基于多維模式分析對(duì)說謊的腦網(wǎng)絡(luò)特征識(shí)別

蔣偉雄，劉華生，廖 堅(jiān)，李勇帆，王 維

?

基于多維模式分析對(duì)說謊的腦網(wǎng)絡(luò)特征識(shí)別

蔣偉雄1,2，劉華生2，廖 堅(jiān)2，李勇帆1，王 維2

(1. 湖南第一師范學(xué)院信息科學(xué)與工程系 長(zhǎng)沙 410205; 2. 中南大學(xué)湘雅三醫(yī)院放射科 長(zhǎng)沙 410013)

為了研究說謊時(shí)的腦網(wǎng)絡(luò)特征，采集了32個(gè)被試在說真話和說謊條件下的功能磁共振數(shù)據(jù)，預(yù)處理后利用AAL模板構(gòu)建不同條件下的功能連接網(wǎng)絡(luò)，再利用基于機(jī)器學(xué)習(xí)的多維模式分類器對(duì)說謊和說真話進(jìn)行分類。該分類器取得了良好的分類正確率82.03% (說謊84.38%，說真話79.69%)，并提取了辨別說謊和說真話的有效的功能連接模式。結(jié)果表明了使用大尺度的功能連接對(duì)說謊和說真話進(jìn)行分類的良好性能，并且從腦網(wǎng)絡(luò)角度揭示了說謊的特征。

腦網(wǎng)絡(luò); 說謊; 功能磁共振; 功能連接; 多維模式識(shí)別

撒謊是一種具有社會(huì)意義和法律意義的重要行為。近年大量利用功能磁共振成像(fMRI)對(duì)撒謊的研究一致表明撒謊與說真話相比在前額葉和前扣帶回有更多的激活[1-3]。作者對(duì)反社會(huì)人格障礙患者進(jìn)行了說謊激活研究，發(fā)現(xiàn)這種人群說謊時(shí)，背外側(cè)前額葉和小腦等區(qū)域活動(dòng)顯著加強(qiáng)；而且隨著說謊能力的提高，這些腦區(qū)的對(duì)比激活下降[4]。然而之前的研究主要使用了單變量和組水平的統(tǒng)計(jì)方法，這些方法辨別了與說謊相關(guān)的腦區(qū)，但忽略了腦區(qū)間的相互作用，目前還不清楚說謊時(shí)的腦網(wǎng)絡(luò)特征。

最近使用多維模式分析研究大腦的認(rèn)知過程在國(guó)際上引起了廣泛的興趣。由多維模式識(shí)別得到的大尺度功能連接模式已成功地用于分類預(yù)測(cè)大腦狀態(tài)，如在回憶、默唱和心算之間的分類預(yù)測(cè)[5]、看電影和靜息態(tài)之間的辨別[6]以及對(duì)與威脅相關(guān)的情感處理預(yù)測(cè)[7]。本文推測(cè)盡管說謊相比上述的認(rèn)知狀態(tài)更復(fù)雜，但使用全腦功能連接即腦網(wǎng)絡(luò)特征應(yīng)該能從一定程度上譯碼說謊過程。因此，本文的研究擬通過設(shè)計(jì)一個(gè)數(shù)據(jù)驅(qū)動(dòng)的分類器對(duì)說謊和說真話進(jìn)行分類，以實(shí)現(xiàn)對(duì)說謊的腦網(wǎng)絡(luò)特征研究。

1 材料與方法

1.1 對(duì)象

從社區(qū)招募男性志愿者38名。這些參與者沒有酗酒和吸毒史，沒有抑郁、焦慮和精神分裂癥等嚴(yán)重的精神疾病和病史。參與者均為右利手中國(guó)人，有正常的或校正正常的視力。所有的志愿者年齡均達(dá)到法定年齡(22.56±2.49)，有正常智商(108.68± 18.5)。

實(shí)驗(yàn)前向所有研究對(duì)象詳細(xì)告知實(shí)驗(yàn)過程及可能的不適，簽署知情同意書。該研究經(jīng)過中南大學(xué)湘雅三醫(yī)院倫理委員會(huì)同意。

1.2 實(shí)驗(yàn)任務(wù)設(shè)計(jì)

研究中采用了圖片選擇任務(wù)[4,8]。掃描前，每個(gè)對(duì)象從10張中性圖片(如鞋子)中隨機(jī)抽取3張，并記住圖片，掃描時(shí)對(duì)屏幕上呈現(xiàn)的圖片按要求進(jìn)行回答，實(shí)驗(yàn)包括3種反應(yīng)要求：說真話、說反話和說謊話。說真話時(shí)，要求被試給出正確誠(chéng)實(shí)的回答，說反話時(shí)要求給出相反的回答；說謊言時(shí)要求想計(jì)謀去騙過別人，以使別人沒辦法判斷其手里的圖片。加入說反話的目的是為了表明說謊需要設(shè)計(jì)策略，不是單純的反過來說。

實(shí)驗(yàn)使用組塊設(shè)計(jì)，包含兩個(gè)序列，每個(gè)時(shí)長(zhǎng)264 s。掃描時(shí)，10幅圖片隨機(jī)呈現(xiàn)，每個(gè)序列中每副圖片出現(xiàn)的概率一樣。每個(gè)序列包括6個(gè)組塊，以偽隨機(jī)順序呈現(xiàn)，其中兩個(gè)要求說真話，兩個(gè)要求說反話，兩個(gè)要求說謊。反應(yīng)類型的提示在問題組塊開始前4 s呈現(xiàn)在投射屏上，然后圖片呈現(xiàn)1 s后，在3 s內(nèi)做出反應(yīng)，此時(shí)被試按要求按“是”和“否”按鍵快速進(jìn)行回答，緊接著下一幅圖片呈現(xiàn)，如圖1所示。

圖1 一個(gè)組塊的結(jié)構(gòu)

實(shí)驗(yàn)前對(duì)被試進(jìn)行訓(xùn)練以熟悉實(shí)驗(yàn)和硬件。為了有效地促進(jìn)說謊，告知被試會(huì)監(jiān)測(cè)他們?cè)谡f謊任務(wù)下，是否在想計(jì)謀進(jìn)行說謊。

1.3 圖像的獲取和預(yù)處理

所有功能磁共振圖像均在中南大學(xué)湘雅三醫(yī)院使用西門子的Avanto1.5T磁共振成像系統(tǒng)獲取。掃描時(shí)，被試取仰臥位，戴降噪耳機(jī)，用海綿堵塞頭部和線圈之間的空隙。功能像使用2加權(quán)平面回波(EPI)序列，掃描參數(shù)如下：TR為2 s，TE為50 ms，F(xiàn)OV為24 cm，層數(shù)為23層，厚為5.0 mm，層間距為1.2 mm，翻轉(zhuǎn)角為90°，矩陣為64×64。為了確保合作，本文計(jì)算了在說真話和說反話條件下的反應(yīng)正確率，剔除掉正確率小于80%的被試3個(gè)。

使用SPM8對(duì)圖像進(jìn)行預(yù)處理和分析。考慮到磁場(chǎng)飽和以及被試對(duì)環(huán)境的適應(yīng)性，丟掉每組數(shù)據(jù)的前6個(gè)，對(duì)留下的126幅圖像進(jìn)行預(yù)處理，先進(jìn)行空間校正和頭動(dòng)校正，剔除掉三維平移超過2 mm、三維旋轉(zhuǎn)超過20的被試3個(gè)，最后共留下32個(gè)被試數(shù)據(jù)進(jìn)行分析。把校正后的圖像在空間上標(biāo)準(zhǔn)化到EPI模板(MNI坐標(biāo)空間，2×2×2的體素大小)，使用8 mm半高全寬的高斯核函數(shù)進(jìn)行空間平滑。

1.4 構(gòu)建說謊和說真話時(shí)的功能連接網(wǎng)絡(luò)

首先建模說謊和說真話條件下的血氧水平反應(yīng)，使用一般線性模型(GLM)進(jìn)行統(tǒng)計(jì)分析。每個(gè)全腦掃描的血氧水平反應(yīng)通過雙伽瑪函數(shù)(double gamma function)與每一次全腦掃描在說謊和說真話條件下的起始時(shí)間相卷積得到[9]。這樣每個(gè)序列得到48個(gè)回歸量，其中說謊和說真話分別24個(gè)，兩個(gè)序列一共產(chǎn)生96個(gè)回歸量來建模說謊和說真話事件，即得到96個(gè)時(shí)間點(diǎn)下的對(duì)比估計(jì)圖像。該過程中，為了去除頭動(dòng)的影響，選擇頭動(dòng)參數(shù)作為回歸量，并使用1/128 Hz的高頻濾波來去除低頻噪聲的影響，使用AR(1)模型校正時(shí)間的自相關(guān)。

根據(jù)解剖標(biāo)記模板(AAL)[10]把上述的96個(gè)建模說謊和說真話事件的對(duì)比估計(jì)圖分成116個(gè)腦區(qū)，其中大腦90個(gè)(左右各45個(gè))，小腦26個(gè)(左右小腦各9個(gè)，小腦蚓8個(gè))，對(duì)每個(gè)被試每一個(gè)腦區(qū)的時(shí)間序列使用奇異值分解，取最前面的2個(gè)特征向量[7]，這樣每個(gè)條件一共有64個(gè)案例(32′2)，接著回歸掉一些無關(guān)的變量即頭動(dòng)參數(shù)、全腦平均信號(hào)、白質(zhì)信號(hào)和腦脊液信號(hào)，從而去除一些生理噪聲的影響[11]。對(duì)兩個(gè)特征變量分別運(yùn)用Pearson相關(guān)估計(jì)任意兩個(gè)腦區(qū)特征向量的相關(guān)系數(shù)，每個(gè)對(duì)象都得到兩個(gè)相關(guān)系數(shù)矩陣(116×116)表示的功能網(wǎng)絡(luò)，去除矩陣對(duì)角線上的元素，提取矩陣的上三角元素作為分類特征，對(duì)這些特征進(jìn)行Fisher's Z-變換以使其標(biāo)準(zhǔn)化，得到一個(gè)6 670維的特征向量作為下面多維模式分析的特征。

1.5 辨別說謊和說真話的功能連接模式分析

支持向量機(jī)(SVM)旨在找到一個(gè)超平面，對(duì)訓(xùn)練集最大化分類間隔的同時(shí)最小化分類錯(cuò)誤率，它能夠在樣本數(shù)相對(duì)較少、特征維數(shù)高的情況下仍然取得很好的推廣能力[12]。本文使用了線性支持向量機(jī)，加上基于Kendall tau等級(jí)相關(guān)系數(shù)[13]的特征選擇和留二法交叉驗(yàn)證(LTOCV)。說謊和說真話分別有64個(gè)案例，一共128個(gè)。在每一輪LTOCV中，同時(shí)留下每個(gè)對(duì)象對(duì)應(yīng)的兩個(gè)案例(兩個(gè)特征向量)，計(jì)算余下的訓(xùn)練數(shù)據(jù)的tau值，按tau的絕對(duì)值由大到小排列特征，選擇最大的個(gè)特征進(jìn)行訓(xùn)練，再利用訓(xùn)練結(jié)果對(duì)留下來的兩個(gè)案例進(jìn)行驗(yàn)證。直到每個(gè)對(duì)象的兩個(gè)案例樣本都被作為測(cè)試樣本一次，最后計(jì)算分類正確率[14]。為了確定特征空間的最優(yōu)維數(shù)，采用不同個(gè)數(shù)的特征子集反復(fù)進(jìn)行分類。

為了檢驗(yàn)結(jié)果的顯著性，本文使用了置換檢驗(yàn)[15]。置換檢驗(yàn)時(shí)，先對(duì)訓(xùn)練數(shù)據(jù)的類標(biāo)簽隨機(jī)重排，然后對(duì)重排后的數(shù)據(jù)進(jìn)行留二法交叉驗(yàn)證，這樣的過程重復(fù)進(jìn)行10 000次。當(dāng)由實(shí)際類標(biāo)簽得到的分類率GR0大于95%的隨機(jī)重排后得到的分類器的置信區(qū)間時(shí)，認(rèn)為分類器可靠地提取了信息，值為重排后的分類正確率不小于GR0的概率。

1.6 功能腦網(wǎng)絡(luò)的分析

Kendall tau等級(jí)相關(guān)系數(shù)能衡量特征的分類能力[13]，tau相關(guān)系數(shù)絕對(duì)值越大組間差異就越大。因此把分類能力定義為tau相關(guān)系數(shù)的絕對(duì)值，即連接權(quán)重，而把分類能力強(qiáng)的連接對(duì)應(yīng)的腦區(qū)定義為感興趣區(qū)域。腦區(qū)對(duì)分類的貢獻(xiàn)通過計(jì)算區(qū)域加權(quán)來衡量，即跟區(qū)域相連的所有功能連接的權(quán)重之和。

進(jìn)行網(wǎng)絡(luò)分析時(shí)，本文采用了一個(gè)經(jīng)典模板[16]，該模板按照功能把全腦分成7個(gè)網(wǎng)絡(luò)，即默認(rèn)網(wǎng)絡(luò)、注意網(wǎng)絡(luò)、視覺認(rèn)知網(wǎng)絡(luò)，聽覺網(wǎng)絡(luò)、感覺運(yùn)動(dòng)網(wǎng)絡(luò)、皮下層網(wǎng)絡(luò)和小腦。為了分析不同網(wǎng)絡(luò)在分類時(shí)的作用，把與網(wǎng)絡(luò)相關(guān)的連接權(quán)重加起來。如果功能連接屬于不同網(wǎng)絡(luò)，每個(gè)相關(guān)網(wǎng)絡(luò)各取權(quán)重的一半。

2 結(jié) 果

2.1 利用功能連接模式辨別撒謊的分類結(jié)果

通過模式分類器，本文量化了不同功能連接子集能夠譯碼說謊任務(wù)的程度，分類結(jié)果如圖2所示。通過比較不同值下的分類性能，確定了SVM的最優(yōu)參數(shù)值為2，參數(shù)反映了SVM在分類間隔和錯(cuò)誤度之間的折中。為了確定特征子集的最優(yōu)大小，使用不同的特征數(shù)目反復(fù)進(jìn)行分類，發(fā)現(xiàn)在使用56個(gè)最有分類能力的功能連接時(shí)分類器的性能最好，其正確分類率是82.03% (說謊84.38%，說真話79.69%)。置換檢驗(yàn)結(jié)果表明，該分類器有效地學(xué)習(xí)了數(shù)據(jù)和類別之間的關(guān)系(<0.000 1)，即可靠地提取了與說謊相關(guān)的功能連接模式。因此，本文選擇56作為最優(yōu)的特征子集，從20～80的特征數(shù)與分類正確率的關(guān)系如圖2a所示。

2.2 撒謊調(diào)制的功能連接

在LTOCV中，由于每一輪交叉驗(yàn)證的訓(xùn)練樣本集略有差異，從而對(duì)6670個(gè)特征按tau的絕對(duì)值排列后選擇的前個(gè)分類特征是有差異的，各個(gè)功能連接的分類能力稍有不同，出現(xiàn)在每一輪交叉驗(yàn)證里的功能連接稱之為一致性的功能連接[11]。當(dāng)采用56個(gè)功能連接進(jìn)行分類時(shí)，在每一輪交叉驗(yàn)證中對(duì)6670個(gè)功能連接按tau的絕對(duì)值重新排列后排在前面的56個(gè)用來作分類的特征并不完全一樣，其中有33條一致性的功能連接。可見這33條連接具有較強(qiáng)的分類能力，其中19條功能連接的tau值為負(fù)值，在該研究中表示在說謊時(shí)連接加強(qiáng)，如圖2a所示；14條功能連接的tau值為正值，表明在說謊時(shí)受到了抑制，如圖2b所示。與一致性功能連接相對(duì)應(yīng)的腦區(qū)一共有48個(gè)，根據(jù)經(jīng)典模板[16]，這48個(gè)腦區(qū)分屬7個(gè)網(wǎng)絡(luò)，即默認(rèn)網(wǎng)絡(luò)、注意網(wǎng)絡(luò)、視覺認(rèn)知網(wǎng)絡(luò)、聽覺網(wǎng)絡(luò)、感覺運(yùn)動(dòng)網(wǎng)絡(luò)、皮下層網(wǎng)絡(luò)和小腦。對(duì)每個(gè)網(wǎng)絡(luò)的特征權(quán)重分別求和發(fā)現(xiàn)小腦，默認(rèn)網(wǎng)絡(luò)和注意網(wǎng)絡(luò)相對(duì)有較大的總權(quán)重，意味著這3個(gè)網(wǎng)絡(luò)在分類時(shí)相對(duì)有較好的分類能力，其他網(wǎng)絡(luò)也在分類中起了作用，如圖2b所示。

根據(jù)功能連接是處于網(wǎng)絡(luò)內(nèi)部還是網(wǎng)絡(luò)之間分類，發(fā)現(xiàn)這些與說謊有關(guān)的功能連接絕大部分是網(wǎng)絡(luò)之間的連接，如圖2b和圖3所示)。另外使用雙樣本檢驗(yàn)發(fā)現(xiàn)，這33條連接在說謊和說真話狀態(tài)下值遠(yuǎn)遠(yuǎn)小于0.000 1，可見多維模式分析可靠地提取了說謊和說真話條件下的功能連接差異。

2.3 有較大分類能力的腦區(qū)

不同腦區(qū)的分類能力不一樣。為了表示不同腦區(qū)對(duì)分類的作用，本文計(jì)算了區(qū)域加權(quán)，即跟區(qū)域相連的所有一致性功能連接的權(quán)重之和。圖3顯示了與一致性功能連接對(duì)應(yīng)的腦區(qū)，球的直徑表示腦區(qū)加權(quán)。幾個(gè)腦區(qū)比其他腦區(qū)加權(quán)更大，表明這些腦區(qū)具有較強(qiáng)的分類能力，分別位于小腦、扣帶回、楔前葉、梭狀體、額下回等區(qū)域，表明這些區(qū)域在撒謊中起了重要作用，或者說撒謊任務(wù)調(diào)制了這些區(qū)域的連接。

a. 說謊時(shí)加強(qiáng)的功能連接

b. 說謊時(shí)抑制的功能連接

圖3 說謊和說真話相比變化的功能連接

3 結(jié) 論

本文使用多維模式識(shí)別考察了說謊的功能連接模式即腦網(wǎng)絡(luò)特征，發(fā)現(xiàn)功能連接模式包含了充足的信息來譯碼說謊過程。通過使用經(jīng)典模板AAL構(gòu)建說謊和說真話的腦網(wǎng)絡(luò)以及多維模式識(shí)別發(fā)現(xiàn)，在說謊和說真話的分類中，一致性連接有33條，其中19條連接增強(qiáng)，14條連接減弱。這些連接絕大部分位于網(wǎng)絡(luò)之間，其中小腦、默認(rèn)網(wǎng)絡(luò)、注意網(wǎng)絡(luò)具有最大的分類能力。從腦區(qū)來看，具有較大分類能力的腦區(qū)主要位于小腦、扣帶回、楔前葉、梭狀體、額下回等區(qū)域。

目前大量關(guān)于撒謊的研究主要是通過說謊對(duì)比說真話時(shí)額外的腦活動(dòng)來進(jìn)行多個(gè)對(duì)象的統(tǒng)計(jì)分析，這種研究主要考察了說謊時(shí)的腦激活模式，忽略了說謊時(shí)的功能連接。該結(jié)果表明全腦功能連接模式是一個(gè)敏感而有信息量的指標(biāo)，該結(jié)論和之前的研究一致[7,10]。功能連接相比于單變量的GLM方法，提供了互補(bǔ)的更多數(shù)據(jù)驅(qū)動(dòng)的方法[17]。而且fMRI在測(cè)謊中的作用由對(duì)個(gè)體的測(cè)謊能力決定，而不是組平均。該結(jié)果同時(shí)也表明一個(gè)系統(tǒng)的功能不完全由腦區(qū)激活模式描述，它還依賴于腦區(qū)間的動(dòng)態(tài)連接屬性[18]。大腦狀態(tài)不僅與腦區(qū)的功能有關(guān)，而且與這些腦區(qū)在功能上連接的方式有關(guān)[7]。因此該研究表明考察全腦功能連接模式不僅可能有助于更好的了解說謊的特征，而且表明了利用腦網(wǎng)絡(luò)特征可能產(chǎn)生出對(duì)應(yīng)用測(cè)謊中的方法學(xué)的潛在作用。

研究認(rèn)為默認(rèn)網(wǎng)絡(luò)可能與沖突的調(diào)整，對(duì)未來的規(guī)劃以及自我審視有關(guān)[19]。注意網(wǎng)絡(luò)與對(duì)刺激的注意直接相關(guān)[20]，可能負(fù)責(zé)執(zhí)行認(rèn)知功能的控制，也有研究發(fā)現(xiàn)它與自我調(diào)整有關(guān)[21]。與小腦相關(guān)的連接的出現(xiàn)不足為奇，很多研究強(qiáng)調(diào)了在各種認(rèn)知領(lǐng)域小腦的重要性。小腦的認(rèn)知功能包括執(zhí)行功能[22]、工作記憶[23]、注意[24]等。默認(rèn)網(wǎng)絡(luò)、注意網(wǎng)絡(luò)和小腦的這些功能對(duì)說謊是很重要的。為了完成特定的任務(wù)，人腦被認(rèn)為進(jìn)入了與任務(wù)相關(guān)的認(rèn)知狀態(tài)[25]。為了成功地說謊，說謊者必須計(jì)算被檢測(cè)到的幾率，記住之前給出的反應(yīng)，抑制說真話的沖動(dòng)，然后在做出反應(yīng)之前選擇適當(dāng)?shù)牟呗浴＿@個(gè)過程需要更多的認(rèn)知控制、工作記憶、反應(yīng)調(diào)整和執(zhí)行功能等。因此，在研究中與說謊相關(guān)的這些功能連接和特定的腦區(qū)可能是工作記憶、反應(yīng)抑制、注意、心算和執(zhí)行功能等復(fù)雜作用的結(jié)果。

該研究不僅表明了使用功能連接分類時(shí)的良好性能，而且從功能整合的觀點(diǎn)闡明了說謊的特征。與說謊有關(guān)的連接大多位于網(wǎng)絡(luò)之間，表明說謊主要引起了網(wǎng)絡(luò)之間連接的改變，從而可能從網(wǎng)絡(luò)之間的連接揭示撒謊的神經(jīng)機(jī)制。在以后的工作中將擴(kuò)大樣本量，改善模擬說謊的實(shí)驗(yàn)程序，考慮說謊時(shí)的情感因素，從而對(duì)說謊的腦網(wǎng)絡(luò)屬性進(jìn)行更深入的研究。

[1] KARTON I, BACHMANN T. Effect of prefrontal transcranial magnetic stimulation on spontaneous truth- telling [J]. Behav Brain Res, 2011, 225(1): 209-214.

[2] CHRIST S E, VAN ESSEN D C, WATSON J M, et al. The contributions of prefrontal cortex and executive control to deception: Evidence from activation likelihood estimate meta-analyses[J]. Cereb Cortex, 2009, 19(7): 1557-1566.

[3] DING X P, GAO X, FU G, et al. Neural correlates of spontaneous deception: a functional near-infrared spectroscopy (fNIRS)study[J]. Neuropsychologia, 2013, 51 (4): 704-712.

[4] JIANG W, LIU H, LIAO J, et al. A functional MRI study of deception among offenders with antisocial personality disorders[J]. Neuroscience, 2013, 244: 90-98.

[5] SHIRER W, RYALI S, RYKHLEVSKAIA E, et al. Decoding subject-driven cognitive states with whole-brain connectivity patterns[J]. Cereb Cortex, 2012, 22(1): 158- 165.

[6] RICHIARDI J, ERYILMAZ H, SCHWARTZ S, et al. Decoding brain states from fMRI connectivity graphs[J]. Neuroimage, 2011, 56(2): 616-626.

[7] PANTAZATOS S P, TALATI A, PAVLIDIS P, et al. Cortical functional connectivity decodes subconscious, task- irrelevant threat-related emotion processing[J]. Neuroimage, 2012, 61(4): 1355-1363.

[8] LEE T M, LIU H L, CHAN C C, et al. Neural correlates of feigned memory impairment[J]. Neuroimage, 2005, 28(2): 305-313.

[9] DAVATZIKOS C, RUPAREL K, FAN Y, et al. Classifying spatial patterns of brain activity with machine learning methods: Application to lie detection[J]. Neuroimage， 2005, 28(3): 663-668

[10] TZOURIO-MAZOYER N, LANDEAU B, PAPATHANASSIOU D, et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain[J]. Neuroimage, 2002, 15(1): 273-289.

[11] DOSENBACH N U, NARDOS B, COHEN A L, et al. Prediction of individual brain maturity using fMRI[J]. Science, 2010, 329(5997): 1358-1361.

[12] BEN-HUR A, ONG C S, SONNENBURG S, et al. Support vector machines and kernels for computational biology[J]. PLoS Comput Biol, 2008, 4(10): e1000173.

[13] MG K, DG J. Rank correlation methods[M]. New York: Oxford University Press, 1990.

[14] SHEN H, WANG L, LIU Y, et al. Discriminative analysis of resting-state functional connectivity patterns of schizophrenia using low dimensional embedding of fMRI[J]. Neuroimage, 2010, 49(4): 3110-3121.

[15] GOLLAND P, FISCHL B. Permutation tests for classification: Towards statistical significance in image- based studies[J]. Inf Process Med Imaging, 2003, 18: 330- 341.

[16] TAO H, GUO S, GE T, et al. Depression uncouples brain hate circuit[J]. Mol Psychiatry, 2011, 18(1): 101-111.

[17] LI K, GUO L, NIE J, et al. Review of methods for functional brain connectivity detection using fMRI[J]. Comput Med Imaging Graph, 2009, 33(2): 131-136.

[18] FAIR D A, DOSENBACH N U, CHURCH J A, et al. Development of distinct control networks through segregation and integration[J]. Proc Natl Acad Sci, 2007, 104(33): 13507- 13512.

[19] SYLVESTER C M, CORBETTA M, RAICHLE M E, et al. Functional network dysfunction in anxiety and anxiety disorders[J]. Trends Neurosci, 2012, 35(9): 527-535.

[20] PETERSEN S E, POSNER M I. The attention system of the human brain: 20 years after[J]. Annu Rev Neurosci, 2012, 35: 73-89.

[21] ROTHBART M K, SHEESE B E, RUEDA M R, et al. Developing mechanisms of self-regulation in early life[J]. Emotion Review, 2011, 3(2): 207-213.

[22] BELLEBAUM C, DAUM I. Cerebellar involvement in executive control[J]. Cerebellum, 2007, 6(3): 184-192.

[23] STOODLEY C J, SCHMAHMANN J D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies[J]. Neuroimage, 2009, 44(2): 489- 501.

[24] GOTTWALD B, MIHAJLOVIC Z, WILDE B, et al. Does the cerebellum contribute to specific aspects of attention[J]. Neuropsychologia, 2003, 41(11): 1452-1458.

[25] LOGAN G D, GORDON R D. Executive control of visual attention in dual-task situations[J]. Psychol Review, 2001, 108(2): 393-398.

編 輯 黃 莘

Brain-Network Feature Recognitionof Deception Based on Multivariate Pattern Analysis

JIANG Wei-xiong1,2, LIU Hua-sheng2, LIAO Jian2, LI Yong-fan1, and WANG Wei2

(1. Department of Information Science and Engineering, Hunan First Normal University Changsha 410205; 2. Department of Radiology, Third Xiangya Hospital, Central South University Changsha 410013)

Considerable functional MRI (fMRI) studies have shown differences of brain activity between lie-telling and truth-telling. However there are few studies aiming at brain network feature of lie-telling. In this study, we obtained fMRI data of 32 subjects while responding to questions in a truthful, inverse and deceitful manner, then constructed whole-brain functional connectivity networks for the lie-telling and truth-telling conditions based on a canonical template of 116 brain regions, and used a multivariate pattern analysis approach based on machine learning to classify the lie-telling from truth-telling. The results showed that the classifier achieved high classification accuracy (82.03%, 84.38% for lie-telling, 79.69% for truth-telling) and could extract informational functional connectivities that could be used to discriminate lie-telling from truth-telling. These informational functional connectivities were mainly located among networks. These results not only demonstrated good performance when classifying with functional connectivities, but also elucidated the neural mechanism of lie-telling from a functional integration viewpoint.

brain network; deception; fMRI; functional connectivity; multivariate pattern analysis

R741.02; TP391.4; TP181

A

10.3969/j.issn.1001-0548.2015.02.026

2013-11-20;

2014-12-29

教育部人文社科基金青年項(xiàng)目(13YJCZH068)；湖南省教育廳科學(xué)研究項(xiàng)目青年項(xiàng)目(13B013)；湖南省教育科學(xué)規(guī)劃重點(diǎn)課題(XJK013AXX001)

蔣偉雄(1975-)，女，博士，主要從事功能磁共振成像方法及應(yīng)用等方面的研究.