一种基于梯度超校准的多被试脑影像预测方法技术

本发明专利技术公开了一种基于梯度超校准的多被试脑影像预测方法，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。本发明专利技术利用独立成分分析方法解决了现有技术中超校准方法不能选择特征以及选择的特征之间不相互独立的问题，利用随机梯度上升方法解决了现有技术中超校准方法在样本数和特征数过大时运行速度慢的问题，并且有效提高了预测精度。

A Prediction Method of Multiple Subjects Brain Image Based on Gradient Supercalibration

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示为一个高维空间，被称为表征空间(RepresentationalSpace)，比如一个被试者的神经活动模式由1000个体素构成，那么该被试者的表征空间为1000维。超校准方法试图对所有被试者的表征空间进行校准，即把每个被试者的表征空间进行旋转，映射到一个公共空间(CommonSpace)中，然后在这个公共空间中进行预测分析。脑解码是一种脑影像预测方法，该方法先对所有的被试者数据进行分析，利用机器学习的方法建立一个预测模型，然后对于一个新的被试者，利用训练好的预测模型进行预测。例如，若干被试者观看某些种类的图片(如房子，人脸，猫等)，这些图片在fMRI实验中被称为刺激(stimulus)，在被试者观看图片时对他们的大脑进行fMRI扫描获得fMRI数据，然后从这些数据中提取出神经活动模式，利用机器学习方法对神经活动模式训练一个分类预测器，对于一个新的被试者的神经活动模式，利用训练好的分类器进行预测，可以预测出该被试者看到的图片是什么。目前利用超校准方法对fMRI脑影像数据进行预测的方法有很多。比如多被试fMRI数据上的正则化超校准技术(Xu,H.,etal.:Regularizedhyperalignmentofmulti-setfMRIdata.In:IEEEStatisticalSignalProcessingWorkshop,pp.229–232.)。该技术的主要目的是通过改变超校准的求解方式来提高分类预测的精度。基本的超校准问题通过Procrustes方法求解，而正则化超校准(RHA)通过典型相关分析(CCA)来求解超校准问题，论文中证明了通过CCA得到的正则化超校准的目标函数等价于基本的超校准问题的目标函数，而且正则化超校准相比于基本的超校准问题，在一个被试者观看电影的fMRI数据集上，分类预测精度更高。然而，正则化超校准技术的一个缺点是当数据中的样本数和体素数过大时，算法运行速度非常慢，占用内存空间过大，甚至在一些普通配置的计算机上无法运行。另一个缺点是该技术不能选择特征或者选择的特征之间不相互独立，即该技术把所有包含的体素都当成特征，因此当体素数量过大时，存在很多冗余特征，导致该技术不仅运行速度慢而且预测精度低。
技术实现思路
专利技术目的：本专利技术提出了一种基于梯度超校准的多被试脑影像预测方法，解决了现有技术中的速度慢、不能选择特征的问题。技术方案：本专利技术所述的基于梯度超校准的多被试脑影像预测方法，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。进一步，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。进一步，所述步骤S2中，通过式(1)和(2)来求解超校准问题：其中，i＝1:S，i表示被试者的序号，S表示被试者的总数，Xi表示第i个被试者预处理后的数据，T表示样本的数量，V表示特征的数量，Ri表示第i个被试者的旋转映射矩阵，Rj表示第j个被试者的旋转映射矩阵，j＝1:S，I表示恒等矩阵。进一步，超校准的公式转换为式(3)和(4)：其中，G表示公共空间。进一步，超校准的公式转换为式(5)和(6)：其中，表示Ai的逆，表示混淆矩阵，表示独立成分矩阵，S表示被试者的总数。有益效果：本专利技术公开了一种基于梯度超校准的多被试脑影像预测方法，利用独立成分分析方法解决了现有技术中超校准方法不能选择特征以及选择的特征之间不相互独立的问题，利用随机梯度上升方法解决了现有技术中超校准方法在样本数和特征数过大时运行速度慢的问题，并且有效提高了预测精度。具体实施方式本具体实施方式公开了一种基于梯度超校准的多被试脑影像预测方法，包括以下步骤：S1：使用工具包软件ezfmri对采集到的原始数据进行数据预处理。该工具包是由iBRAIN实验室研发的集成了多种脑解码方法的工具包，它通过调用FSL数据预处理软件进行切片时间校正(slicetiming)，头动校正(motioncorrelation)，和空间正则化(spatialnormalization)等标准预处理流程。在上述数据预处理过后，可以得到包含大脑全部体素的数据，称之为整个大脑(wholebrain)数据，接下来可以基于整个大脑数据进行脑影像预测。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。部分数据为基于实验任务选取的感兴趣区域。为了降低时间复杂度和空间复杂度，本具体实施方式不选择使用整个大脑数据而是使用感兴趣区域(ROI)的数据，该感兴趣区域是基于实验任务选取的，因为不同的任务激活大脑不同的区域，本具体实施方式可以只选择与当前实验任务有关的脑区，抛弃那些与任务无关的脑区。具体地，对于每一个数据集，根据数据集的原始论文中得出的结论选择感兴趣区域。接下来，基于感兴趣区域进行脑影像预测。式(1)和(2)为超校准的基本公式：其中，i＝1:S，i表示被试者的序号，S表示被试者的总数，Xi表示第i个被试者预处理后的数据，T表示样本的数量，V表示特征的数量，Ri表示第i个被试者的旋转映射矩阵，Rj表示第j个被试者的旋转映射矩阵，j＝1:S，I表示恒等矩阵。为了求解式(1)和(2)，本具体实施方式将其转换为式(3)和(4)：其中，G表示公共空间。接下来，要解决的是如何求解式(3)和(4)中的Ri和G的解的问题。传统的方法可以采用Procrustes问题求解方式或者CCA求解方式。本具体实施方式的方法的创新性在于，采用ICA(独立成分分析方法)进行求解，并且优化方法采用随机梯度上升，这种求解方法可以一方面可以选出独立的特征，另一方面可以加快求解速度，使得算法可以运行在高维数据上。在ICA问题中，给定一组观察数据，ICA试图找到一组互相独立的成分生成该观察数据。以超校准数据为例，给定所有被试者的观察数据Xi，ICA认为每个被试者的特征之间是相互独立的，要找到这本文档来自技高网...

【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