一种基于体积特征联合领域和类别的脑状态分类方法技术

本发明专利技术适用于功能磁共振成像数据的大脑状态分类领域，提供了一种基于体积特征联合领域和类别的脑状态分类方法，包括如下步骤：步骤S1：根据行为任务的实验范式将4DtfMRI数据转换为时间序列的3DtfMRI体积数据；步骤S2：通过构建的3D

【技术实现步骤摘要】
一种基于体积特征联合领域和类别的脑状态分类方法


[0001]本专利技术属于功能磁共振成像数据的大脑状态分类
，尤其涉及一种基于体积特征联合领域和类别的脑状态分类方法。

技术介绍

[0002]了解大脑的结构和功能是人类科学探索的一个经典问题。哲学家和科学家一直在试图观察、理解、推测和破译使人类能够感知和探索周围环境(视觉、听觉、运动等行为表现)的大脑机制。如今，认知神经科学试图对大脑的神经生理和行为表现规律进行分析、建模与预测。具体来说，研究者希望不仅能够解释给定任何行为任务的大脑神经活动(编码)，而且能够解码大脑神经活动以推断行为任务的输入(解码)。其中，跨脑解码指的是根据一组被试的脑神经活动反推出不同被试所受的刺激信息。功能磁共振成像(fMRI,functional Magnetic Resonance Imaging)技术具有高空间分辨率采样的特点，成为脑状态解码研究的重要手段，且由于任务态fMRI(tfMRI，task
‑
based fMRI)能够更好地采集涉及特定认知或感知任务的大脑信号，已被广泛应用于脑状态解码本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于体积特征联合领域和类别的脑状态分类方法，其特征在于：包括如下步骤：包括如下步骤：步骤S1：根据行为任务的实验范式将4D tfMRI数据转换为时间序列的3D tfMRI体积数据；步骤S2：通过构建的3D
‑
CNN模型对已标记的源域数据进行特征提取，同时生成不同类别的相似度标签；步骤S3：联合领域自适应和类别均衡自适应的方法对目标域欠标记数据进行预测，完成半监督条件下的脑状态分类。2.如权利要求1所述的一种基于体积特征联合领域和类别的脑状态分类方法，其特征在于：所述步骤S1中转换为时间序列的3D tfMRI体积数据具体为：选取人类连接基因组计划公开数据集，采用由HCP fMRI Volume pipeline预处理tfMRI工作记忆任务数据；为了提取tfMRI的体积特征，根据工作记忆任务的block实验范式，使用Nibabel工具将4D时空序列数据转换为连续的3D tfMRI体积数据。3.如权利要求2所述的一种基于体积特征联合领域和类别的脑状态分类方法，其特征在于：对数据的处理过程包括运动校正、切片定时校正、全局漂移消除、空间平滑、在MNI152空间的非线性配准以及平均强度归一化。4.如权利要求3所述的一种基于体积特征联合领域和类别的脑状态分类方法，其特征在于：对数据进行以下预处理：使用脑提取工具BET从与每个fMRI时程相对应的图像中去除整个头部的非脑组织；使用4mm半峰全宽(FWHM)的高斯核，通过DPARSF对数据进行空间平滑处理，以增加信噪比。5.如权利要求1所述的一种基于体积特征联合领域和类别的脑状态分类方法，其特征在于：所述步骤S2中对已标记的源域数据进行特征提取，同时生成不同类别的相似度标签具体为：为了从源域和目标域tfMRI数据中提取时空信息，设计了一种3D
‑
CNN模型，该模型包括四个3D卷积层、三个池化层和两个全连接层，其中：对于所有卷积层，都采用了较小的相同尺寸的3D卷积核(3
×3×
3)，且在第三和第四个卷积层采用128个3D卷积...

【专利技术属性】
技术研发人员：高宇飞，石磊，徐静，赵国桦，
申请(专利权)人：郑州大学，
类型：发明
国别省市：