[发明专利]一种人脑语言认知建模方法

摘要

本发明公开了一种人脑语言认知建模方法，包括以下步骤认知状态实例初始化；映射激活特征与观测数据间的概率分布；定义脑隐态认知模型；隐态认知模型参数解析。本发明在认知建模过程中，将输入刺激、观测结果、隐态认知状态定义为动态事件相关的三重时间序列，即认知刺激任务时间序列、观测特征时间序列、隐性认知状态时间序列，而且这三重时间序列通过一组概率分布相联系，不是将所采集的脑数据视为静态信息进行统计，因而本发明的认知建模方法无需满足基于统计的基本假定，在小样本数据条件下仍然成立，保证了认知分析结果的正确性，因而解决了小样本数据下的认知建模问题。本发明提高了认知建模的精度，也为复杂认知分析提供了有效途径。

主权项

一种人脑语言认知建模方法，其特征在于：包括以下步骤：A、认知状态实例初始化用h标识人脑中的认知状态，由于h并不能直接用仪器设备进行观测，因而将h称为隐性认知状态，将隐性认知状态h表示成四元组<W,d,Θ,Ω>，其中：d表示h在时间上的持续标量；W是时空维度为d×V的反映矩，其中V为h涉及的脑区维度，其空间维度分量为v；Θ为h的参数空间，Ω为参数空间的值域；认知观测过程中，一输入刺激Δ，脑认知状态的激活会存在一定的时滞；对处于激活态的认知状态，即是认知状态实例，用ξ标记，考虑隐性认知状态h的时间因素，认知状态实例是一个三元组<h,λ,o>，其中：h为相应的隐性认知状态，λ是实验刺激的输入时间点，o是认知状态的时间偏移，认知状态实例ξ的起始时间为λ+o，其持续时间d与对应的隐性认知状态h持续的时间相同，都用d(h)表示；B、映射激活特征与观测数据间的概率分布假定在认知实验过程中，t时段通过成像设备观测受试者的脑激活特征bt是由L个认知状态实例共同作用的结果，用ξ1,ξ2,…,ξL标示这L个认知状态实例，那么记bt＝{ξ1,ξ2,…,ξL}；bt与观测时间序列S中时段t、空间维度分量v的分量stv服从正态分布，即：stv～N(μtv(bt),σv)  (1)其中σv是标准方差，它反映与观测时间序列相关的噪声分布，具有时间独立性；μtv(bt)反映相应时段所有相关认知状态的叠加效果，即满足下式：μtv(bt)=Σξ∈btΣd(h(ξ))δ(λ(ξ)+o(ξ)=t-τ)wτv(h(ξ))---(2)]]>其中δ(.)为指示函数，如果自变量为真，该函数结果为1，否则为0；h(ξ)标识认知状态实例ξ对应的隐性认知状态；wτv(h(ξ))则是标识时段t的第τ时间步上隐性认知状态反映矩W(h(ξ))的v分量；C、定义脑隐态认知模型定义脑隐态认知模型为一个六元组<H,Φ,I,S,Ξ,Γ>，用HCM标记，其中：H是隐性认知状态集合；Φ是隐态认知模型的参数矢量，它们依赖实验设计参数，即：刺激的类型、输入刺激的时间点；S是观测时间序列；Ξ是由输入刺激Δ组成的刺激序列；I是认知状态实例的时间序列，由于认知状态实例的激活时间点与观测时间序列相对应，因而将I中的元素bt简写为b；Γ为<σ1,σ2,…,σv>方差集，其中σv是公式(1)中的标准方差，反映时间序列的噪声分布；HCM定义了I与S、Ξ构成概率相关的三重时间序列，为I所定义的随机变量，则观测到的脑激活特征与隐性认知状态间的概率分布为：P(S|HCM,Δ)=Σb∈IP(S|HCM,I^=b)P(I^=b|HCM,Δ)---(3)]]>其中，P(I^=b|HCM,Δ)=Πξ∈bP(h(ξ)|HCM,Δ)P(o(ξ)|h(ξ),HCM,Δ)Σb,∈IΠξ,∈b,P(h(ξ,)|HCM,Δ)P(o(ξ,)|h(ξ,),HCM,Δ)---(4)]]>式中，P(h(ξ)|HCM,Δ)是汉语认知实验过程中条件刺激为Δ激活隐性认知状态h及相应认知状态实例ξ的条件概率，P(o(ξ)|h(ξ),HCM,Δ)是相应的时滞条件概率；隐态认知模型的建模过程需要针对特定的认知过程确定其条件概率，同时还要确定隐态认知模型的参数矢量，对HCM各项参数进行最大似然估计；对于HCM，根据贝叶斯定理有：P(I^=b|S,HCM,Δ)=P(S|I^=b,HCM)P(I^=b|HCM,Δ)Σb′∈IP(S|I^=b′,HCM)P(I^=b′|HCM,Δ)---(5)]]>D、隐态认知模型参数解析隐态认知模型通过学习训练确定与观测时间序列相吻合的隐态认知状态概率及其参数，也就是最小化目标函数：f(Φ)=Σv=1VΣt=1TΣb∈IP(I^=b|S,Φ)2σv2(stv-μtv(b))2---(6)]]>式中，Φ表示隐态认知模型中认知刺激任务时间序列、观测特征时间序列、隐性认知状态时间序列三重时间序列间的映射概率参数，T为隐态认知模型的总时间；D1、初始化搜索群：利用n个搜索个体所形成的种群在Φ所确定的空间中进行并行搜索，令搜索个体的最大速度vmax＝r；时间步t＝0时，对n个搜索个体的进行随机初始化，即第i个搜索个体的第j维的位置pij＝Rand(‑r,r)和第i个搜索个体的第j维的速度vij＝Rand(‑vmax,vmax)；r为定义域，t为时间步；D2、若满足预定最大迭代次数或10次迭代结果无改善，则输出结果p*和f(p*)并结束计算；否则，转步骤D3；式中，p*为搜索个体所组成的群中最好的个体状态，f(p*)是搜索个体所组成的群中最好的个体状态所确定的适应值；D3、计算搜索个体的适应值按照公式(6)计算搜索个体的适应值；D4、最优保存令t＝t+1，实施最优保存策略，即：pi#(t)=argmin1≤i≤n(f(pi#(t-1)),f(pi(t)))]]>p*(t)=argmin1≤i≤n(f(p*(t-1)),f(p1(t)),...,f(pn(t)))]]>式中，p*为搜索个体所组成的群中最好的个体状态，pi#是第i个搜索个体从t＝0开始迭代到当前最好的状态，f(p*)是搜索个体所组成的群中最好的个体状态所确定的适应值；D5、状态转移联合操作引入搜索个体所组成的群体优势动态地搜索，针对每个搜索个体的每一维度根据公式(7)和(8)执行状态转移联合操作：vij(t)=wvij(t-1)+c1r1(pij#(t-1)-pij(t-1))+c2r2(pij*(t-1)-pij(t-1))---(7)]]> xij(t)＝vij(t)+xij(t‑1)  (8)转步骤D2。