一种基于遗传算法的fMRI约束独立成分分析学习方法技术

本发明专利技术提供一种基于遗传算法的fMRI约束独立成分分析学习方法，通过CSTICA方法搭建一个多目标优化框架，然后将每个目标函数中的矩阵通过行或列向量求内积将矩阵迭代转换成多变量单函数进行迭代，最后利用非支配排序遗传算法求解出分离矩阵的全局最优解集，进而还原出相对应的独立源信号；本发明专利技术通过遗传算法迭代出的独立源信号可以为脑皮质功能区病灶的定位、脑部疾病治疗以及探索职业脑可塑性重组特征等夯实基础。特征等夯实基础。特征等夯实基础。

【技术实现步骤摘要】
一种基于遗传算法的fMRI约束独立成分分析学习方法


[0001]本专利技术属于脑影像学图像处理
，尤其是涉及一种基于遗传算法的fMRI约束独立成分分析学习方法。

技术介绍

[0002]大脑作为人类最重要的器官，它的重要性不仅体现在控制着人类的思维、意识、情感、记忆等各种认知行为，还体现在可以帮助人类实现不同于其他动物的高级认知功能，也是人类迄今为止所知道的最为复杂和精密的系统之一。尽管如此，对大脑神经活动认知机制的探索，一直是国内外科学界力求攻破的一道难题，具有十分重要的研究价值。近年来，随着现代神经影像技术的发展，脑成像技术已成为神经科学中一项最直观的观察手段。其中，功能磁共振成像(functional magnetic resonance imaging,fMRI)技术主要利用含氧血红蛋白与脱氧血红蛋白的磁敏感性差异来进行成像，其凭借无侵入、无创伤、无辐射、可重复、可精确定位以及较高时间和空间分辨率等诸多优越特性，广泛应用于认知神经科学、神经心理学、临床医学等各领域的脑科学研究。
[0003]基于fMRI脑功能的多目标约束独立成分分析(constrained independent component analysis,cICA)是利用该方法进行脑科学研究的一项关键技术。但是对于多目标cICA模型的求解，利用传统线性加权求和方法以及快速不动点算法还存在一些不足，线性加权求和方法需要人为经验设置权重值，快速不动点算法的迭代速度较慢，并且迭代的方向具有不确定性，很容易陷入局部最优的处境。因此，优化和完善多目标cICA的求解方法，通过遗传算法自适应地迭代出cICA模型的全局最优解集具有重要意义，不仅能够解决人为设置阈值参数的弊端，还能快速自适应地迭代出分离向量矩阵的全局最优解集，提高感兴趣区独立成分提取的精度。然而，当前的遗传算法也可能受到迭代次数和个体遗传过程中的概率性事件的影响，从而导致迭代的解集小幅度变差。

技术实现思路

[0004]本专利技术的目的在于提供一种基于遗传算法的fMRI约束独立成分分析学习方法。通过CSTICA方法搭建一个多目标优化框架，然后将每个目标函数中的矩阵通过行或列向量求内积将矩阵迭代转换成多变量单函数进行迭代，最后利用非支配排序遗传算法求解出分离矩阵的全局最优解集，进而还原出相对应的独立源信号。
[0005]为了达到上述目的，本专利技术通过以下技术方案实现：
[0006]一种基于遗传算法的fMRI约束独立成分分析学习方法，包含如下步骤：
[0007]S1、采集若干正常健康被试的静息态fMRI脑影像数据；
[0008]S2、对采集获得的静息态数据进行预处理操作，其中预处理包括时间层校正、头动校正、标准化、平滑、滤波和去线性漂移；
[0009]S3、根据上述预处理后正常健康被试的静息态fMRI脑影像数据，使用CSTICA方法搭建多目标优化框架，其中时间先验信息和空间先验信息通过主成分分析方法从被试所对
应的时间独立成分和空间独立成分中获得；
[0010]S4、对于每个目标函数中矩阵的迭代，编码上采用两层循环遍历多个行或列向量，再进行向量两两相乘，组成含有多个未知变量的目标函数，从而实现矩阵的迭代优化；
[0011]S5、利用NSGA
‑
II算法对上述经过处理的多目标函数模型进行求解，利用求解得到的分离矩阵还原相应感兴趣区的独立源信号。
[0012]在本专利技术中，预处理包括时间层校正、头动校正、标准化、平滑、滤波和去线性漂移等六个步骤。所有预处理步骤均在DPARSF(http://rfmri.org/DPARSF)工具上完成。属于现有技术，因此不作详细说明。
[0013]优选的，S3中的CSTICA方法包含如下步骤：
[0014]S31、假设已经获得了m维的混合信号向量x
(i)
，以及k维的相互独立的源信号s
(j)
，其中i＝1,2,...,m，j＝1,2,...,k，那么ICA模型可表示为：
[0015]X＝AS
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016]其中X＝(x1,x2,
…
,x
m
)
T
表示m维观测信号矩阵，表示m
×
k维的混合矩阵，S＝(s1,s2,
…
,s
k
)
T
表示k维的源信号矩阵。由于只知道观测信号矩阵X，混合矩阵A和源信号矩阵S是未知数据，所以ICA的目标就是通过不断地迭代优化，找到一个m
×
k维的分离矩阵W，将源信号矩阵S和混合矩阵A分离出来，为了更方便的表示所要求解的分离矩阵W，将上式(1)的矩阵X＝AS进行可逆等式转换得到下式(2)：
[0017]Y＝WX
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]其中Y＝(y1,y2,
…
,y
m
)
T
可以看做是源信号S的一个近似估计，是m
×
k维的分离矩阵；
[0019]S32、在ICA模型的基础上加入先验信息构成一个约束优化问题，其表达形式如式(3)所示：
[0020][0021]其中J(y)与式(2
‑
3)类似，表示度量输出独立成分的目标函数，不等式G(y)≤0是引入感兴趣成分的先验信息，用来约束独立成分的输出，其中G(y)＝ε(y，r)
‑
ξ，本文采用距离度量函数ε(y，r)＝E(y
‑
r)2，用来度量输出信号y和包含先验信息的参考信号r，ξ表示预先给定的阈值参数；H(y)＝0是等式约束，将ICA输出的独立分量单位化，从而保证算法在凸区域内求解，同时防止算法收敛到相同的独立分量；
[0022]S33、构建多目标cICA模型框架，如式(4)：
[0023][0024]其中，J(w
i
)代表待估计成分的负熵，Y＝ZX代表X的白化过程，Z表示白化矩阵。T
i
＝Z
‑1w
i
表示S
i
对应的时间过程。G(
·
)表示任意非二次函数，本文采用G(v)＝log
(cosh(v))，v是一个零均值单位方差的随机高斯变量，即：
[0025][0026]其中，RS
i
表示空间先验信息，ε1(w
i
)＝E[S
i
RS
i
]表示用皮尔森相关系数度量S
i
和RS
i
之间的相似度。RT
i
表示时间先验信息，ε2(w
i
)＝E[T
i
RT
i
]用来度量T
i
和RT
i
之间的相似度；为方便运算及代码编写，将等式Y＝ZX，T
i...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的fMRI约束独立成分分析学习方法，其特征在于，包括如下步骤：S1，采集若干正常健康被试的静息态fMRI脑影像数据；S2，对采集获得的静息态数据进行预处理，其中预处理包括时间层校正、头动校正、标准化、平滑、滤波和去线性漂移；S3，根据预处理后正常健康被试的静息态fMRI脑影像数据，使用CSTICA方法搭建多目标优化框架，其中时间先验信息和空间先验信息通过主成分分析方法从被试所对应的时间独立成分和空间独立成分中获得；S4，对于每个目标函数中矩阵的迭代，编码上采用两层循环遍历多个行或列向量，再进行向量两两相乘，组成含有多个未知变量的目标函数，从而实现矩阵的迭代优化；S5，利用NSGA
‑
II算法对上述经过处理的多目标函数模型进行求解，利用求解得到的分离矩阵还原相应感兴趣区的独立源信号。2.如权利要求1所述的一种基于遗传算法的fMRI约束独立成分分析学习方法，其特征在于，S3中的CSTICA方法包含如下步骤：S31、假设已经获得了m维的混合信号向量x
(i)
，以及k维的相互独立的源信号s
(j)
，其中i＝1,2,...,m，j＝1,2,...,k，那么ICA模型可表示为：X＝AS
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中X＝(x1,x2,
…
,x
m
)
T
表示m维观测信号矩阵，表示m
×
k维的混合矩阵，S＝(s1,s2,
…
,s
k
)
T
表示k维的源信号矩阵；由于只知道观测信号矩阵X，混合矩阵A和源信号矩阵S是未知数据，所以ICA的目标就是通过不断地迭代优化，找到一个m
×
k维的分离矩阵W，将源信号矩阵S和混合矩阵A分离出来，为了更方便的表示所要求解的分离矩阵W，将上式(1)的矩阵X＝AS进行可逆等式转换得到下式(2)：Y＝WX
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中Y＝(y1,y2,
…
,y
m
)
T
可以看做是源信号S的一个近似估计，是m
×
k维的分离矩阵；S32、在ICA模型的基础上加入先验信息构成一个约束优化问题，其表达形式如式(3)所示：其中J(y)表示度量输出独立成分的目标函数，不等式G(y)≤0是引入感兴趣成分的先验信息，用来约束独立成分的输出，其中G(y)＝ε(y,r)
‑
ξ，本文采用距离度量函数ε(y,r)＝E(y
...

【专利技术属性】
技术研发人员：石玉虎，刘梦华，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：