一种基于张量分解的fMRI特征提取与识别方法技术

本发明专利技术公开了一种基于张量分解的fMRI特征提取与识别方法。本发明专利技术通过构建fMRI动态功能连接矩阵，并利用多重线性主成分分析方法进行张量分解，提取动态功能连接矩阵的特征张量，最后将特征张量向量化后作为支持向量机的输入去识别不同fMRI数据，整个图像序列的预处理及构建矩阵等步骤都通过Matlab程序实现。本发明专利技术不仅可以克服“维数灾难”问题，而且能够挖掘出脑功能连接网络的动态信息。

【技术实现步骤摘要】

本专利技术涉及一种脑功能核磁共振图像（fMRI)的处理与识别方法，是一种基于张 量分解的fMRI特征提取与识别方法；具体涉及数字图像处理、动态功能网络构建、张量分 解和模式识别等知识领域与处理方法，本方法对fMRI处理的结果可用对不同类fMRI数据， 如成人与儿童数据，醉酒与清醒试验者数据，试验者观看不同情感照片数据等进行分类。属 于针对高维图像序列数据的机器学习与模式识别方法。
技术介绍
功能磁共振图像（fMRI)技术近年来得到研究者的广泛关注。该技术通过探测大 脑中的血氧饱和变化来达到无侵入性观察大脑活动变化的目的。其中静息态功能磁共振图 像（Resting State fMRI，R-fMRI)反映的是占大脑活动90%能量的自发性活动，这些自发 性活动被认为与人类最基础的大脑活动相关，也可以反映儿童与成人随着年龄的变化，大 脑认知状态的变化。 近年来，在针对R-fMRI的研究中，研究者一般关注反映不同脑区间神经生理活动 相关的功能连接特性。这些特性能反映不同实验参与者脑功能连接上的区别，然而传统的 构建功能网络方法通常使用整个时间序列去构建一个静态的网络。该方法虽然易于检验和 解释结果，但却忽略了功能网络状态随时间变化这一特性，而这些随时间变化的网络状态 往往是反映无约束大脑活动的非稳定特征，正确发现这类特征对理解脑部活动至关重要。 本专利技术利用时间窗构建的动态功能连接特征，不仅能反映功能网络的时间关联特征，而且 可以将该这类非稳定特性作为分类不同实验参与者的重要特征。 动态脑功能连接矩阵一般都是三维矩阵数据，将机器识别技术运用在对这类 复杂矩阵特征的提取和分析一直是一个难点问题。传统的方法必须将其中二维矩阵向 量化后，再使用诸如主成分分析（Principal Component Analysis, PCA)、独立成分分析 (Independent Component Analysis，ICA)等一些降维方法进行处理。该类方法在将90个 脑区的功能连接矩阵向量化后，会得到一个（90*89)/2维的向量，然而fMRI数据普遍存在 被试数目较小，这样不可避免的在识别中会存在"维数灾难"问题，而且PCA与ICA等算法 提取的特征向量也难以描述相邻功能连接矩阵之间的动态信息。
技术实现思路
1?专利技术要解决的技术问题 针对传统降维方法难以有效提取fMRI动态功能连接矩阵特征这一问题，本专利技术 提供了，目的在于克服fMRI数据处理中的 "维数灾难"问题，并且挖掘脑功能连接网络的动态信息。 2?技术方案 本专利技术解决问题所采用技术方案的原理是：利用时间窗提取的脑区时间序列获得 多组窗时间序列，并构建动态功能连接矩阵。对该矩阵序列运用张量分解的方法降维，提取 特征张量，将特征张量向量化后使用支持向量机分类。 本专利技术技术方案的具体内容，实现步骤如下： ⑴通过SPM8软件处理fMRI原始数据，首先去除前几个非稳定时间点，随后做 时间层校正、头动校正、平滑，并在去除低频漂移影响后对图像做〇〇. 1~〇. 1HZ的滤波；最 后通过静息态功能磁共振数据处理助手（DPARSF)软件消除全脑信号、脑脊液信号、头动 等协变量参数影响；上述操作均在Windows操作系统下完成，实验硬件如下：Intel Xeon E5-26434C 3. 3010MB 1600CPU-1、Intel Xeon E5-26434C 3. 3010MB 1600CPU-2、32GB DDR3-1866(8x4GB)2CPU RAM、2*1TB 7200RPM SATA 1st HDD、AMD FirePro W70004GB 1st GFXU6X SuperMulti DVDRff SATA 1st ODD, HP 3-3-3ffarranty ； (2)预处理后的fMRI数据，对照生理学模板（本专利技术选择Anatomical Automatic Labeling模版）将除去小脑部分的区域划分成90个功能脑区，并求取单个脑区的平均体素 时间序列h a= {h a>1，ha,2, ? . . ha, N} 1彡a彡90,其中N为时间长度，ha, N为第a个体素在时 间N时的灰度值，于是有全脑90个时间序列H = {hp h2, . . . . h9Q}; (3)利用时间窗思想，将原始长度为N的时间序列，通过设定窗口长 度W及相对应的更新步长划分为Z个有重叠的窗口时间序列{戌,或，.…点7}其中 t 庆=说，/5丨，.…也} BhZ为原全脑时间序列的第k个片段，纪={私，兒为第k个片 段的单脑区的平均体素时间序列。 (4)通过公式，【主权项】1. ，包括如下步骤： (1) 对获取到的静息态fMRI实验数据进行预处理，消除外界干扰信号并将所有采集到 的实验数据标准化到统一的时间和空间域；所述的预处理过程通过SPM8软件实现，包括时 间层校准，头动校正，空间标准化和空间平滑； (2) 从预处理后的fMRI数据中提取出相关信息，对照生理学模板，将每个实验者大脑 脑区内的所有体素的时间序列进行平均，获得90个脑区的平均体素时间序列。 (3) 利用时间窗思想，将单脑区平均体素时间序列划分为多个时间序列，得到多个窗口 平均体素时间序列。 (4) 计算90脑区在同一窗口下的时间序列间的皮尔逊相关系数，在单一窗口下得到一 个功能矩阵，由此将所有窗口下得到的功能矩阵组合，得到动态功能连接矩阵。 (5) 随机抽取实验数据中的一半数据作为训练集，并按上述步骤得到动态功能连接矩 阵，并将动态功能矩阵作为一个H阶张量，构建张量训练集。 (6) 构造训练集的协方差矩阵，设定Q值，确定保留的特征张量维数。 (7) 根据特征张量维数，在满足投影的张量总散度最小的情况下，确定最佳投影矩阵。 (8) 根据最佳投影矩阵，将训练集及测试集原始张量投影，并求取训练集和测试集的特 征张量。 (9) 将所有特征张量展开为一维向量。 (10) 将该一维向量作为支持向量机的输入，根据训练集构建识别模型，并用测试集检 验该模型。2. 根据权利要求1所诉的，其特征 在于，所述步骤（2)中所使用的生理学模版是指生理解剖学模版（AnatomicalAutomatic Ubeling，AAL)。步骤做中利用时间窗思想，是指将原始长度为N的时间序列，通过设定 窗口长度W及相对应的更新步长划分为Z个有重叠的窗口时间序列。步骤（7)中确定最佳 投影矩阵的方法为多重线性主成分分析方法。步骤巧）中将特征张量展开为一维向量，指 的是将张量按照模-1方向展开成向量。【专利摘要】本专利技术公开了。本专利技术通过构建fMRI动态功能连接矩阵，并利用多重线性主成分分析方法进行张量分解，提取动态功能连接矩阵的特征张量，最后将特征张量向量化后作为支持向量机的输入去识别不同fMRI数据，整个图像序列的预处理及构建矩阵等步骤都通过Matlab程序实现。本专利技术不仅可以克服“维数灾难”问题，而且能够挖掘出脑功能连接网络的动态信息。【IPC分类】G06K9-46, G06K9-00【公开号】CN104715241【申请号】CN201510133021【专利技术人】梅雪, 黄嘉爽, 李微微, 马士林 【申请人】南京工本文档来自技高网...

【技术保护点】
一种基于张量分解的fMRI特征提取与识别方法，包括如下步骤：(1)对获取到的静息态fMRI实验数据进行预处理，消除外界干扰信号并将所有采集到的实验数据标准化到统一的时间和空间域；所述的预处理过程通过SPM8软件实现，包括时间层校准，头动校正，空间标准化和空间平滑；(2)从预处理后的fMRI数据中提取出相关信息，对照生理学模板，将每个实验者大脑脑区内的所有体素的时间序列进行平均，获得90个脑区的平均体素时间序列。(3)利用时间窗思想，将单脑区平均体素时间序列划分为多个时间序列，得到多个窗口平均体素时间序列。(4)计算90脑区在同一窗口下的时间序列间的皮尔逊相关系数，在单一窗口下得到一个功能矩阵，由此将所有窗口下得到的功能矩阵组合，得到动态功能连接矩阵。(5)随机抽取实验数据中的一半数据作为训练集，并按上述步骤得到动态功能连接矩阵，并将动态功能矩阵作为一个三阶张量，构建张量训练集。(6)构造训练集的协方差矩阵，设定Q值，确定保留的特征张量维数。(7)根据特征张量维数，在满足投影的张量总散度最小的情况下，确定最佳投影矩阵。(8)根据最佳投影矩阵，将训练集及测试集原始张量投影，并求取训练集和测试集的特征张量。(9)将所有特征张量展开为一维向量。(10)将该一维向量作为支持向量机的输入，根据训练集构建识别模型，并用测试集检验该模型。...

【技术特征摘要】

【专利技术属性】
技术研发人员：梅雪，黄嘉爽，李微微，马士林，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32