基于多尺度排列模糊熵的功能磁共振复杂度测度方法技术

本发明专利技术涉及信号处理技术领域，具体是一种功能磁共振复杂度测度方法‑多尺度排列模糊熵。本发明专利技术解决了传统的复杂度测度方法不能防止混叠，高尺度上方差较大，抗噪能力弱，稳定性差的问题。一种功能磁共振复杂度测度方法‑多尺度排列模糊熵，该方法是采用如下步骤实现的：步骤S1：对功能磁共振数据预处理；步骤S2：低通滤波；步骤S3：时间序列下采样；步骤S4：时间序列进行符号化；步骤S5：进行相空间重构；步骤S6：采用模糊隶属函数；步骤S7：计算多尺度排列模糊熵；该方法减少了下采样时时间序列的混叠现象，降低了高尺度上的方差值，具有较好抗噪能力与稳定性。本发明专利技术适用于功能磁共振影像数据的复杂度分析。

【技术实现步骤摘要】
基于多尺度排列模糊熵的功能磁共振复杂度测度方法
本专利技术涉及信号处理
，特别涉及一种多尺度排列模糊熵的计算方法。
技术介绍
功能磁共振成像(fMRI)技术，能够有效地检测出大脑皮层中不同功能区的激活，是脑与认知科学研究中最有效的手段之一。然而，在较低的磁场强度条件之下，fMRI信号的变化很弱，在数据采集过程中，由于不可避免的生理噪声和设备噪声，采集到图像数据的信噪较低。因此，从低信噪比的图像数据中准确、可靠地检测出生理信号，是基于fMRI的脑与认知科学研究中的首要解决问题。传统复杂度分析方法由于其自身原理所限，普遍存在方法论的限制。例如：不能防止对时间序列下采样时出现的混叠现象；高尺度下，随着数据时间点的减少，熵值的方差增长非常快，大方差导致可靠性的降低；对噪声敏感度高；因此导致了复杂度计算不准确。基于此，有必要专利技术一种全新的功能磁共振复杂度测度方法，来解决上述问题。本专利技术提出了一种多尺度排列模糊熵(mPFEN)，该指标通过改进滤波器减少了混叠现象，重新定义下采样过程降低了高尺度上的方差值，引入排序符号化思想提高了抗噪能本文档来自技高网...

【技术保护点】
1.基于多尺度排列模糊熵的功能磁共振复杂度测度方法，其特征在于，包括以下步骤：/n步骤S1：获取静息态功能磁共振影像数据，对影像数据进行预处理；/n步骤S2：采用巴特沃斯低通滤波器对预处理后的数据进行低通滤波，得到长度为N的原始时间序列x(i)；/n步骤S3：对原始时间序列x(i)进行数据下采样，在长度为s的重叠窗口中平均时间序列来构造连续的粗粒度时间序列

【技术特征摘要】
1.基于多尺度排列模糊熵的功能磁共振复杂度测度方法，其特征在于，包括以下步骤：
步骤S1：获取静息态功能磁共振影像数据，对影像数据进行预处理；
步骤S2：采用巴特沃斯低通滤波器对预处理后的数据进行低通滤波，得到长度为N的原始时间序列x(i)；
步骤S3：对原始时间序列x(i)进行数据下采样，在长度为s的重叠窗口中平均时间序列来构造连续的粗粒度时间序列
步骤S4：重构粗粒度时间序列得到矩阵，按照升序排列矩阵中的每个重构组件且进行符号化，得到符号序列U(i)；
步骤S5：对符号序列U(i)进行相空间重构，具体包括：
假设U(i)的长度为L，构造Yim＝{U(i),U(i+1),…,U(i+m-1)}-U0(i)；
其中，i＝1,2,…,L+m-1m≤L-2，m为相空间维数，



向量Yim与Yjm之间的距离定义为对应元素之间的最大差；



步骤S6：采用模糊隶属函数重新定义Yim与Yjm之间的距离；其中，模糊隶属函数为指数函数，n代表指数函数的宽度，w代表指数函数的梯度；
步骤S7：计算多尺度排列模糊熵值。


2.根据权利要求1所述的测度方法，其特征在于，在步骤S1中，对影像数据预处理包括：采用spm8和dparsf，对影像数据进行时间层校正，纠正头部运动，将功能图像空间归一化为MNI模板，进行去线性趋势，时域带通滤波。


3.根据权利要求1所述的测度方法，其特征在于，在步骤S2中，巴特沃斯低通滤波器频率响应的振幅为其中t是滤波器阶数，fc是截止频率。


4.根据权利要求3所述的测度方法，其特征在于，在步骤S3中，对长度为N的原始时间序列x(i)＝{x1,x2,…,xN}进行数据下采样，尺度因子为s，得到的kth粗粒度时间序列定义为:



其中，s是尺度因子，为各时间序列的长度，kth指重叠窗口产生的第k条时间...

【专利技术属性】
技术研发人员：王彬，牛焱，孙婕，崔晓红，相洁，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14