人工智能经过几十年的发展,取得了一定的成绩,也面临很大的困惑。问题解决是人类思维的最一般形式,是人类高级智能的具体表现,理解与探索人脑问题解决神经机制和信息加工过程可为人工智能提供新的思路。出于“认识脑、保护脑、开发脑、创造脑”的目的,问题解决的认知神经机制以及信息加工过程的研究已经越来越多地受到了不同领域研究人员的关注。本研究是国家自然科学基金项目“问题求解中启发式搜索的认知神经机制研究”(ID:60875075)中的主要组成部分,属于探索性研究。问题解决信息加工理论认为:问题解决就是通过不断操作算子,使问题从初始状态变化到目标状态的过程,使用启发式算子可以提高问题解决效率。依据该理论,针对问题解决过程中启发式算子搜索与运用的认知神经机制和信息加工过程进行了系统的研究,并提出了基于分类与聚类的fMRI数据分析方法。主要工作和创新点如下:(1)针对算子搜索与运用认知神经机制,提出了新的问题解决实验范式,并设计了两个认知实验:①启发式规则运用与提取;②启发式规则搜索。第一个认知实验重点研究人脑如何提取并运用特定算子,第二个重点研究人脑合理选择和搜索合适算子进行状态空间搜索的神经机制。(2)采用多角度fMRI数据分析方法,研究分析了算子搜索与运用的神经机制和信息加工过程。通过脑功能定位分析,发现了算子搜索与运用的激活脑区。在此基础上,通过功能连接分析探索激活脑区之间的连接模式,并提出了算子搜索与运用认知过程的假设。进一步通过ACT-R建立的认知模型验证了该假设,该模型与实际数据的拟合程度达80%以上,说明了该假设与模型比较客观地反映了实际信息加工过程,为理解启发式问题解决信息加工过程提供了有力支持。(3)分析了现有的fMRI分类算法,提出了SVVC数据分类方法,该方法可以分析特定脑区与认知过程的相关性,能较好地预测高级思维状态。通过提取单体素BOLD时间序列,训练单体素分类器,并使用AdaBoost算法集成单体素分类结果,分类正确率高达90%。研究对比了不同特征选择方法以及不同分类算法的分类情况,结果表明使用AdaBoost算法的方法性能最好,而选择与问题解决相关的脑区作为分类特征的分类性能较好。(4)提出了基于BOLD模式聚类的fMRI数据分析方法,并运用该方法进行大脑协同工作模式的分析。通过提取全脑所有体素的BOLD效应,并对这些BOLD模式进行聚类分析,发现了典型的BOLD模式及其在大脑中的分布情况。在此基础上,进一步从时间和空间上分析了大脑协同工作情况。该方法是一种全面揭示大脑协同工作模式的有效fMRI数据分析手段。总之,围绕着问题解决过程中启发式算子的搜索与运用,本研究借助fMRI技术、认知心理学、数据挖掘、认知建模等方法探索了其神经机制和信息加工过程,研究结果有望为人工智能研究提供一些参考。研究过程中提出的基于分类与聚类等fMRI数据分析方法是现有方法的有益补充。