Page 252 - 急诊医学与精神疾病的临床理论研究

第七章 大数据时代的精神分析

2. 智能算法优化脑信号数据收集
由于脑发育的个体差异性，人工智能算法对脑成像结果的矫正为脑科学研究
提供重要支撑。在获取脑信号时，采集工具的内部参数可以被持续地提供给人工

智能算法，包括脉冲持续时间和振幅、刺激频率、设备的能量消耗、刺激或记录
密度，以及神经组织的电特性（electrical properties of the neural tissues）。人工智
能算法可用于去除混杂信号、提取与任务或行为相关的脑信号，从而提高数据的
精度。此外，基于深度学习算法，分子神经成像（molecular neuroimaging）技术

得到快速发展，其中卷积神经网络（convolutional neural network）作为深度学习
的子集在智能化脑成像中的运用范围最广。例如，在正电子发射断层扫描（PET）
和单光子发射计算机断层扫描（SPECT）的脑成像中，机器学习算法可以减少
扫描时间、提高成像质量，并在神经退行性疾病的脑成像中进行不同疾病的成

像分类。在 PET 成像之外，人工智能也为磁共振（MRI）成像提供帮助。在智
能化的磁共振功能成像（fMRI）研究中，多体素模式分析（multi voxel pattern
analysis，MVPA）被认为是一项很有前景的机器学习技术，目前主要用于研究包
含在分布式神经活动模式中的信息，以推断大脑不同区域和网络的功能与作用。

利用 MVPA 算法进行大脑活动模式识别和神经反馈（DecNef）解码，可以为准
确地确定大脑活动模式提供基础。同时，人工智能技术可以通过提取更少的数据
提高 fMRI 成像的速度，进而提高效率。在脑成像中使用人工智能重构技术，可
以缩短被试或临床患者的成像时间，图像受被试活动干扰的可能性也因此降低。

从发展趋势来看，智能化脑成像在实际应用中的操作性越来越高，人工智能算法
参与脑成像的应用研究日益成为主流。更加精准的智能化脑成像技术，为构建更
准确的脑图谱、定位脑功能区及认知神经科学理论发展提供证据基础。
3. 基于物联网和可穿戴设备的全方位传感数据

物联网（internet of things）一词通常指一种情景，其中网络连接和计算能力
扩展到通常不被视为计算机的物体、传感器和日常物品，使这些设备能够生成、
交换和消耗数据，而人的干预被降至最低。物联网技术使不同类型的物品通过通
信网络与其他设备和系统连接并交换数据，为在相同时间轴上同时收集多种数据

提供方法。随着物联网技术的发展，研究人员尝试通过多种传感器收集数据。例
如，Debie 等使用物联网技术同时收集眼动和脑电数据，以更加准确地分析被试
的认知负荷；Goldberg 等通过收集学生的注视、头部姿态、面部表情等数据实时

235