The invention discloses a gradient super-calibration based multi-subject brain image prediction method, which includes the following steps: S1: data preprocessing of the collected raw data; S2: using independent component analysis method and random gradient rise method to solve the super-calibration problem for all or part of the pre-processed data, and functional calibration; S3: supporting the use of calibrated data. Vector Machine Training Classifier; S4: Predict the test set using the trained classifier. The independent component analysis method solves the problem that the super-calibration method in the prior art can not select features and that the selected features are not independent from each other. The random gradient rise method solves the problem that the super-calibration method in the prior art runs slowly when the sample number and the feature number are too large, and effectively improves the prediction accuracy.
【技术实现步骤摘要】
一种基于梯度超校准的多被试脑影像预测方法
本专利技术涉及脑解码领域，特别是涉及多被试脑影像预测方法。
技术介绍
人类通过感官系统从现实世界中获得的信息在人脑中被编码为神经活动模式，即大脑中体素的激活状态。通过对这些神经活动模式的解码，可以反推出这些信息的具体含义，这一过程称为脑解码。近年来，利用功能磁共振成像(fMRI)技术解码人类大脑活动迅速发展，这些研究有助于促进人们对大脑工作机制的理解。基因以及生活环境的不同导致每个人的大脑结构各不相同，因此当研究多被试者fMRI数据时需要对各被试者的脑影像数据进行生理结构校准(AnatomicalAlignment)和功能校准(FunctionalAlignment)。目前这两种校准方法有很多，其中生理结构校准采用结构磁共振成像(StructuralMRI)对结构特征进行校准，而功能校准采用fMRI直接校准神经活动。目前，生理结构校准经常被用作数据预处理步骤，而研究较多且对预测精度有较大提升的方法是功能校准，其中超校准(Hyperalignment)是功能校准中最有效的方法之一。在超校准方法中，每个被试者的神经活动模式被表...
【技术保护点】
1.一种基于梯度超校准的多被试脑影像预测方法，其特征在于：包括以下步骤：S1：对采集到的原始数据进行数据预处理；S2：对预处理后的全部或者部分数据运用独立成分分析方法和随机梯度上升方法来求解超校准问题，进行功能校准；S3：对校准后的数据运用支持向量机训练分类器；S4：对测试集运用训练好的分类器进行预测。
【技术特征摘要】
1.一种基于梯度超校准的多被试脑影像预测方法，其特征在于：包括以下步骤：S1：对采集到的原始数据进行数据预处理；S2：对预处理后的全部或者部分数据运用独立成分分析方法和随机梯度上升方法来求解超校准问题，进行功能校准；S3：对校准后的数据运用支持向量机训练分类器；S4：对测试集运用训练好的分类器进行预测。2.根据权利要求1所述的基于梯度超校准的多被试脑影像预测方法，其特征在于：所述步骤S2中，部分数据为基于实验任务选取的感兴趣区域。3.根据权利要求1所述的基于梯度超校准的多被试脑影像预测方法，其特征在于：所述步骤S2中，通过式(1)和(2)来...
【专利技术属性】
技术研发人员：张道强，徐同林，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32
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。