然界的视觉刺激的不同表现具有选择性，腹侧物体视觉通路产生分布和重叠的神经反应[21]。

进行单细胞研究，以证明非人灵长类动物腹侧颞叶皮质中单个神经元的差异调整对不同种类的物体具有选择性，并形成代表性特征[6,21]。

然而，它们的选择性顺序不可概括，也不能扩展到更高程度的对象表示[8]。为了模拟腹侧皮质的神经结构，我们开发了统计算法，但该通路的不确定性仍然存在。

关于神经成像的最新进展表明，人类感知、记忆和思想的时空解码可以通过功能磁共振成像（fMRI）方法进行解码[11]。然而，由于时空分辨率的神经能力，功能磁共振成像数据的复杂性和分布需要复杂的科学工具。

随着机器学习的发展，神经科学家在大规模功能磁共振成像数据集中发现统计和结构模式，以解决神经科学背景下的各种任务。此外，深度学习的最新进展使研究人员能够解决尚未解决的神经科学任务[12]，并具体说明了深度学习的重要性。

在这项研究中，我们构建了端到端的发现机器学习管道，以解码人类受试者基于功能磁共振成像数据观察到的视觉刺激类别。

我们利用最先进的解释性神经成像技术，如回声平面、感兴趣区（RoI）、统计图、解剖和玻璃脑方法，对功能磁共振样本的视觉结构进行可视化和预分析。

我的实验基于一个区块设计的4-D时间序列功能磁共振数据集，即哈克斯比数据集[7,15,8]，该数据集来自人脸和物体表征的研究。它由6名受试者组成，每个受试者12次实验[8]。

每次实验，受试者被动地观看八个物体类别的灰度图像，这些图像按24秒的时间段分组，以休息时间分隔[8,7]。每幅图像显示500ms，然后是1500ms的刺激间隔[7]。

全脑功能磁共振成像数据以2.5s重复时间记录。它由每个受试者的高分辨率解剖图像组成，但第六个4D特征磁共振成像时间序列图像数据除外，其形状为1452，包含40x64x64个体素（对应于3.5 x 3.75 x 3.75 mm的体素大小和2.5秒重复时间）[8]。

我们有8种不同的刺激类型，分别是剪刀、脸、猫、拼图、瓶子、椅子、鞋子和房子。静止状态块被消除，因为它不提供关于解码视觉刺激的额外信息[8]。

在深入研究获取Haxby数据集的Python代码及其探索性功能磁共振成像分析之前，让我们先从鸟瞰的角度来了解整个分析，以及如何在神经解码的背景下执行认知计算建模。

1.发现神经影像学分析

作为探索神经成像分析，我们采用了最先进的解释性神经成像技术，如回声平面、感兴趣区（RoI）、统计图、解剖和玻璃脑方法，以可视化和预分析功能磁共振样本的视觉结构。我们将在系列文章的第二部分深入讨论。

2.腹侧颞叶皮质的功能连通性和相似性分析

我们进行了基于相关性、精确度和偏相关的功能连接性分析，以及基于余弦、minkowski和欧几里德距离的相似性分析，以发现腹侧颞叶皮质的重叠表达。

这在解释性功能磁共振成像分析中非常有用，因为它显示了人脑中的分布区域如何从统计和数学角度共享相似的特征。我们将在系列文章的第三部分深入讨论。

3.人脑分布区域的流形学习和降维

在每个受试者的腹侧时间掩码上执行流形学习和降维方法，以提取时空掩码的潜在变量，这将有助于进一步解码人脑。

作为降维方法，我们应用了主成分分析（PCA）、线性判别分析（LDA）、独立成分分析（ICA）、非负矩阵分解（NNMF）和多维尺度分析（MDS），然后通过三维可视化比较这些获得的子空间。

此外，我们执行流形学习算法来提取隐藏的腹侧颞区的潜在流形分布。我们执行了t-随机邻域嵌入（t-SNE）、统一流形近似和投影（UMAP）、ISOMAP、局部线性嵌入（LLE）和谱嵌入（SE），然后通过它们的三维可视化来比较它们的低维流形，进一步帮助解码过程。

这将全面介绍如何理解人脑腹侧颞叶皮质。从ML的角度来看，这将是对无监督学习和人脑交叉点的深入回顾。我们将在系列文章的第四部分深入讨论。

在这一点上，我们只进行发现分析，以了解功能磁共振成像数据样本及其分布。接下来，我们将深入了解解码过程。

4.时空功能磁共振成像解码：ML和DL算法

端到端机器学习算法被开发用于根据腹侧颞叶皮层的分布和重叠区域对刺激进行分类。

准确地说，我们执行了以下机器学习算法；线性支持向量分类器（LinearSVC）、随机梯度下降分类器（SGDClassizer）、多层感知器（MLP）、感知器、逻辑回归、逻辑回归交叉验证、支持向量分类器（SVC）、校准分类器（等渗回归概率校准）、被动攻击分类器、，标签传播分类器、随