静息态脑区的活动特征研究

静息态脑区的活动处于一种相对稳定的状态。但是,静息态机能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)实验中,被试者可能会受到各种噪声的影响,因此,统计分析所得到的静息态脑区的活动强度和体素数都可能受此影响。为了更进一步研究静息态脑区的活动特点,分别对16名被试采集了8′14″的静息态fMRI数据,将这些数据按照时间等分为5个部分,对每个部分分别采用低频振幅方法进行分析。实验结果显示:楔前叶和后扣带皮层包含活动体素的个数随时间变化较小,处于一种相对稳定的状态;额内侧皮层和顶下小叶中活动体素个数随时间变化差异较大,处于不是很稳定的状态。实验结果表明,静息态脑区中,楔前叶和后扣带皮层对于外界噪声的干扰不敏感,额内侧皮层和顶下小叶对于外界噪声比较敏感。     

基于机器学习的静息态人脑功能活动差异的分类研究

本研究在睁眼(eyes-open,EO)和闭眼(eyes-closed,EC)两种静息态下提取了45位健康被试的脑功能参数比率低频振幅(fractional amplitude of low frequency fluctuation,fALFF)和局部一致性(regional homoge-neity,ReHo)数据...     

“网络成瘾”与信息“节食”

“互联网成瘾症”(IAD)在全球网民(尤其是青少年网民)当中迅速蔓延,社会危害性极强,备受社会学和心理学家们的广泛关注,本文从网络成瘾概念的界定出发,介绍了网络成瘾的临床鉴定和基本类型,剖析了网络成瘾的心理成因,建议网民们要解除网瘾,进行信息“节食”,最后对青少年沉缅于网络游戏这一社会问题提出了治理对策。     

基于网络的《大学英语》双主教学模式初探

双主教学模式是一种能有效发挥教师主导作用和学生主体作用的教学模式。采用这种教学模式，可以有效地发挥学生思维品质、培养其综合应用能力。在现代信息技术手段日益获得提高的今天，充分利用网络资源的辅助作用．建正Web—based英语教学双主教学模式，是高校大学英语教学改革的一种尝试。以《大学英语》这门公共基础课程为例，讨论Web—based大学英语双主模式的构建问题。     

静息态人脑功能网络的小世界特性

研究了静息态下健康人脑的功能连接模式有助于理解人脑在正常或疾病状态下的功能活动规律.利用小波变换从健康志愿者静息态的功能磁共振成像中提取时间序列,计算90个脑区的相关性,设定阈值建立脑功能网络的无向简单图,然后计算特征路径长度和聚类系数,并对度分布进行拟合.结果显示:脑功能网络具有规则网络的大聚集系数又具有随机网络的小特征路径长度,度的拟合显示具有指数截断幂律分布,即脑功能网络具有小世界特性.     

大一新生孤独与网络成瘾的交叉滞后分析

为探讨大一新生在第一学期内网络成瘾与孤独之间的双向发展关系,对某省两所高校的750名大一新生进行横向调查,从中随机抽取356名被试进行为期一个学期的纵向追踪,被试分三次(T1,T2,T3)填写孤独量表和网络成瘾量表,中间平均间隔1个月.结果表明:T2-T3,孤独感和网络成瘾可相互显著正向预测,且这种双向预测关系不存在性别差异;孤独与网络成瘾存在中等程度的相关;T2时间点是开展大一新生孤独和网络成瘾干预的关键时间点.     

基于β估计校正值的低场功能磁共振成像分析方法

针对低场功能磁共振成像(fMRI)非脑组织信号变化的影响,提出一种有效的图像分析方法以改进大脑功能定位的结果.综合利用基于形变模型的图像分割算法和基于像素形态测量学(voxel-basedmorphometry,VBM)的统计分析方法提取脑组织,生成显式掩模,并构建分析掩模图像以修正一般线性模型的β参数估计值,使得VBM的统计推断只针对大脑组织,消除了非脑组织信号变化的影响.应用实例表明,这种方法可有效去除背景、头骨及头皮信号变化引起的伪激活区,提高了低场fMRI分析的可靠性和准确性.     

基于静息态fMRI的人脑功能网络的小世界特性

从19个健康志愿者静息态的功能磁共振成像中提取了时间序列,计算了90个脑区的功能相关性,设定阈值建立脑功能网络的无向简单图,然后计算了一些网络测度.结果显示人脑功能网络具有小世界特性;性别分层后并没有发现各网络测度在全脑水平有显著性的性别差异.     

基于多层时变功能脑网络特征的运动想象识别

针对运动想象脑电信号(EEG)识别中信号随时间的结构动态变化与网络分离整合过程被忽视等问题,提出一种基于多层时变功能脑网络的运动想象特征提取方法．本方法截取运动想象有效片段投入EEGLAB进行信号预处理;依据滑动窗口方法,设定合适长度与步长,将信号分成连续且部分重叠的时间窗口,将时间窗口截获的脑电数据生成多个脑网络,以节点间锁相值构建多层时变网络模型．首先通过多层时变网络不同层的网络拓扑分析与层间相似度量指标自适应确定其中核心网络层,提取其节点度和聚类系数用以描述网络空间功能连接;然后结合多层参与系数和多层聚类系数,描述脑电信号网络动态变化与分离整合特征,并组合两者成为多层时变脑功能网络特征向量,完成运动想象识别任务．用支持向量机识别的结果表明：基于所构建的网络特征向量分类准确率高达89.14%,高出对比所用的单层网络特征6.61%.     

基于GA-RBF网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态(state of charge,SOC)的精确预测问题,提出了一种基于遗传算法的径向基函数(genetic algorithm-radial basis function,GA-RBF)神经网络的磷酸铁锂电池SOC预测方法,它克服了网络参数选择的随机性,具有更强的适应能力。通过仿真实验,证明了该方法比传统的径向基函数(radial basis function,RBF)神经网络预测结果更加准确,运行更稳定,满足电池管理系统对磷酸铁锂(LiFePO4)动力电池SOC预测的精度和实际使用的要求。