计算机研究与发展 ＤＯＩ：１０．７５４４／ｉｓｓｎ１ＯＯＯ一１２３９．２０１４．２０１２０５９１ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ ５１（４）：７７３—７８０，２０１４ 基于ｆＭＲＩ的思维数据分析方法研究 邓红霞 相 洁 。 游 雅。 李海芳 （太原理工大学计算机科学与技术学院 太原０３００２４） （北京工业大学ＷＩＣ研究院北京 １０００２２） 。（Ｊｇ京理工大学管理与经济学院 北京 １０００８１） （ｄｈｘ９９１１＠１６３．ｃｏｍ） Ａｎａｌｙｓｉｓ Ｍｅｔｈｏｄ ｏｆ Ｔｈｉｎｋｉｎｇ Ｄａｔａ Ｂａｓｅｄ ｏｎ ｆＭＲＩ Ｄｅｎｇ Ｈｏｎｇｘｉａ 。Ｘｉａｎｇ Ｊｉｅ ～，Ｙｏｕ Ｙａ。，ａｎｄ Ｌｉ Ｈａｉｆａｎｇ （ＣｏｌｌＰｇｅ ｏｆ Ｃｏｍｐｕｔ８ｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ Ｕｎｉｖｅｒｓｉｔｙ。ｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ ０３００２４） （ＴｈＰ Ｉｎｔ ｒｎ口ｔｉｏ ａｌ ＷＩＣ Ｉｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １０００２２） 。（Ｓｃｈ００ｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ｅｃｏｎｏｍｉｃｓ，Ｂｅｉｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ．，Ｂｅｉｊｉｎｇ １０００８１） Ａｂｓｔｒａｃｔ Ｒｅｃｅｎｔｌｖ，ａ ｇｒｏｗｉｎｇ ｎｕｍｂｅｒ ｏｆ ｓｔｕｄｉｅｓ ｈａｖｅ ｓｈｏｗｎ ｔｈａｔ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｔｅｃｈｎｏｌｏｇｉｅｓ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｄｅｃｏｄｅ ｍｅｎｔａｌ ｓｔａｔｅ ｆｒｏｍ ｆｕｎｃｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ（ｆＭＲＩ）ｄａｔａ．Ｉｔ ｈａｓ ａｃｈｉｅｖｅｄ ｔｈｅ ｆｕｎｃｔｉｏｎａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｏｆ ｔｈｅ ｂｒａｉｎ ａｃｔｉｖｉｔｙ ｕｓｉｎｇ ｆＭＲＩ ｔｅｃｈｎｏｌｏｇｙ ｔｏ ｉｎｔｅｒｐｒｅｔ ｔｈｅ ｔｈｉｎｋｉｎｇ ｄａｔａ．Ｂｕｔ ｈｏｗ ｔｏ ｒｕｎ ｔｈｅ ｓｐｅｃｉｆｉｃ ｏｐｅｒａｔｉｏｎ ｏｆ ｔｈｅ ｂｒａｉｎ’Ｓ ｔｈｉｎｋｉｎｇ ｐｒｏｃｅｓｓ ｉｓ ｓｔｉｌｌ ｕｎｋｎｏｗｎ． Ｔｈｅ ａｎａｌｙｔｉｃａ１ ｍｅｔｈｏｄｓ ｔｏ ｂｅｔｔｅｒ ｒｅｖｅａｌ ｔｈｅ ｔｈｉｎｋｉｎｇ ｐｒｏｃｅｓｓ ｎｅｅｄ ｔｏ ｂｅ ｆｕｒｔｈｅｒ ｓｔｕｄｉｅｄ．Ｔｈｒｏｕｇｈ ａｄｏｐｔｉｎｇ ｔｗｏ ｓｔｉｍｕｌｉ ｔａｓｋｓ ｏｆ ｓｏｌｖｉｎｇ ｔｈｅ ４×４ Ｓｕｄｏｋｕ ｐｒｏｂｌｅｍｓ ａｎｄ ｉｍａｇｅ ｅｍｏｔｉｏｎａｌ ｒｅａｃｔｉｏｎ，ｔｈｅ ｔｈｉｎｋｉｎｇ ｐｒｏｃｅｓｓ ｄａｔａ ｗｈｉｃｈ ｉｎｔｅｒｐｒｅｔ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｓｔａｔｅ ｏｆ ｍｉｎｄ ｉｓ ｇｏｔｔｅｎ，ａｎｄ ｄｉｆｆｅｒｅｎｔ ｗａｙｓ ｏｆ ｔｈｉｎｋｉｎｇ ｄａｔａ ａｎａｌｙｒｓｉｓ ｍｅｔｈｏｄｓ ａｒｅ ｅｘｐｌｏｒｅｄ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓ ｐｒｏｖｅｄ ｔｈａｔ ｔｈｅ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｏｆ￡一ｔｅｓｔ，ｔｈｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄｓ ｏｆ ｔｈｅ ｐｅａｋ ｔｉｍｅ ａｎｄ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ＳＶＭ ａｒｅ ｍｏｒｅ ｓｕｉｔａｂｌｅ ｆｏｒ ａｎａｌｙｚｉｎｇ ｔｈｅ ｆＭＲＩ ｄａｔａ，ｅｓｐｅｃｉａｌｌｙ ｔｏ ｔｗｏ ｄｉｆｆｅｒｅｎｔ ｓｔａｔｅｓ ｏｆ ｍｉｎｄ ｄａｔａ ａｂｏｖｅ。ｗｈｉｃｈ ｃａｎ ｒｅｖｅａｌ ｔｈｅ ｃｏｒｒｅｃｔ ｓｔａｔｅ ｏｆ ｍｉｎｄ．Ｔｈｉｓ ｅｓｓａｙ ｓｈｏｕｌｄ ｐｒｏｖｉｄｅ ｔｈｅ ｔｈｅｏｒｙ ｂａｓｉｓ ａｎｄ ｄａｔａ ｆｏｒ ｐｒｏｍｏｔｉｎｇ ｔｈｅ ｆＭＲＩ ｔｅｃｈｎｏｌｏｇｙ ｔｏ ｉｎｔｅｒｐｒｅｔ ｔｈｅ ｔｈｉｎｋｉｎｇ ｄａｔａ． Ｋｅｙ ｗｏｒｄｓ ｆｕｎｃｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ（ｆＭＲＩ）；ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｐｅａｋ ｖａｌｕｅ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ 摘要利用功能磁共振成像（ｆｕｎｃｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ，ｆＭＲＩ）技术解读思维数据，已经 实现大脑活动的功能定位，但是大脑的思维过程具体如何运行还不得而知；利用何种分析方法更能揭示 思维过程也待进一步研究．采用解决４×４数独问题和图像情感反应的两种刺激任务获取思维过程数 据，来分别解读不同的思维状态，探索适用于不同思维数据的分析方法．实验数据证明ｔ－ｔｅｓｔ的特征选 择方法、峰值所在时间点的特征提取的方法和ＳＶＭ分类算法较适用于分析这两种不同思维状态的 ｆＭＲＩ数据。揭示正确的思维状态． 关键词功能磁共振成像；特征选择；特征提取；峰值；分类 中图法分类号ＴＰ１８ 收稿日期： ２０１２ ０７ １８；修回日期：２０１３ ０３ ２６ 基金项目： 国家自然科学基金项目（６１０７００７７，６１１７０１３６）；山西省自然科学基金项目（２０１００１１０２０ ２，２０１１０１１０１５—４）；北京市博士后工作经费 资助项目（Ｑ６００２０２０２０１２０１）；山西省研究生优秀创新项目（２０１１３０３４） 通信作者： 李海芳（１ｉｈａｉｆａｎｇ＠ｔｙｕｔ．ｅｄｕ．ｃｎ） ７７４ 思维是人类所具有的高级生理机能，通常将思 维看作是头脑中考虑某个问题的一般过程．而头脑 中所考虑的问题可以是多种多样的，例如数字、图 形、情感、声音、颜色等等．考虑问题的多样性造就了 思维的多样性，从而探究人类的思维是一项艰巨的 任务．随着功能磁共振成像（ｆｕｎｃｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ，ｆＭＲＩ）的出现，人类越来越多地运 用ｆＭＲＩ技术去探究人脑从事各种任务的思维状态． 由于ｆＭＲＩ数据是一种高维的数据，因此在分 析数据时存在一定的困难，如何有效地进行数据分 析，能否找到一种有效的分析方法，对于解读人类思 维有着重要的作用．在以往的研究中，对于认知方面 的研究较多，从而出现了较多的分析方法，但是没有 一种适用于ｆＭＲＩ的通用的方法． Ｍｉｔｃｈｅｌｌ等人ｌｌ 提出了关于特征选择的两种方 法：第１种是减少体素的个数，可以选择感兴趣区域 或者一个ｔｒｉａｌ中特定的一个点；另１种是减少维 数，可以进行奇异值分解、主成分分析或者成分 分析．关于特征提取介绍５种方法：第１种是选择激 活区的体素，利用的是ｔ－ｔｅｓｔ对每一个体素进行计 分；第２种是针对于体素进行训练预测，对每一个体 素进行准确率的计算，从而选择特征；第３种是选择 相邻的体素进行第２种的操作；第４种是使用方差 分析提取特征；第５种是选择在不同的类标下，反应 相同的体素．Ｗａｎｇ等人在文献［２］中提到认知状态 的ｆＭＲ１分类器有３种特征提取的方法：第１种是 计算每一个感兴趣区域中的所有体素激活的均值， 用这些均值作为特征；第２种是在每一个感兴趣区 域中选择出激活程度最大的ｎ个体素，计算它们的 均值，用这些均值作为特征；第３种是在全脑中选择 出激活程度最大的”个体素，用这些体素作为特征． Ｎｏｒｍａｎ等人在文献［３］中提出利用多体素的模式 进行ｆＭＲＩ数据分析，分析认知过程中的表征在大 脑的反应．Ｒａｍｉｓｈ在文献１－４］中提出了用聚类的算 法进行特征提取，并提出在ｆＭＲ１分析中可以用到 神经网络、成分分析和主成分分析的方法．Ｃｏｘ 等人 在研究脑部ｆＭＲＩ数据时，提出了两种特征 选择的方法：一种是方差分析的方法；另一种是使用 功能定位的软件包正确地定位激活区域．Ｋｕｎｃｈｅｖａ 等人在文献［６］中总结了７种不同的方法：总体的激 活度、每一类的激活度、方差分析、支持向量机、递归 特征去除方法、激活度和递归特征去除方法的结合、 递归特征去除方法和序列前向选择结合．Ｇｒｉｎｄｒｏｄ 等人ｌ７ 使用了多因素的方差分析的统计方法选取特 计算机研究与发展２０１４，５１（４） 征体素，同时也提取了左额叶的感兴趣区域的体素． Ｄａｍｏｎ在基于ｆＭＲＩ的特征提取方面，通过标准的 方差分析和单因素多元方差分析、互信息比较，得出 分类准确率较高的提取方法．相洁 利用ｆＭＲＩ研究 ４×４数独问题的大脑的认知状态中，采用了血氧含 量（ｂｌｏｏｄ ｏｘｙｇｅｎａｔｉｏｎ ｌｅｖｅｌ ｄｅｐｅｎｄｅｎｔ，ＢＯＩ Ｄ）在每一 个时间点上的变化值和峰值所在时间点等特征提取 的方法． 因此，目前国外的研究主要是在认知方面，在认 知实验得到数据的基础上研究数据分析的方法，通 常是在一种实验任务得到的数据下进行相关数据分 析方法的研究，实验方法各种各样，但是没有得到一 种普遍适用ｆＭＲＩ数据的分析方法．国内的研究主 要是集中在尝试不同的算法在ｆＭＲＩ上的应用，很 少有进行不同方法的比较．在ｆＭＲＩ数据的分类器 中，国内较多的是选择一种分类器进行实验的分类， 最终得到分类的准确率，而研究ｆＭＲ１分类器的人 也相对较少．Ｍｉｔｃｈｅｌｌ等人＿ｌ 作了较全面的实验，得 出了一些关于ｆＭＲ１分类器性能的比较结果．其中 支持向量机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）是一种 较好的分类算法，同时还进行了贝叶斯和回归分析 等分类器的比较．相洁等人 使用ＢＯＬＤ变化时间 序列作为特征值训练ＳＶＭ分类器，并依此来判断 人脑正在执行的高级思维类型． 如上所述，本文采用解决４×４数独问题和图像 情感反应两种刺激任务获取思维过程数据，来分别 解读不同的思维状态，探索适用于不同思维数据的 分析方法．实验数据证明ｔ－ｔｅｓｔ的特征选择方法、峰 值所在时间点的特征提取方法和ＳＶＭ分类算法较 适用于分析这两种不同思维状态的ｆＭＲＩ数据，揭 示正确的思维状态． １ 相关工作 １．１特征选择算法研究 本文中特征选择的目的主要是为了减少体素的 个数，采用了两种特征选择的方法：一是利用方差的 方法选择激活体素作为特征；二是利用ｔ－ｔｅｓｔ的方 法选择同一刺激实验中不同刺激任务下激活程度较 大的体素作为特征． １）按照体素的变化情况确定激活区体素．特征 选择分为３类，以如下矩阵为例说明并定义３种类 型体素． 邓红霞等：基于ｆＭＲＩ的思维数据分析方法研究 ０ ０ ０ ０ ０ ・・・０ １９．７ １９．７ １９．７ １９．７ １９．７ … １９．７ ２Ｏ２ １９７ ２１８ ２２Ｏ ２２３ … ２０４ ● ● ● ● ● ● １Ｏ１ １０１ １Ｏ１ １０１ １０１ … １０１ 定义１．非脑组织——第１行中所有的数据均 为０，表示在图像中不是脑结构，而是没有去除的黑 色非脑组织，见图１的非脑组织． Ｎｏｎ．ｂｒａｉｎ ＮＯｔ．ａｃｔｉｖａｔｅｄ Ｔｉｓｓｕｅ Ｖｏｘｅｌｓ Ａｃｔｉｖａｔｅｄ Ｖｏｘｅｌｓ Ｆｉｇ．１ Ｔｈｅ ｓａｍｐｌｅ ｏｔ ｖｏｘｅｌｓ． 图１体素样例 定义２．未激活体素——第２行中各个数字都 是１９．７，没有变化且不为０，说明是脑组织，但是没 有被激活，见图１的未激活体素．最后行中各个数字 也都是一样的，同时不为零说明也是未被激活的体 素．第２行和最后ｌ行的区别在于２个体素所处的 位置不同，或者功能不同，导致所呈现出不同的数 值，但是都是未被激活的体素． 定义３．激活体素——第３行中数字是在不断 变化的，说明这个体素在实验的过程中存在血氧含 量的变化，也就是说这个体素参加了任务，见图１的 激活体素： 为了将这部分激活区的体素选择出来，利用 统计学中的方差来选择体素．方差的定义如式（１） 所示： Ｓ ：（ 】一 ） ＋（ｚ２一．２７） ＋…＋（ 一互） ，（１） 其中，ｚ ，…，ｚ 代表同一体素在不同时刻的一组数 据， 代表这组数据的均值，ｓ。是这组数据的方差， Ｓ是这组数据的标准差．方差和标准差都是表示样 本变化浮动大小，方差越大表示波动得越大，在这里 表示体素就是激活的． ２）ｔ－ｔｅｓｔ：ｔ－ｔｅｓｔ主要是用于小样本容量的２个 样本，检测２个样本问的平均值是否存在明显的差 异，可以用于多个样本之间的两两比较．ｔ－ｔｅｓｔ可以 用于单一总体的检验也可以用于两个总体之间的检 验．本文主要是进行两种不同任务之间的ｔ－ｔｅｓｔ，也 就是两个总体之间的检验． 在两个总体检验中，两个总体的均值分别为 １， ２，假设Ｈｏ＂－Ｉ／１一 ２；Ｈ１： ｌ≠ ２；样本的方差表 示为 ２ （”１—１）Ｓ ＋（ｎ２—１）Ｓ； ‘ ｒｒ统计量为 ｒ－１一（Ｘ－－Ｙ）一（ 一 （Ｘ－－Ｙ） 一 ｓ ｚ√者＋ ｓ ｚ√ ＋ 两个总体检验主要是用于两个总体是否同时满 足相同的条件．通常是从两个总体中分别抽取出相 同数量的样本进行样本的均值和方差的计算，然后 通过抽取出来的样本进行总体的检验．如果满足原 假设则表明两个总体的样本的均值是相同的或者总 体的方差是相同的．如果均值和方差是相同的，就表 示两个样本之间的数据是相似的，也就是说在两种 不同的任务之间，体素的数值是基本没有什么变化 的，也就是体素是处于未激活状态．要选择激活状态 的体素就要选择均值和方差不相同的体素． １．２特征提取算法研究 在经过特征选择之后，将体素的个数减少，但是 如果将每一个任务（ｔｒａｉｌ）作为一个样本，则每一个 ｔｒａｉｌ就组成一个矩阵，对于后面采用分类算法分类 是相当困难的．因此在进行分类之前我们要先对数 据进行特征的选取，减少数据的维数．本文所进行的 特征提取全部是基于ＢＯＬＤ效应［８ 的，从ＢＯＬＤ效 应中提取所需要的特征．本文中特征提取主要是用 来降低体素的维数，定义了基于ＢＯＬＤ效应的５种 特征提取方法，分别是峰值、峰值所在的时间点、变 化率、累积值和最大主成分的方法． １）峰值：在整个任务中，ＢＯＬＤ效应达到的最 大值，如图２所示： ０・８ 一一 Ｊ入－ ０・６ ，＼ 人 、、 宝０．４ ， 、／＼ ０ ∞ ， ＼ Ｊ ， Ｏ・２ …一Ｏ．０ ／ １ ２ ３ ４ ５ ６ ７ ８ ０ ０．５ Ｏ．４２ ０．５４ Ｏ．３８ ０．３ Ｏ．２８ ｔ／ｓ Ｆｉｇ．２ Ｔｈｅ ｐｅａｋ ｖａｌｕｅ ｏｆ ＢＯＬＤ 图２ ＢＯＩ Ｄ效应峰值 ２）峰值所在的时间点：当血氧含量达到最大值 时所处的时间，如图３所示： ０・８ Ｏ・６ 八 水 一 ＼ ＾ ＼ 兮０．４ 一， Ｖ＼ ０ ∞ Ｉ ｉ ＼ ０・２ ， 一 ， ｉ ０．Ｏ ， 工 一 一 ｏ ０．７ ０．５Ｌ曼 … ０．４一４上 ２ ０．５…ｔ ……４；０．３８ ０．３７…Ｉ… ０．２＿８＿８ … ｔ／ｓ Ｆｉｇ．３ Ｔｈｅ ｔｉｍｅ ｏｆ ｐｅａｋ ｖａｌｕｅ． 图３峰值所在的时间点 ３）变化率：最大值减去最小值，然后除以所跨 越的幅度，如图４所示： Ｏ－８ Ｏ・６ 入 孚 ，：＼ ＾ 、、 ９ ０．４ 一… … … ……０ ∞ ＼ …～… Ｏ・２ ， — ， ｉ Ｊ０， ： ＿－．～・ Ｏ．Ｏ ｒ ’ｆ ３ ４ ５ ６ ７；８ ： Ｏ＿＝萌 ｊ０ ｔ／ｓ Ｆｉｇ．４ Ｔｈｅ ｒａｔｅ ｏｆ ｃｈａｎｇｅ ｏｆ ＢＯＬＤ 图４ ＢＯＬＤ效应变化率 ４）累积值：在整个任务进行的过程中，所有的 ＢｏＬＤ值的总和，如图５所示： … ？ Ｉ－ …… ｜．Ｉ｜。Ｉ… ＼ 碍 一 ｌ —ｌ ｒ ｉ ２ ３ ４ ５；６ ７ ８ ０ ０．７ ０．５ ｌ０．４２｛０．５４｝０．３８｛０．３ ０．２８ ｔ／ｓ Ｆｉｇ．５ Ｔｈｅ ｃｕｍｕｌａｔｉｖｅ ｖａｌｕｅ ｏ｛ＢＯＩ Ｄ 图５ ＢＯＬＤ效应累积值 计算机研究与发展２０１４，５ｌ（４） ５）最大主成分法：主成分分析法（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ，ＰＣＡ）主要是用来将多指标的 数据转化为少数几个综合指标的数据，因此可以用 ＰＣＡ进行数据降维．ＰｃＡ的数学模型如式（２）（３） 所示： Ａ一 ，Ａ ＝ ． （２） Ａ代表有ｍ个样本，每一个样本有ｙ／个指标．Ａ 的综合指标可以表示为 ｆＰ１一 １Ａ Ａ １Ａ ｌ Ｐ２一 ２Ａ ２Ａ ２Ａ （３） ｌＰ 一 Ａ Ａ Ａ 其中，要求： ｂ“＋６２ ＋…＋ｂ 一１，ｉ一１，２，…， ． （４） Ｐ ，Ｐ。，…，Ｐ 就是第１主成分，第２主成分， …，第Ｙ／主成分．最大主成分就是指第１主成分，就 是这个成分的方差是最大的．这样主成分分析可以 运用较少的变量得到较多的信息． １．３分类算法研究 特征选择和特征提取得是否成功需要用分类结 果来衡量，本文采用的分类算法主要是ＳＶＭ算法 和决策树算法． ＳＶＭ主要采用用于解决分类问题的Ｃ—ＳＶＣ类 型算法，关于核函数的选择，以往的研究中多项式函 数和径向基函数的分类效果较好，本文进行了多项 式函数和径向基函数分类结果的对比，并针对于惩 罚参数和伽马参数进行参数调优．在以往研究中是 利用决策树进行ｆＭＲＩ数据研究的，但是相对来 说研究较少．在本文中主要运用决策树进行树的建 立，以及运用所生成的树进行数据的预测．为了得到 可靠稳定的模型，交叉验证是必不可少的．常用的 交叉验证的方法有ｌｅａｖｅ—ｏｎｅ—ｏｕｔ、ｋ一折交叉验证等． 在ＳＶＭ和决策树的分类中本文均采用３折交叉 验证． ２ 实 验 ２．１实验数据的获取 实验数据来源于两种思维任务：４×４数独和图 像情感问题．
