一种ICA-CNN分类的fMRI数据空间预平滑增广方法技术

一种ICA‑CNN分类的fMRI数据空间预平滑增广方法，属于生物医学信号处理领域。首先，对fMRI观测数据施加不同FWHM的空间平滑，增广生成新的fMRI数据集；然后送入ICA‑CNN框架，实现对病人与健康人分类性能的改进。采用本发明专利技术对82被试的静息态fMRI数据进行病人和健康人的分类，采用三种不同FWHM的高斯滤波器对观测数据进行空间平滑，生成三组fMRI数据集，然后送入ICA‑CNN框架进行分类。相比已有的多模型阶数数据增广方法，本发明专利技术能够将分类准确率提高2％；若将二者结合，能将分类准确率提高12.71％。因此，本发明专利技术既能独立提升网络分类性能，也容易与其他增广方法结合，显著提高分类准确率。

【技术实现步骤摘要】
一种ICA-CNN分类的fMRI数据空间预平滑增广方法
本专利技术属于生物医学信号处理领域，特别是涉及一种ICA-CNN分类的fMRI数据空间预平滑增广方法。
技术介绍
卷积神经网络(convolutionalneuralnetworks，CNN)具有局部感知、权值共享等优点，不但在识别、检测、分类等任务中表现突出，在智慧医疗方面也大有作为。静息态fMRI(resting-statefMRI，rs-fMRI)数据有着非侵入性、空间分辨率高、易于在病人被试上采集等优势，常用于神经障碍类疾病如精神分裂症的分析和诊断。因此，以rs-fMRI数据作为训练数据的CNN将在健康人与病人的分类任务中体现独特优势。鉴于病人fMRI难于采集、数据量不大的问题，林秋华等人提出了一种病人与健康人复数fMRI数据的ICA-CNN分类框架(专利申请号201910350137.2)。在该框架中，首先采用独立成分分析(independentcomponentanalysis,ICA)分离得到感兴趣空间成分的二维切片，然后将二维切片送入二维CNN提取特征并分类。与直接本文档来自技高网...

【技术保护点】
1.一种ICA-CNN分类的fMRI数据空间预平滑增广方法，通过对fMRI观测数据施加空间平滑，增广生成新的fMRI数据集，然后送入ICA-CNN框架，实现对精神分裂症患者与健康人分类性能的改进；其特征在于，以下步骤：/n第一步：输入被试k的四维fMRI观测幅值数据

【技术特征摘要】
1.一种ICA-CNN分类的fMRI数据空间预平滑增广方法，通过对fMRI观测数据施加空间平滑，增广生成新的fMRI数据集，然后送入ICA-CNN框架，实现对精神分裂症患者与健康人分类性能的改进；其特征在于，以下步骤：
第一步：输入被试k的四维fMRI观测幅值数据K是被试总数，T是扫描时间点数，X、Y、Z是大脑空间的三个维度；
第二步：将每个被试的四维fMRI数据沿着时间轴分解成一系列三维空间信号x(k)(1,x,y,z),…,x(k)(t,x,y,z),…,x(k)(T,x,y,z)，其中x(k)(t,x,y,z)为时间点t处的三维扫描图，t＝1,…,T，x＝1,…,X，y＝1,…,Y，z＝1,…,Z，k＝1,…,K；
第三步：空间平滑，将被试k在时间点t处的空间数据x(k)(t,x,y,z)，k＝1,…,K，与三维高斯滤波器进行卷积实现空间平滑，如下式所示：



式中表示三维卷积计算，g(x,y,z)为三维零均值高斯函数，定义为：



其中，σ为标准差，决定滤波器的宽度，σ越大，平滑程度越大，半峰全宽FWHM是衡量高斯核大小的常用参数，与σ具有线性关系如下，利用G个具有不同FWHM大小的高斯滤波器对所有被试的观测数据进行平滑，能将每个被试的数据集由原来的一组增广至G组，对于被试k，将G组增广数据记做
第四步：将的空间维展为一维，即空间维大小等于X×Y×Z，i＝1,…,G，然后去除脑外体素，只取脑内体素，得到V为脑内体素数，V<X×Y×Z；
第五步：利用主成分分析PCA对进行降维，得到N为模型阶数，N≤T；
第六步：ICA分离与感兴趣成分提取，采用Infomax算法对进行ICA分离；基于与空间成分模板相关系数最大的原则，从N个ICA分离成分中选择感兴趣成分的空间激活图
第七步：对进行脑外体素补零，恢复为三维空间激活图，即
第八步：将沿z轴展开为Z个大小为X×Y的二维...

【专利技术属性】
技术研发人员：林秋华，牛妍炜，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21