基于稀疏非负张量分解的大脑特定视觉认知状态判定方法技术

本发明专利技术公开了基于稀疏非负张量分解的大脑特定视觉认知状态判定方法,其创新点在于，采用SNTF算法，把fMRI认知数据当成一个大张量，从张量的层面上构建高阶非负张量模型，然后对fMRI认知数据每个维度上进行特征降维，从而得到维度较小的稀疏非负特征张量，最后结合支持向量机的特点，有效地实现对大脑特定视觉的认知状态的判定。本发明专利技术的方法利用稀疏非负张量分解进行降维和特征提取多方向、多角度的提取出原有数据中的潜在结构信息,由于l1范数正则化和非负性的约束使得提取出的相关成分更稀疏，合乎大脑感知的直观体验，再结合支持向量机的特点，提高了分类判别的准确性。

【技术实现步骤摘要】
基于稀疏非负张量分解的大脑特定视觉认知状态判定方法
本专利技术属于生物特征提取以及大脑认知状态判别领域，涉及与任务相关的功能核磁成像（functionalmagneticresonanceimages，即fMRI）的预处理、稀疏非负张量分解（sparsenonnegativetensorfactorization，即SNTF）的特征提取和支持向量机（supportvectormachine，即SVM）的判别分类，具体涉及一种基于稀疏非负张量分解的大脑特定视觉认知状态判定方法，可用于生物特征提取、维度约减、模式识别等领域。
技术介绍
近年来，随着脑功能磁共振成像(functionalMagneticResonanceImaging，fMRI)技术的发展，人们进行脑研究的能力大大增强，与此同时也产生了大量的数据，而仅仅利用计算机对实验数据进行简单的存储、查询和计算，根本无法挖掘出数据背后隐藏的大量信息，更不能满足研究的需求。因此，必须利用数据挖掘的方法，合理组织脑功能成像数据，把目前散乱的研究数据和结果加以有序化，整合心理学、语言学、脑科学等不同层次的研究数据，运用先进的信息学工具和方法帮助研究人员对实验数据进行分析、处理、整合和建模，从而发现新的规律，揭示脑高级认知活动的深层机制。目前fMRI已被广泛的用来研究脑在执行某项认知功能时的激活，而已有的研究工作大多是比较不同任务的脑图或任务脑图与静息脑图之间的差异。但fMRI所采集的数据是一类维度高、数据量大，结构特别复杂的数据。因此，脑fMRI数据分析是一件困难而意义重大的工作，它直接决定了采用fMRI方法进行脑功能研究的成败。目前对fMRI数据分析的技术有多种，其中比较流行的有相关分析、方差分析、独立成分分析等。相关分析是利用实验任务的先验知识来确定激活区和它们的强度，该方法的不足之处在于如果实验的fMRI信号变化的模型是未知的或不是常量时，例如，受试者是脑疾病患者或者正在进行复杂的学习任务，这种技术就不能探测出激活区。方差分析需要数据满足4个假设：(1)随机变量的分布是已知的；(2)每次实验都有相同的方差和协方差；(3)不同因子的时间序列可预先被可靠地估计；(4)不同像素的信号是独立的，然而fMRI数据并不能保证满足所有的假设。独立成分分析(IndependentComponentAnalysis，即ICA)是一种采用高阶统计量的盲源分析方法(BlindSourceSeparation，即BSS)，目的在于从未知源信号的观测混合信号中分离(或抽取)相互统计独立的源信号。但该方法有一定的局限性：(1)在单任务刺激中，ICA方法可以成功地分离出与任务相关的分量，主要是因为该任务与其它的心理活动所激活的脑区之间是空间独立的。但是，在多任务的情况下，我们不能假定不同任务所激活的脑区是空间独立的，因此，利用ICA方法进行功能定位必然受到局限。(2)ICA方法分解的独立成分往往会有负成分的存在，即它不一定保证分解的成分是非负的。从计算的角度来看，分解的结果中可以存在负值，但负值元素在实际问题中往往缺失物理意义。目前常用的分析方法的共同点是允许分解后的结果中出现负值，但就应用角度看负值是没有实际意义的，采用非负矩阵分解通过添加“矩阵中所有元素均为非负数”的限制条件,可以保证分解结果的可解释性,同时,它还具有实现简便和占用存储空间小的优点,从而更加贴近应用领域的特点，此外上述数据分析方法很少从机器学习的层面上进行大脑认知判定。文献“PadillaP，LópezM，GórrizJM，etal.NMF-SVMBasedCADToolAppliedtoFunctionalBrainImagesfortheDiagnosisofAlzheimer'sDisease[J].MedicalImaging，IEEETransactionson，2012，31(2):207-216.”利用NMF（非负矩阵）对fMRI数据进行特征提取，同时结合支持向量机的特点获取了对痴呆病人的诊断。在进行特征提取时，它先将fMRI数据矢量化处理，然后利用非负矩阵进行特征分解。非负矩阵是盲源分析方法的一种，即它不需要人为设定参数或是根据任何经验模型对计算进行干预，最后的结果只与数据相关，同时它也克服了矩阵分解中负成分存在的局限性。正是由于具有非负性和稀疏性等特点，使得它对于特征提取和数据降维都具有很好的效果。在模式识别领域，它已成功运用到了人脸图像的识别当中。但是，在现代科学技术和工程问题中常常会碰到大量的大规模数据处理问题，而非负矩阵分解在对大规模高维数据处理时，仅仅是将图像数据矢量化再根据特征值和特征向量进行特征提取，而忽略了处理对象往往是多维数据这个因素，从而造成了只在一个方向上投射而导致的降维效果不理想以及破坏了原始图像的结构和相关性，不能完全保持原始图像中的冗余和结构等问题。作为向量和矩阵的推广，张量相当于一个高维的矩阵。由于张量模型可以处理指标集为多维的数据，所以相比矩阵模型其更能接近于实际问题的属性，因此能更好地描述实际问题。同矩阵的低秩逼近的思想一样，对于高阶张量模型人们也想借助于张量的分解模型来提取张量模型数据中潜在的内部结构信息。
技术实现思路
本专利技术针对传统矩阵分解模型和方法的不足，结合机器学习中支持向量机（SVM）的特点，提出了一种基于稀疏非负张量分解（SNTF）的大脑特定视觉认知状态判定方法。为解决上述技术问题，本专利技术采用的技术方案：结合SNTF和SVM的特点，利用SNTF-SVM算法有效地进行大脑所处认知任务状态的鉴别。实现本专利技术目的的技术思路是，对从磁共振机器采集到的静息态数据先进行预处理分析，然后利用稀疏限制的非负张量(SNTF)方法分离出一个或多个与实验任务相关的独立成分，得到与脑部任务相关的激活区域，最后利用支持向量机(SVM)，获得对大脑认知状态的判定。本专利技术的方法包括如下步骤：步骤一：输入样本集，对fMRI认知数据进行预处理,并把样本集按照扫描时间序列以及行为实验类别重新组合，并分为训练集和测试集两部分，每部分都包含一定比例的认知数据。对输入数据进行预处理，具体步骤如下：a、对磁共振采集到的数据进行时间差异矫正，时间差异矫正就是矫正1个volume中层与层之间的采集时间的差异，进而保证各层之间都是从相同的时间得到的；b、由于脑功能成像实验持续时间比较长，被试的呼吸、血流脉动等生理因素造成的头部运动在所难免，所以对时间矫正过的数据进行头动对齐，也就是将一个序列的每一帧图像都和这个序列的第一帧图像进行配准，配准到同一坐标系下，以矫正头动，对齐后再对头动矫正后的数据进行人工检查，如果平移和旋转分别超过1毫米和1度就排除掉、不予分析；c、头动对齐后的数据空间标准化，试验中存在多个被试，被试和被试之间的脑部大小形状存在一定的差异，为了后续的统计分析，须进行大脑形状的归一化，将被试的大脑配准归一化到标准的大脑模板上；d、采用6毫米半高全宽(FWHM，FullWidthatHalfMaximum)的高斯核函数平滑处理标准化后的数据，以达到降低噪声、提高信噪比及消除不同被试脑结构之间的细微差别的目的；e、将预处理后的图像数据按照扫描时间序列以及行为实验类别进行重新组合，并将本文档来自技高网...

【技术保护点】
基于稀疏非负张量分解的大脑特定视觉认知状态判定方法，其特征在于：采用基于张量模型的稀疏非负张量分解（SNTF）的特征降维和支持向量机(SVM)的分类判定，包括如下步骤：?1)输入样本集，对fMRI认知数据进行预处理,并把样本集按照扫描时间序列以及行为实验类别重新组合，并分为训练集和测试集两部分，每部分都包含一定比例的认知数据；?2)计算训练样本集的特征分解，求出特征向量以及特征变换矩阵，将样本投射到特征子空间，得到特征张量之后直接矢量化，得到训练集的特征向量集；?3)将上述SNTF降维后的特征向量集作为SVM的输入，提取支持向量，构建最优分类器；?4)特征分类，利用构建好的分类器对测试样本进行分类判别。

【技术特征摘要】
1.基于稀疏非负张量分解的大脑特定视觉认知状态判定方法，其特征在于：采用基于张量模型的稀疏非负张量分解(SNTF)的特征降维和支持向量机(SVM)的分类判定，包括如下步骤：1)输入样本集，对fMRI认知数据进行预处理,并把样本集按照扫描时间序列以及行为实验类别重新组合，并分为训练集和测试集两部分，每部分都包含一定比例的认知数据；2)计算训练样本集的特征分解，求出特征向量以及特征变换矩阵，将样本投射到特征子空间，得到特征张量之后直接矢量化，得到训练集的特征向量集；3)将稀疏非负张量分解特征降维后的特征向量集作为SVM的输入，提取支持向量，构建最优分类器；4)特征分类，利用构建好的分类器对测试样本进行分类判别。2.根据权利要求1所述的基于稀疏非负张量分解的大脑特定视觉认知状态判定方法，其特征在于：所述的步骤1)中，对fMRI认知数据的预处理步骤如下：a)利用SPM软件对fMRI认知数据进行预处理，包括时间校正、空间校正、配准图像、分割、图像标准化、平滑处理步骤；b)将预处理后的图像数据按照扫描时间序列以及行为实验类别进行重新组合，并将其与包括灰质、白质、脑脊液的统计模版进行匹配，构成样本数据集。3.根据权利要求1所述的基于稀疏非负张量分解的大脑特定视觉认知状态判定方法，其特征在于：所述的步骤2)中，计算特征张量及特征变换矩阵的步骤如下：a)选取训练样本，构建张量空间：对于选取的训练样本，定义M个样本组成的集合为{χ1,χ2,…,χ...

【专利技术属性】
技术研发人员：李军，王洪勇，董明皓，徐鑫秀，袁森，李文思，王苓芝，赵恒，秦伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：