一種基于fMRI的類別概念間相似性計算方法
【技術領域】
[0001] 本發(fā)明涉及人工智能及認知神經(jīng)科學領域，特別涉及一種基于功能磁共振(fMRI， functional magnetic resonance imaging)類別概念間的相似性計算方法。
【背景技術】
[0002] 在人工智能及網(wǎng)絡智能領域，常常需要評估類別概念間的相似性，例如："蘋果_ 梨"或"蘋果-馬鈴薯"等類別概念間的相似性，從而將評估得到的類別概念間的相似性應用 在智能搜索引擎或智能問答系統(tǒng)中。如何客觀、合理且定量地評估類別概念間的相似性對 于智能領域的研究和開發(fā)非常重要。
[0003] 目前，類別概念間的相似性計算方法主要有兩種：第一種是基于認知心理學的人 類被試的行為實驗的方法;另一種是基于語義網(wǎng)、自然語義處理、文本挖掘等機器學習的人 工智能方法。
[0004] 具體地說，第一種方法，采用設定個數(shù)的受試人員，比如30人以上，然后由每個受 試人員判斷每個類別概念對的兩兩相似性程度，一般以1-9表示相似性程度，1表示完全不 相似，9表示相同，得到每個類別概念對的多個相似性值。將得到的每個類別概念對的多個 相似性程度值中，刪除其中的異常值，即偏離相似性程度平均值兩倍方差之外的值，將計算 得到的相似性程度平均值或中值作為每個類別概念對的相似性。但是，這種方法難以獲得 大量類別概念間的相似性。例如：為了獲得100個類別概念間的兩兩相似性值，就需要被試 進行（100*99)/2 = 4950次判斷，這在實際應用中是不可行的，因為不僅需要大量的時間，而 且隨著時間的進行，受試的認知負荷加重，配合投入程度也會削弱，影響得到的類別概念間 的相似性的準確性。
[0005] 第二種方法可部分地解決第一種方法的不足。這種方法的基本假設是:較為完備 的語料庫或語義網(wǎng)可反映某一類人群的知識。在進行類別概念的相似性計算時，基于語料 庫或語義網(wǎng)實現(xiàn)。但是，無論采用語料庫還是語義網(wǎng)，如何收集和管理大量的語料或語義詞 匯都是一個巨大的挑戰(zhàn)，仍存在許多技術難題。更進一步地，這種方法基于其假設模擬整個 人群，而無法在個體水平模擬類別概念間的相似性。
[0006] 綜上，無論采用以上哪種方法進行類別概念間的相似性的計算，都存在一定的主 觀性，且難以獲取到大量的類別概念間的相似性。

【發(fā)明內容】

[0007] 有鑒于此，本發(fā)明實施例提供一種基于fMRI的類別概念間的相似性計算方法，該 方法能夠客觀且容易獲得大量的類別概念間的相似性信息，準確度高。
[0008] 根據(jù)上述目的，本發(fā)明是這樣實現(xiàn)的：
[0009] -種基于功能磁共振fMRI的類別概念間的相似性計算方法，該方法包括：
[0010] 對每一類別概念圖片進行識別時，采用fMRI采集每一受試人員識別每一類別概念 圖片時的大腦腦區(qū)激活圖像信息；
[0011] 基于所述采集的圖像信息，計算得到在設定激活腦區(qū)內的每一受試人員識別每一 類別概念圖片時的激活水平向量；
[0012] 計算每一受試人員的兩兩類別概念圖片對的激活水平向量的平均方差值后，將得 到的平均方差值進行歸一化處理，得到兩兩類別概念的相似性值。
[0013] 所述對每一類別概念圖片進行識別的過程為：
[0014]對每一類別概念圖片進行處理，得到不同視覺角度以及鏡像的正常圖片，和對應 的視覺基線圖片，其中，所述視覺基線圖片為不同視覺角度以及鏡像的正常圖片的傅里葉 變換后的振幅圖片；
[0015] 設定識別任務，包括正常圖片識別條件下的識別任務及視覺基線條件下的識別任 務，分別進行不同視覺角度以及鏡像的正常圖片，及視覺基線圖片的識別。
[0016] 所述在進行識別正常圖片任務時，還包括:識別干擾圖片；
[0017] 所述在進行識別視覺基線任務時，還包括:識別干擾圖片。
[0018] 基于所述采集的圖像信息，計算得到在設定激活腦區(qū)內的每一受試人員識別每一 類別概念圖片的激活水平向量的過程為：
[0019] 采用多重回歸技術進行參數(shù)估計得到某一類別概念圖片的正常圖片識別條件的 參數(shù)值β及視覺基線條件下的參數(shù)值β;
[0020] 在設定激活腦區(qū)體素內，正常圖片識別條件的β減去視覺基線圖片識別條件下的 β，得到每一受試人員識別某一類別概念圖片的激活水平向量。
[0021] 所述分別計算某一類別概念圖片的正常圖片識別條件的β及視覺基線圖片識別條 件下的β為:建立一個線性模型，該線性模型為大腦腦區(qū)掃描圖像與所設定的標準雙伽馬血 液動力學響應函數(shù)的卷積。
[0022] 所述計算每一受試人員的兩兩類別概念圖片對的激活水平向量的平均方差值的 過程為：
[0023] 假設兩兩類別概念圖片對的激活水平平均向量分別為v(m)及ν(η)，采用公式
十算平均方差值，其中，1表示設定激活腦區(qū)體素：
[0024] 所述將得到的所有受試人員的兩兩類別概念圖片對的激活水平向量的平均方差 值進行歸一化處理為：
[0025]對于所獲得的所有Vm,n，可獲得其最小值為min，最大值為max。對所有1,"采用公式 (Vm,n-min)/(max-min)的 0-1 歸一化處理：
[0026] 所述得到兩兩類別概念圖片的相似性值的過程為：
[0027] 采用 l-dn-mirOAmax-minH1!^。
[0028] 由上述方案可以看出，本發(fā)明實施例將fMRI技術應用到類別概念間的相似性計算 過程中，具體為:首先，對每一類別概念圖片進行識別時，采用fMRI采集每一受試人員識別 每一類別概念圖片時的大腦腦區(qū)激活圖像信息，然后，基于所述采集的圖像信息，計算得到 在設定激活腦區(qū)內的每一受試人員識別每一類別概念圖片時的激活水平向量;最后，計算 每一受試人員的兩兩類別概念圖片對的激活水平向量的平均方差值后，將得到的平均方差 值進行歸一化處理，得到兩兩類別概念圖片的相似性值。由于本發(fā)明并不是受試人員主觀 對類別概念間的相似性的確定，而是根據(jù)受試人員在識別類別概念圖片時采用fMRI采集的 腦區(qū)圖像信息計算獲得，從而客觀且較易獲得大量的類別概念間的相似性程度信息，準確 度較高。
【附圖說明】
[0029] 圖1為本發(fā)明實施例提供的類別概念間的相似性計算方法流程圖；
[0030] 圖2為本發(fā)明實施例提供的類別概念圖片識別過程呈現(xiàn)示意圖；
[0031 ]圖3為本發(fā)明實施例提供的大象正常動物圖片示意圖；
[0032] 圖4為本發(fā)明實施例提供的大象視覺基線圖片示意圖；
[0033] 圖5為本發(fā)明實施例提供的在視覺基線任務中的干擾圖片示意圖；
[0034] 圖6為本發(fā)明實施例提供的對應每一動物類別的大腦激活示意圖；
[0035]圖7為本發(fā)明實施例提供的Tenenbaum貝葉斯模型輸出（輸入為通過fMRI數(shù)據(jù)計算 得到的類別概念相似性)和受試評分比較結果示意圖。
【具體實施方式】
[0036] 為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下參照附圖并舉實施例，對 本發(fā)明作進一步詳細說明。
[0037] 本發(fā)明為了客觀且容易獲得大量的類別概念間的相似性程度信息，提高準確度， 將fMRI技術應用到類別概念間的相似性計算過程中，受試人員只需要識別類別概念圖片， 而不需要對類別概念圖片的相似性直接進行判斷。類別概念間的相似性計算都基于受試人 員在識別類別概念圖片時采用fMRI采集的腦區(qū)圖像信息計算獲得，從而可以以較少次的判 斷和較低認知負荷來獲得大量的類別概念間的相似性信息。而且，直接基于大腦皮層激活 模式來計算類別概念間的相似性，排除了被試主觀判斷可能存在的隨意性，是一種客觀的 方法。
[0038] 圖1為本發(fā)明實施例提供的類別概念間的相似性計算方法流程圖，其具體步驟為：
[0039] 步驟101，對每一類別概念圖片進行識別時，采用fMRI采集每一受試人員識別每一 類別概念圖片時的大腦腦區(qū)激活圖像信息；
[0040] 步驟102,基于所述采集的圖像信息，計算得到在設定激活腦區(qū)內的每一受試人員 識別每一類別概念圖片時的激活水平向量；
[0041] 步驟103,計算每一受試人員的兩兩類別概念圖片對的激活水平向量的平均方差 值后，將得到的平均方差值進行歸一化處理，得到兩兩類別概念圖片的相似性值。
[0042] 在一個實施例中，所述對每一類別概念圖片進行識別的過程為：
[0043]對每一類別概念圖片進行處理，得到不同視覺角度以及鏡像的正常圖片，和對應 的視覺基線圖片，其中，視覺基線圖片為不同視覺角度以及鏡像的正常圖片的傅里葉變換 后的振幅圖片；
[0044] 設定識別任務，包括正常圖片識別條件下的識別任務及視覺基線條件下的識別任 務，分別進行不同視覺角度以及鏡像的正常圖片及視覺基線圖片的識別。
[0045] 更進一步地，在進行識別正常圖片任務時，還包括:識別干擾圖片，在進行識別視 覺基線任務時，還包括:識別干擾圖