中文摘要：

采用张量等多路数据描述方法建模fMRI时空数据，研究全脑fMRI多体素模式表示方法; 利用流形学习、张量子空间学习等机器学习方法研究高维时空数据的特征提取和维数约简算法，研究适用于小样本条件下fMRI多体素模式分类的新算法;结合fMRI成像特点，研究无监督学习算法和噪声数据的流形学习方法；发展并完善基于机器学习的fMRI多体素模式分类的理论框架。将方法学研究成果应用于视觉目标识别fMRI认知实验的视皮层活动模式分析，采用多体素模式分析方法计算初级/次级视皮层(V1/V2区)及更高级视皮层(如IT区)的神经信号响应模式，探索高级视皮层脑区在目标识别及形状目标不变性信息处理中的神经编码方式。项目预期成果将在复杂或未知fMRI模式检测领域提出新的有效算法，并在视觉目标的神经编码研究方面取得新的进展。

结论摘要：

该项目主要研究多体素模式分类方法及其在功能磁共振影像分析中的应用。 在方法学研究方面， 研究了一种静息功能磁共振影像的无监督学习方法，该方法能在无临床行为诊断数据条件下实现抑郁症患者的有效鉴别。我们也引入整脑功能连接的低维嵌入方法，对健康人群大脑的发育变化进行解码。采用的流形学习方法能够从静息功能磁共振数据中抽取充分的信息，成功用于个体水平的脑发育预测。同样地，我们使用稀疏编码方法分析健康人群脑结构的年龄改变，发现感觉运动和认知相关脑区存在共变的年龄结构改变模式。 我们研究了抑郁症和精神分类症等精神类疾病的全脑功能和结构异常模式，为这些疾病的临床诊断提供潜在的有效生物学标记。另外，对精神分裂症患者及其同胞的静息连接模式分类研究表明，相对正常对照人群，患者的正常同胞也存在异常的静息功能连接，暗示患者的健康同胞相对正常人群具有更高的患病风险。此外，采用机器学习方法对严重抑郁症患者的全脑解剖连接异常模式进行分析，发现异常的皮层-边缘解剖网络异常可能是此类疾病情感失调和认知损伤的解剖基础。 最后，采用线性分类器研究脑结构和静息功能的性别差异。我们发现在部分语言和视觉空间处理相关脑区，其灰质密度和区域一致性指标间存在着显著的正相关，这些发现强调了性别因素在健康个体间可变性中的重要性。 项目成果证实多体素模式识别方法在功能和结构脑连接模式分析，尤其是精神类疾病的生理和病理研究中的有效性。截至目前，在Brain、NeuroImage、Human Brain Mapping等国际高影响因子期刊发表(录用)SCI论文11篇。