一种提取个体空时特征矢量与被试细分类的方法技术

一种提取个体空时特征矢量与被试细分类的方法，属于生物医学信号处理领域。其充分挖掘“空间体素

【技术实现步骤摘要】
一种提取个体空时特征矢量与被试细分类的方法


[0001]本专利技术属于生物医学信号处理领域，涉及到一种提取个体空时特征矢量与被试细分类的方法，具体是指从多被试功能磁共振成像(functional magnetic resonance imaging，fMRI)数据的空间稀疏约束Tucker分解核张量中提取个体空时特征矢量与被试细分类的方法。

技术介绍

[0002]fMRI广泛应用于脑功能和神经精神类脑疾病研究。其优点在于高安全性、非侵入式以及毫米级高空间分辨率。多被试fMRI数据有5维，包括3维全脑数据、1维全脑扫描次数(即时间点个数)和1维被试个数。在进行盲源分离(blind source separation,BSS)时，通常将全脑数据展开成一维体素，此时的多被试fMRI数据“空间体素
×
时间
×
被试”也高达3维。
[0003]张量分解方法因其充分利用数据高维结构信息的优点，非常适合多被试fMRI数据的分析。Tucker分解是张量分解方法的一种，对于体现多被试fMRI数据高维空时结构的“空间体素<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提取个体空时特征矢量与被试细分类的方法，是从多被试fMRI数据的空间稀疏约束Tucker分解核张量中提取个体空时特征矢量与被试细分类的方法，其特征在于，在Tucker分解模型中引入空间稀疏约束，形成如下模型：其中，是多被试fMRI数据，V是脑内体素的个数，T是时间点个数，K是被试个数；是共享SM矩阵，是共享TC矩阵，是核张量，是残差张量，N是共享成分个数；
“×
1”和
“×
2”为模
‑
1乘积和模
‑
2乘积；“||
·
||
F”、“||
·
||
1”、“||
·
||
p”分别为l
F
范数、l1范数和l
p
范数，p为稀疏参数；δ、λ、γ分别是空间稀疏项、核张量稀疏项和残差张量稀疏项参数；式(1)中，空间稀疏约束通过S的l
p
范数实现，S和B的低秩约束由l
F
范数实现，G和E的稀疏约束通过l1范数实现；由式(1)，得到增广拉格朗日函数如下：式中，是G的分裂变量，是拉格朗日乘子，V是脑内体素的个数，T是时间点个数，K是被试个数，N是共享成分个数；α、β是惩罚参数，“&lt;
·
&gt;”是矩阵内积；是矩阵内积；和分别为张量R、X、E、U、W和G的第k个正面切片，分别满足R
k
＝R(:,:,k)、X
k
＝X(:,:,k)、E
k
＝E(:,:,k)、U
k
＝U(:,:,k)、W
k
＝W(:,:,k)和G
k
＝G(:,:,k)，其中k＝1,2,...,K，“:”表示取张量对应维的所有元素；根据式(2)，利用ADMM和半二次分裂法对共享SM、共享TC以及核张量进行更新；根据Tucker分解得到的多被试共享TC矩阵和共享SM矩阵，分别提取感兴趣成分的索引；然后，根据感兴趣成分在共享TC矩阵和共享SM矩阵中的索引，分别提取包含所有被试N个特征的空间特征矩阵和时间特征矩阵；最后，从空间特征矩阵和时间特征矩阵中分别提取每个被试的空间特征矢量和时间特征矢量，利用k
‑
means算法分别根据空间特征和时间特征对被试进行细分类。2.根据权利要求1所述的一种提取个体空时特征矢量与被试细分类的方法，其特征在于，具体实现步骤如下：第一步：输入数据；以“空间体素
×
时间
×
被试”形式输入多被试fMRI数据张量第二步：根据式(1)和式(2)，对多被试fMRI数据X通过ADMM和半二次分裂法实现Tucker分解，得到核张量共享SM矩阵和共享TC矩阵
第三步：分别构建共享TC和共享SM感兴趣成分的参考成分；当构建共享TC感兴趣成分的参考成分时，对于多被试任务态fMRI数据，任务相关参考成分由实验范式与HRF线性卷积生成，DMN参考成分为任务相关参考成分的反相成分；对于任务态fMRI数据其他成分以及多被试静息态fMRI数据，参考成分采用GICA方法获取，具体如下：采用GICA对时间维串联多被试fMRI数据进行分离，得到每被试特有TC，再对所有被试的特有TC取平均，得到共享TC感...

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