一種基于張量分解的fMRI特征提取與識別方法
【技術領域】
[0001] 本發(fā)明涉及一種腦功能核磁共振圖像（fMRI)的處理與識別方法，是一種基于張 量分解的fMRI特征提取與識別方法；具體涉及數(shù)字圖像處理、動態(tài)功能網(wǎng)絡構建、張量分 解和模式識別等知識領域與處理方法，本方法對fMRI處理的結果可用對不同類fMRI數(shù)據(jù)， 如成人與兒童數(shù)據(jù)，醉酒與清醒試驗者數(shù)據(jù)，試驗者觀看不同情感照片數(shù)據(jù)等進行分類。屬 于針對高維圖像序列數(shù)據(jù)的機器學習與模式識別方法。
【背景技術】
[0002] 功能磁共振圖像（fMRI)技術近年來得到研究者的廣泛關注。該技術通過探測大 腦中的血氧飽和變化來達到無侵入性觀察大腦活動變化的目的。其中靜息態(tài)功能磁共振圖 像（Resting State fMRI，R-fMRI)反映的是占大腦活動90%能量的自發(fā)性活動，這些自發(fā) 性活動被認為與人類最基礎的大腦活動相關，也可以反映兒童與成人隨著年齡的變化，大 腦認知狀態(tài)的變化。
[0003] 近年來，在針對R-fMRI的研究中，研究者一般關注反映不同腦區(qū)間神經(jīng)生理活動 相關的功能連接特性。這些特性能反映不同實驗參與者腦功能連接上的區(qū)別，然而傳統(tǒng)的 構建功能網(wǎng)絡方法通常使用整個時間序列去構建一個靜態(tài)的網(wǎng)絡。該方法雖然易于檢驗和 解釋結果，但卻忽略了功能網(wǎng)絡狀態(tài)隨時間變化這一特性，而這些隨時間變化的網(wǎng)絡狀態(tài) 往往是反映無約束大腦活動的非穩(wěn)定特征，正確發(fā)現(xiàn)這類特征對理解腦部活動至關重要。 本發(fā)明利用時間窗構建的動態(tài)功能連接特征，不僅能反映功能網(wǎng)絡的時間關聯(lián)特征，而且 可以將該這類非穩(wěn)定特性作為分類不同實驗參與者的重要特征。
[0004] 動態(tài)腦功能連接矩陣一般都是三維矩陣數(shù)據(jù)，將機器識別技術運用在對這類 復雜矩陣特征的提取和分析一直是一個難點問題。傳統(tǒng)的方法必須將其中二維矩陣向 量化后，再使用諸如主成分分析（Principal Component Analysis, PCA)、獨立成分分析 (Independent Component Analysis，ICA)等一些降維方法進行處理。該類方法在將90個 腦區(qū)的功能連接矩陣向量化后，會得到一個（90*89)/2維的向量，然而fMRI數(shù)據(jù)普遍存在 被試數(shù)目較小，這樣不可避免的在識別中會存在"維數(shù)災難"問題，而且PCA與ICA等算法 提取的特征向量也難以描述相鄰功能連接矩陣之間的動態(tài)信息。

【發(fā)明內(nèi)容】

[0005] 1?發(fā)明要解決的技術問題
[0006] 針對傳統(tǒng)降維方法難以有效提取fMRI動態(tài)功能連接矩陣特征這一問題，本發(fā)明 提供了一種基于張量分解的fMRI特征提取與識別方法，目的在于克服fMRI數(shù)據(jù)處理中的 "維數(shù)災難"問題，并且挖掘腦功能連接網(wǎng)絡的動態(tài)信息。
[0007] 2?技術方案
[0008] 本發(fā)明解決問題所采用技術方案的原理是：利用時間窗提取的腦區(qū)時間序列獲得 多組窗時間序列，并構建動態(tài)功能連接矩陣。對該矩陣序列運用張量分解的方法降維，提取 特征張量，將特征張量向量化后使用支持向量機分類。
[0009] 本發(fā)明技術方案的具體內(nèi)容，實現(xiàn)步驟如下：
[0010] ⑴通過SPM8軟件處理fMRI原始數(shù)據(jù)，首先去除前幾個非穩(wěn)定時間點，隨后做 時間層校正、頭動校正、平滑，并在去除低頻漂移影響后對圖像做〇〇. 1~〇. 1HZ的濾波；最 后通過靜息態(tài)功能磁共振數(shù)據(jù)處理助手（DPARSF)軟件消除全腦信號、腦脊液信號、頭動 等協(xié)變量參數(shù)影響；上述操作均在Windows操作系統(tǒng)下完成，實驗硬件如下：Intel Xeon E5-26434C 3. 3010MB 1600CPU-1、Intel Xeon E5-26434C 3. 3010MB 1600CPU-2、32GB DDR3-1866(8x4GB)2CPU RAM、2*1TB 7200RPM SATA 1st HDD、AMD FirePro W70004GB 1st GFXU6X SuperMulti DVDRff SATA 1st ODD, HP 3-3-3ffarranty ；
[0011] (2)預處理后的fMRI數(shù)據(jù)，對照生理學模板（本發(fā)明選擇Anatomical Automatic Labeling模版）將除去小腦部分的區(qū)域劃分成90個功能腦區(qū)，并求取單個腦區(qū)的平均體素 時間序列h a= {h a>1，ha,2, ? . . ha, N} 1彡a彡90,其中N為時間長度，ha, N為第a個體素在時 間N時的灰度值，于是有全腦90個時間序列H = {hp h2, . . . . h9Q};
[0012] (3)利用時間窗思想，將原始長度為N的時間序列，通過設定窗口長 度W及相對應的更新步長劃分為Z個有重疊的窗口時間序列{戌,或，.…點7}其中 t 慶=說，/5丨，.…也} BhZ為原全腦時間序列的第k個片段，紀={私，兒為第k個片 段的單腦區(qū)的平均體素時間序列。
[0013] (4)通過公式，
【主權項】
1. 一種基于張量分解的fMRI特征提取與識別方法，包括如下步驟： (1) 對獲取到的靜息態(tài)fMRI實驗數(shù)據(jù)進行預處理，消除外界干擾信號并將所有采集到 的實驗數(shù)據(jù)標準化到統(tǒng)一的時間和空間域；所述的預處理過程通過SPM8軟件實現(xiàn)，包括時 間層校準，頭動校正，空間標準化和空間平滑； (2) 從預處理后的fMRI數(shù)據(jù)中提取出相關信息，對照生理學模板，將每個實驗者大腦 腦區(qū)內(nèi)的所有體素的時間序列進行平均，獲得90個腦區(qū)的平均體素時間序列。 (3) 利用時間窗思想，將單腦區(qū)平均體素時間序列劃分為多個時間序列，得到多個窗口 平均體素時間序列。 (4) 計算90腦區(qū)在同一窗口下的時間序列間的皮爾遜相關系數(shù)，在單一窗口下得到一 個功能矩陣，由此將所有窗口下得到的功能矩陣組合，得到動態(tài)功能連接矩陣。 (5) 隨機抽取實驗數(shù)據(jù)中的一半數(shù)據(jù)作為訓練集，并按上述步驟得到動態(tài)功能連接矩 陣，并將動態(tài)功能矩陣作為一個H階張量，構建張量訓練集。 (6) 構造訓練集的協(xié)方差矩陣，設定Q值，確定保留的特征張量維數(shù)。 (7) 根據(jù)特征張量維數(shù)，在滿足投影的張量總散度最小的情況下，確定最佳投影矩陣。 (8) 根據(jù)最佳投影矩陣，將訓練集及測試集原始張量投影，并求取訓練集和測試集的特 征張量。 (9) 將所有特征張量展開為一維向量。 (10) 將該一維向量作為支持向量機的輸入，根據(jù)訓練集構建識別模型，并用測試集檢 驗該模型。
2. 根據(jù)權利要求1所訴的一種基于張量分解的fMRI特征提取與識別方法，其特征 在于，所述步驟（2)中所使用的生理學模版是指生理解剖學模版（AnatomicalAutomatic Ubeling，AAL)。步驟做中利用時間窗思想，是指將原始長度為N的時間序列，通過設定 窗口長度W及相對應的更新步長劃分為Z個有重疊的窗口時間序列。步驟（7)中確定最佳 投影矩陣的方法為多重線性主成分分析方法。步驟巧）中將特征張量展開為一維向量，指 的是將張量按照模-1方向展開成向量。
【專利摘要】本發(fā)明公開了一種基于張量分解的fMRI特征提取與識別方法。本發(fā)明通過構建fMRI動態(tài)功能連接矩陣，并利用多重線性主成分分析方法進行張量分解，提取動態(tài)功能連接矩陣的特征張量，最后將特征張量向量化后作為支持向量機的輸入去識別不同fMRI數(shù)據(jù)，整個圖像序列的預處理及構建矩陣等步驟都通過Matlab程序?qū)崿F(xiàn)。本發(fā)明不僅可以克服“維數(shù)災難”問題，而且能夠挖掘出腦功能連接網(wǎng)絡的動態(tài)信息。
【IPC分類】G06K9-46, G06K9-00
【公開號】CN104715241
【申請?zhí)枴緾N201510133021
【發(fā)明人】梅雪, 黃嘉爽, 李微微, 馬士林
【申請人】南京工業(yè)大學
【公開日】2015年6月17日
【申請日】2015年3月23日