基于成组SIM算法的大脑功能磁共振成像盲源分离方法技术
【技术实现步骤摘要】
基于成组SIM算法的大脑功能磁共振成像盲源分离方法
本专利技术涉及大脑功能磁共振成像数据的盲源分离领域，具体涉及一种基于成组SIM(GroupSignalIntensityMaximizing，GroupSIM)算法的大脑功能磁共振成像盲源分离方法。
技术介绍
脑功能成像是通过观测神经活动引起的血流、代谢等次级反应或产生的电、磁信号变化，以成像技术将脑的活动以直观的图像形式表达出来，使我们可以在无创条件下探测活体脑的实时功能活动。脑功能成像技术发展迅速，如今进入实用阶段的已有十几种。其中，自上世纪90年代中期发展起来的功能磁共振成像(functionalMagneticResonanceImage，fMRI)技术，目前已广泛应用于脑的基础研究和临床治疗。在脑内，fMRI主要观察局部脑血流，检测有氧血红蛋白与无氧血红蛋白的比例，从而显示脑局部区域的活动情况。该技术可以准确定位活体脑的各功能区，具有较高的空间分辨率，对脑科学和认知神经科学的发展产生了巨大而深刻的影响。由于fMRI数据的空间维数一般很高，在已有的Matlab平台下的GIFT软件包中实现的GroupICA...
【技术保护点】
一种基于成组SIM算法的大脑功能磁共振成像盲源分离方法，其特征在于实施步骤包括：1)对预处理后的每个被试的大脑功能磁共振成像，首先分别通过PCA方法进行个体层次的降维，然后将所有被试降维后的数据组合在一起得到为组群的数据集，再对组群的数据集通过PCA方法进行组群层次的降维；2)将降维后的组群的数据集通过SIM算法进行分析处理，得到组群层次的大脑源网络；3)将组群层次的大脑源网络通过反重构，再进行标准化，得到每个被试的大脑源网络和对应的时间波动；4)对每个被试的大脑源网络和时间波动分别进行加和平均，得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。
【技术特征摘要】
1.一种基于成组SIM算法的大脑功能磁共振成像盲源分离方法，其特征在于实施步骤包括：1)对预处理后的每个被试的大脑功能磁共振成像，首先分别通过PCA方法进行个体层次的降维，然后将所有被试降维后的数据组合在一起得到为组群的数据集，再对组群的数据集通过PCA方法进行组群层次的降维；2)将降维后的组群的数据集通过SIM算法进行分析处理，得到组群层次的大脑源网络；3)将组群层次的大脑源网络通过反重构，再进行标准化，得到每个被试的大脑源网络和对应的时间波动；4)对每个被试的大脑源网络和时间波动分别进行加和平均，得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。2.根据权利要求1所述的基于成组SIM算法的大脑功能磁共振成像盲源分离方法，其特征在于，步骤1)的详细步骤包括：1.1)通过Matlab读取预处理后的每个被试的大脑功能磁共振成像得到四维的数据矩阵[a,b,c,n]，其中a,b,c为每一帧大脑图像的维数，n为图像的采样数，且每个被试的大脑功能磁共振成像格式为nii，且每个被试只有一段完整的采集周期；通过reshape函数将四维的数据矩阵处理为二维矩阵Di＝[p,n]，其中p＝a*b*c，a,b,c为每一帧大脑图像的维数，n为图像的采样数，i＝1,2,...,N，N为被试个数；1.2)将得到的二维矩阵Di按列去掉小于列平均值的元素得到被试i的新矩阵记为subMi，维数为[m,n]，m为矩阵subMi的行数，p为二维矩阵Di的行数且m<p，同时记录被保留数据的索引值；1.3)对得到的所有矩阵subMi分别通过PCA方法降维得到新矩阵subpcaMi(m×srcN)作为个体层次的降维的结果，其中m为矩阵subMi的行数、srcN为需要分离出的大脑源网络的个数，得到的白化矩阵为subwhiteMi，去白化矩阵为subdewhiteMi；将所有的矩阵subpcaMi组合为新的数据矩阵groupM，再通过PCA方法对数据矩阵groupM降维得到数据矩阵grouppcaM作为组群层次的降维的结果，对应的白化矩阵为groupwhiteM，去白化矩阵为groupdewhiteM。3.根据权利要求2所述的基于成组S...
【专利技术属性】
技术研发人员：李明，胡德文，张岩，武兴杰，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。