功能磁共振成像在认知神经科学中的应用

计算机科学与探索 ›› 2008, Vol. 2 ›› Issue (6): 589-600.

功能磁共振成像在认知神经科学中的应用

李恩中+

国家自然科学基金委员会生命科学部，北京 100085

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-12-06 发布日期:2008-12-06
通讯作者: 李恩中

The application of BOLD-fMRI in cognitive neuroscience

LI Enzhong+

Department of Life Sciences， National Natural Science Foundation of China， Beijing 100085， China

Received:1900-01-01 Revised:1900-01-01 Online:2008-12-06 Published:2008-12-06
Contact: LI Enzhong

摘要/Abstract

摘要： BOLD-fMRI作为一种非侵入性的成像技术，不但能以高时空分辨率实时地呈现大脑不同区域的活动变化，而且能够客观、精确地定位具有特殊反映的功能脑区，因此在现代神经科学尤其是认知神经科学领域得到了广泛地应用，取得了许多重大发现和突破。主要介绍和讨论BOLD-fMRI在认知神经科学几个热点领域的最新研究进展。

关键词: 功能磁共振成像, 认知神经科学, 脑

Abstract: Blood Oxygenation Level Dependent-functional Magnetic Resonance Imaging （BOLD-fMRI）， as a non-invasive medical imaging technique， can illustrate the changes of different brain local regions with high spatial-temporal resolution as well as precisely locate the special functional brain regions. Therefore， this technique has been widely used in the research area of modern neuroscience especially cognitive neuroscience. Many major discoveries and breakthroughs in modern cognitive neurosciences attribute to the application of BOLD-fMRI. The latest research progress in some hotspot areas of cognitive neuroscience is mainly discussed.

Key words: Blood Oxygenation Level Dependent-functional Magnetic Resonance Imaging（BOLD-fMRI）, cognitive neuroscience, brain

李恩中+. 功能磁共振成像在认知神经科学中的应用[J]. 计算机科学与探索, 2008, 2(6): 589-600.

LI Enzhong+. The application of BOLD-fMRI in cognitive neuroscience[J]. Journal of Frontiers of Computer Science and Technology, 2008, 2(6): 589-600.

[1]	陈宇昊，宋印杰，祝亚楠，高云飞，李洪革. 概率计算神经网络硬件架构[J]. 计算机科学与探索, 2021, 15(11): 2105-2115.
[2]	李佩琦，郁龚健，华夏，刘家航，柴志雷. PEST：由PYNQ集群实现的高能效NEST类脑仿真器[J]. 计算机科学与探索, 2021, 15(11): 2127-2141.
[3]	范虹，史肖敏，姚若侠. 头脑风暴算法优化的乳腺MR图像软子空间聚类算法[J]. 计算机科学与探索, 2020, 14(8): 1348-1357.
[4]	刘辰，肖志勇，吴鑫鑫. 三维卷积网络在脑海马体分割中的应用[J]. 计算机科学与探索, 2020, 14(3): 493-501.
[5]	张春香，王骏，张嘉旭，邓赵红，潘祥，王士同. 面向自闭症辅助诊断的联合组稀疏TSK建模方法[J]. 计算机科学与探索, 2020, 14(12): 2083-2093.
[6]	杜年茂，宋威. 深度迭代卷积神经网络的快速脑部MRI重建算法[J]. 计算机科学与探索, 2020, 14(12): 2150-2160.
[7]	黄飞虎，陈松灿. 联合学习动态半参数概率图模型[J]. 计算机科学与探索, 2018, 12(6): 940-949.
[8]	师冬丽，李锵，关欣. 结合卷积神经网络和模糊系统的脑肿瘤分割[J]. 计算机科学与探索, 2018, 12(4): 608-617.
[9]	吴煜，杨爱萍，章宦记，王建，刘立. 基于黎曼与巴氏距离的脑磁图信号分类方法[J]. 计算机科学与探索, 2017, 11(5): 776-784.
[10]	陈萌，李幼军，刘岩. 脑电信号与个人情绪状态关联性分析研究[J]. 计算机科学与探索, 2017, 11(5): 794-801.
[11]	谢丽潇，邓赵红，史荧中，王士同. 面向癫痫EEG自适应识别的迁移径向基神经网络[J]. 计算机科学与探索, 2016, 10(12): 1729-1736.
[12]	杨昌健，邓赵红，蒋亦樟，王士同. 基于迁移学习的癫痫EEG信号自适应识别[J]. 计算机科学与探索, 2014, 8(3): 329-337.
[13]	王立鹏，费飞，接标，张道强. 基于子图选择和图核降维的脑网络分类方法[J]. 计算机科学与探索, 2014, 8(10): 1246-1253.
[14]	张汴卡，相艳，易三莉，马磊，邢正伟，贺建峰. MRA脑血管图像局部Otsu分割研究[J]. 计算机科学与探索, 2013, 7(11): 1026-1032.