CN104700120A - 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 - Google Patents
一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 Download PDFInfo
- Publication number
- CN104700120A CN104700120A CN201510132205.XA CN201510132205A CN104700120A CN 104700120 A CN104700120 A CN 104700120A CN 201510132205 A CN201510132205 A CN 201510132205A CN 104700120 A CN104700120 A CN 104700120A
- Authority
- CN
- China
- Prior art keywords
- class
- matrix
- function connection
- connection matrix
- fmri
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 210000004556 brain Anatomy 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000003484 anatomy Anatomy 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 241001269238 Data Species 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 44
- 230000000694 effects Effects 0.000 description 6
- 239000012634 fragment Substances 0.000 description 5
- 230000003925 brain function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法。该方法首先采用滑动时间窗方法构建动态功能连接矩阵，然后运用自适应熵的投影聚类算法(Adaptive Entropy Algorithm for Projective Clustering，AEPC)分别对甲类和乙类试验参与者的动态功能连接矩阵聚类，形成多个聚类中心，随后计算每个试验参与者的功能连接矩阵与每个聚类中心的相似性构成相似性矩阵，最后提取相似性矩阵中的元素作为特征，训练SVM分类器对脑部数据进行分类。本发明不仅提高了数据分类模型的泛化能力，而且可以提取丰富的脑部动态结构信息，并可应用于生物信息技术的研究中自动处理与分类脑部数据。
Description
技术领域
本发明涉及一种脑功能核磁共振成像(functional Magnetic Resonance Imaging，fMRI)的自动处理与分类方法，具体涉及一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，该方法涉及数字图像处理、动态功能连接矩阵、自适应熵的投影聚类算法(Adaptive EntropyAlgorithm for Projective Clustering，AEPC)和支持向量机(Support Vector Machine，SVM)等知识领域。
技术背景
近年来，随着科学技术的不断发展，观测大脑活动的设备和仪器不断增多，无创的脑功能活动测量方法极大地促进了脑神经功能学的发展。目前用于研究脑活动的途径主要有：脑磁图(MEG)、脑电图(EEG)、单光子发射断层扫描(SPECT)、电子发射断层扫描(PET)、功能磁共振成像(fMRI)等。其中fMRI因其时空分辨率较高、具有准确定位激活脑区的能力、采用无创非侵入式测量方式，成为目前最常用、最有效的测量手段。
目前静息态fMRI已被广泛应用于生物信息技术、材料科学等领域。然而针对生物组织和生物活体的脑部功能与活动等一些非稳态特征的脑部状态，研究者正逐步从关注传统的稳态功能连接转为关注脑区间的动态功能连接。动态功能连接矩阵揭示了不同时间片段脑区间的活动状况，为处理脑部数据提供了更丰富的脑部信息。
非监督学习方法以自适应的方式对高维无标记数据进行分类，动态功能连接矩阵正是无标记的高维数据集，所以非监督学习方法适用于分析高维的脑部数据。聚类作为一种常用的非监督学习方法，可以简化计算、加快收敛速度。受“维度效应”的影响，传统聚类方法在对高维数据进行聚类时，较之在低维数据的表现，其性能往往大为降低，聚类精度大幅度下降。投影聚类算法为高维数据聚类的主要方法，但传统的投影聚类算法大多要求预设一些重要参数，也未能考虑聚类中心投影子空间的优化问题。
为此，本发明应用了一种改进的优化目标函数，在聚类中心内紧凑度最小化的同时，优化每个聚类中心所在的子空间。这种方法能有效地降低无关或冗余属性对聚类的影响，从而提升算法对高维数据的聚类能力，获得高质量的聚类结果，有利于提取精确的数据特征应用于脑部状态的分类中。
发明内容
1.发明要解决的技术问题
本发明针对fMRI数据特征提取与识别问题，提出一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，解决了在针对高维的动态功能连接矩阵数据聚类识别时，使用传统聚类方法聚类效果不佳以及受操作者主观因素影响的问题。更为重要的是，本发明解决了传统方法无法选择出最优聚类结果的问题，可有效得出最优聚类中心作为特征。用该方法提取脑部数据特征应用于脑部状态的分类与识别中，避免了对时序性的考虑，物理意义明确，能较好地揭示静息态fMRI数据的内部结构和规律。
2.技术方案
首先利用滑动时间窗方法构建动态功能连接矩阵，然后用AEPC方法对动态功能连接矩阵进行聚类，计算每个试验参与者的功能连接矩阵与每个聚类中心的相似性，最后提取相似性矩阵的元素作为特征，训练SVM分类器进行分类。
本发明具体内容、流程如图1所示，当目标为甲、乙两类(如成人和儿童、醉酒和清醒、悲伤与喜悦、撒谎与未撒谎等)时，实现步骤如下：
(1)对获取到的a组甲类试验参与者和b组乙类试验参与者的静息态fMRI试验数据进行预处理，消除外界干扰信号并将所有试验参与者的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，预处理过程包括头动校正，时间层校准，空间标准化和空间平滑等步骤；
(2)预处理后的fMRI数据，对照解剖学标签模板(本发明选用Anatomical AutomaticLabeling，AAL)将除去小脑部分的区域划分成90个功能脑区，并求取单个脑区的各体素的平均时间序列hu＝{hu，1，hu，2，...，hu，l}，其中l为时间长度，u为脑区标号(1≤u≤90)，hu，l为第u个脑区的体素在时间l上的灰度值，于是有全脑90个脑区的全脑时间序列H＝{h1，h2，....h90}；
(3)利用滑动时间窗方法(见图2说明)，将原始长度为l的时间序列，通过设定单个滑动窗口大小r及相对应的步长v，划分为m个有重叠的窗口序列其中且1≤n≤m，1≤i，j≤90，为原全脑时间序列l中的一个滑动时间窗片段，其中且为第n个片段的单脑区的平均体素时间序列；
根据公式计算各脑区时间序列间的皮尔逊相关系数，其中 为同一试验参与者在第n个片段窗口下的第i脑区和第j脑区的平均体素时间序列，和分别表示两个脑区平均体素时间序列和的标准差，为两个脑区平均体素时间序列和的协方差。皮尔逊系数常用来表示两个连续变量的线性相关性，且ρn i，j反映了第i脑区和第j脑区的功能连接情况，即对应脑区活动的相似程度；共有90个脑区，因此单个试验参与者的功能连接矩阵为则甲类试验参与者有a个90×90的功能连接矩阵Dn，记为甲类试验参与者的功能连接矩阵即为A；同理，记乙类试验参与者的功能连接矩阵即为B；
(4)共有m个有重叠的窗口时间序列，由此得到m个90×90的功能连接矩阵构成动态功能连接矩阵。则甲类试验参与者有a×m个90×90的功能连接矩阵Dn构成的动态功能连接矩阵DA，乙类试验参与者有b×m个90×90的功能连接矩阵Dn构成的动态功能连接矩阵DB；
(5)用AEPC分别对甲类和乙类试验参与者的a×m个90×90，以及b×m个90×90动态功能连接矩阵分别进行聚类，形成聚类中心，最终得到两组试验参与者各K个90×90的矩阵Sa，Rb。AEPC详细算法如下：定义DA＝{x1，x2，...，xi，...，xa}为甲类试验参与者集，DB＝{y1，y2，...，yi，...，yb}为乙类试验参与者集，其中xi＝(xi1，xi2，...，xij，...，xim)，yi＝(yi1，yi2，...，yij，...，yim)都是m维的数据向量，xij表示xi的第j维属性(j＝1，2，...，m)，yij表示yi的第j维属性(j＝1，2，...，m)。利用AEPC将DA划分为K个聚类中心的集合；Sa＝{s1，s2，...，sk}；将DB划分为K个聚类中心的集合Rb＝{r1，r2，...，rk}，且满足聚类中心两两间的交集为空集。其中sk表示DA中的第k个聚类中心；rk表示DB中的第k个聚类中心(k＝1，2，...，k)；聚类中心数K(1＜K＜a，b)为用户设置；
(6)AEPC的具体执行步骤描述如下：
(7)同理，输入数据集DB，聚类中心数K，运用上述AEPC算法，将DB划分为K个聚类中心的集合Rb＝{r1，r2，...，rk}；
(8)计算a个甲类试验参与者的功能连接矩阵A与每个聚类中心Sa之间的欧氏距离，形
成一个a×k的相似性矩阵其中ge，f表示第f个(1≤f≤a)甲类试验参与者与第e个(1≤e≤k)聚类中心的相似性；如上所述，计算b个乙类的功能连接矩阵B与每个聚类中心Rb之间的欧式距离，形成一个b×k的相似性矩阵Gb；
(9)提取相似性矩阵Ga中a×k个元素作为甲类试验参与者的特征，Gb中的b×k个元素作为乙类试验参与者的特征，用来训练SVM分类器，对甲类和乙类脑部数据进行分类。
3.有益效果
本发明提出一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，应用于脑部数据的研究。本发明应用的自适应熵投影聚类算法无需用户事先设定额外参数，克服了传统聚类方法受人的主观因素影响，可以有效降低无关属性和冗余属性对聚类的影响，一定程度上解决了对最优聚类结果的客观选择问题，从而提升算法对高维数据的聚类能力。且算法避免了对时序性的考虑，物理意义明确，有利于特征提取，能较好地揭示静息态fMRI数据的内部结构和规律。
附图说明
图1是本发明方法流程示意图。
图2是滑动时间窗方法的示意图。其中l为时间序列总长度，r为单个滑动窗口大小，v为滑动步长，表示由时间序列l划分得到的滑动窗口个数。
具体实施方式
为了使本发明的目的、技术方案更加清楚，以下结合附图和具体实施例对本发明作具体的介绍。用磁共振仪器以静息态扫描模式采集两组年龄、教育背景类似的甲类及乙类试验参与者的大脑功能磁共振数据。假设目前有试验参与者中脑部状态为甲类有30人，脑部状态为乙类的试验参与者有30人，所有被试均是右利手，且通过同一台仪器扫描脑功能图像数据，扫描序列数为224。为测试算法有效性，将甲类与乙类被试数据分别取出一半作为训练集数据，余下一半作为测试集。参照图1，一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，包括以下步骤：
步骤一：采集数据
为了使结果更加精准，对采集到的数据进行预处理。该预处理的步骤包括：
1、首先通过SPM8软件对fMRI原始数据去除前10个非稳定状态扫描序列，随后进行时间层校正，
2、对时间校正后的数据进行头动校正、平滑
根据图像信息衡量试验参与者头动范围，去掉头动过大试验参与者部分，并通过算法消除头动影响。
3、对头动校正后的数据进行空间标准化
由于有多个试验参与者，而参与者间的大脑形状又存在一定的差异，为了后续的分析，需进行大脑形状的归一化，将试验参与者的大脑配准归一化到标准的大脑模板上，即需对头动校正后的数据进行空间标准化处理。
4、对空间标准化后的数据进行空间平滑
为降低噪声、提高信噪比及消除不同试验参与者脑结构之间的细微差别，对空间标准化后的数据进行平滑处理。
步骤二：分别对甲类和乙类试验参与者构建脑功能连接矩阵A和B
1、预处理后的fMRI数据，对照AAL模板将大脑划分成90个功能脑区
2、并对属于同一时间点的各个脑区体素值求取其平均，由此得到单个脑区的平均体素时间序列，于是有全脑90脑区的平均体素时间序列集。
3、如图2所示，利用滑动时间窗方法将获取的全脑时间序列窗口化，即划分为若干个窗口时间序列。每个窗口长度大小固定为30个扫描序列，每次滑动步长更新2个扫描序列，最终得到92个互有重叠的窗口时间序列，其中为原全脑时间序列的一个片段。
4、利用皮尔逊相关公式计算各脑区间的皮尔逊相关系数。皮尔逊相关系数体现了在同一窗时间下两脑区活动的一致性，一致性越高，相关系数越高。ρn i，j反映了第i脑区和第j脑区的功能连接情况，即对应脑区活动的相似程度；共有90个脑区，因此单个窗口的对角连接矩阵为则甲类试验参与者有15个90×90的功能连接矩阵Dn，记为甲类试验参与者的功能连接矩阵即为A，同理，乙类试验参与者的功能连接矩阵即为B。
步骤三：结合图2方法分别对甲类和乙类试验参与者构建动态功能连接矩阵DA和DB
因为共有92个有重叠的窗口时间序列，由此得到92个90×90的功能连接矩阵构成动态功能连接矩阵，则甲类试验参与者有15×92个90×90的功能连接矩阵构成的动态功能连接矩阵DA，乙类试验参与者有15×92个90×90功能连接矩阵构成的动态功能连接矩阵DB。
步骤四：分别对甲类，乙类试验参与者的动态功能连接矩阵聚类，形成聚类中心矩阵Sa，Rb。
1、AEPC分别对甲类和乙类试验参与者的15×92个90×90的动态功能连接矩阵，以及15×92个90×90的动态功能连接矩阵进行聚类，形成聚类中心。
2、最终可以得到两组试验参与者各7个90×90的聚类中心矩阵Sa，Rb。
步骤五：计算相似性矩阵GA和GB
1、计算15个甲类试验参与者的功能连接矩阵A与Sa中每个聚类中心之间的欧氏距离，形成一个15×7的相似性矩阵其中ge，f表示第f个(1≤f≤15)甲类试验参与者与第e个(1≤e≤7)聚类中心的相似性。
2、如上所述，计算15个乙类的功能连接矩阵B与Rb中每个聚类中心之间的欧式距离，形成一个15×7的相似性矩阵Gb。
步骤六：训练SVM分类器，用来区分甲类和乙类脑部数据
提取相似性矩阵Ga中15×7个元素作为甲类试验参与者的特征，Gb中的l5×7个元素作为乙类试验参与者的特征，用来训练SVM分类器，达到分类甲类与乙类脑部数据的目的。
步骤七：使用训练好的模型，对测试集数据进行分类，即可实现本发明应用于不同脑部状态进行分类与识别中。
Claims (5)
1.一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，包括如下步骤：
(1)对获取到的静息态fMRI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)构建甲类功能连接矩阵A，乙类功能连接矩阵B；
(3)构建甲类动态功能连接矩阵DA，乙类动态功能连接矩阵DB；
(4)对甲类动态功能连接矩阵和乙类动态功能连接矩阵分别进行聚类，形成两组聚类中心Sa和Rb；
(5)构建甲类试验参与者的相似性矩阵Ga，乙类试验参与者的相似性矩阵Gb；
(6)提取Ga中a×k元素作为甲类试验参与者的特征，并提取Gb中b×k元素作为乙类试验参与者的特征，训练SVM分类器，用于识别甲、乙两类脑部状态。
2.根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，其特征在于，所述步骤(2)中的构成功能连接矩阵是指：预处理后的图像，对照解剖学标签模板(Anatomical Automatic Labeling，AAL)，获取90个脑区的平均体素时间序列，求取各脑区间的皮尔逊相关系数，则甲类有a个90×90的功能连接矩阵A，乙类有b个90×90的功能连接矩阵B。
3.根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，其特征在于，所述步骤(3)中的构成动态功能连接矩阵是指：设定时间序列总长度为l，单个滑动窗口大小为r，滑动步长为v，则表示由时间序列l划分得到的滑动窗口个数m，每个滑动窗口为一个90×90的矩阵，每个试验参与者有m个90×90动态功能连接矩阵，故甲类试验参与者有a×m个90×90的动态功能连接矩阵，乙类试验参与者b×m个90×90的动态功能连接矩阵。
4.根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，其特征在于，所述步骤(4)中的聚类中心Sa和Rb是指：提出一种自适应熵的投影聚类算法，即AEPC，对a×m个甲类试验参与者的动态功能连接矩阵采用AEPC进行聚类，形成k个90×90的矩阵，聚类中心矩阵表示为Sa；对b×m个乙类试验参与者的动态功能连接矩阵用AEPC聚类，也形成k个90×90的矩阵，聚类中心矩阵表示为Rb。
5.根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，其特征在于，所属步骤(5)中的相似性矩阵Ga和Gb是指：计算每个甲类试验参与者的功能连接矩阵与每个甲类试验参与者聚类中心Sa之间的欧式距离，形成相似性矩阵Ga；计算每个乙类试验参与者的功能连接矩阵与每个乙类试验参与者聚类中心Rb之间的欧式距离，形成相似性矩阵Gb。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510132205.XA CN104700120B (zh) | 2015-03-23 | 2015-03-23 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510132205.XA CN104700120B (zh) | 2015-03-23 | 2015-03-23 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104700120A true CN104700120A (zh) | 2015-06-10 |
| CN104700120B CN104700120B (zh) | 2018-11-13 |
Family
ID=53347217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510132205.XA Active CN104700120B (zh) | 2015-03-23 | 2015-03-23 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104700120B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512454A (zh) * | 2015-07-28 | 2016-04-20 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 |
| CN106037741A (zh) * | 2016-07-04 | 2016-10-26 | 电子科技大学 | 一种基于fMRI探测动态脑自发活动的数据方法 |
| CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
| JP2017076193A (ja) * | 2015-10-13 | 2017-04-20 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム |
| CN109522894A (zh) * | 2018-11-12 | 2019-03-26 | 电子科技大学 | 一种探测fMRI脑网络动态协变的方法 |
| CN109558906A (zh) * | 2018-11-23 | 2019-04-02 | 四川大学 | 基于高斯隐变量降维聚类中心的功能磁共振聚类成像方法 |
| CN109730678A (zh) * | 2019-01-28 | 2019-05-10 | 常州大学 | 一种多层大脑功能网络模块划分方法 |
| CN110473202A (zh) * | 2019-06-18 | 2019-11-19 | 山东工商学院 | 一种高阶动态功能连接网络的时序不变特征提取方法 |
| CN110851675A (zh) * | 2019-10-10 | 2020-02-28 | 厦门市美亚柏科信息股份有限公司 | 一种数据提取方法、装置及介质 |
| CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
| CN114818803A (zh) * | 2022-04-25 | 2022-07-29 | 上海韶脑传感技术有限公司 | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 |
| CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
| CN116311950A (zh) * | 2023-05-18 | 2023-06-23 | 中汽研（天津）汽车工程研究院有限公司 | 路径选择方法和基于虚实融合技术的v2x测试系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090271153A1 (en) * | 2008-04-28 | 2009-10-29 | Siemens Aktiengesellschaft | Device for detecting signals |
| CN102360501A (zh) * | 2011-07-19 | 2012-02-22 | 中国科学院自动化研究所 | 一种基于核磁共振成像的脑区有效连接度构建方法 |
-
2015
- 2015-03-23 CN CN201510132205.XA patent/CN104700120B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090271153A1 (en) * | 2008-04-28 | 2009-10-29 | Siemens Aktiengesellschaft | Device for detecting signals |
| CN102360501A (zh) * | 2011-07-19 | 2012-02-22 | 中国科学院自动化研究所 | 一种基于核磁共振成像的脑区有效连接度构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴涛 等: "自适应熵的投影聚类算法", 《计算机科学与探索》 * |
| 闫彤: "基于脑电的静息态功能连接分析", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 黄嘉爽 等: "脑功能网络的fMRI特征提取及脑部疾病机器识别", 《智能系统学报》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512454B (zh) * | 2015-07-28 | 2018-12-18 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估系统 |
| CN105512454A (zh) * | 2015-07-28 | 2016-04-20 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 |
| JP2017076193A (ja) * | 2015-10-13 | 2017-04-20 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム |
| CN106037741A (zh) * | 2016-07-04 | 2016-10-26 | 电子科技大学 | 一种基于fMRI探测动态脑自发活动的数据方法 |
| CN106037741B (zh) * | 2016-07-04 | 2018-10-16 | 电子科技大学 | 一种基于fMRI探测动态脑自发活动的数据方法 |
| CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
| CN106548206B (zh) * | 2016-10-27 | 2019-08-02 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
| CN109522894B (zh) * | 2018-11-12 | 2021-08-27 | 电子科技大学 | 一种探测fMRI脑网络动态协变的方法 |
| CN109522894A (zh) * | 2018-11-12 | 2019-03-26 | 电子科技大学 | 一种探测fMRI脑网络动态协变的方法 |
| CN109558906A (zh) * | 2018-11-23 | 2019-04-02 | 四川大学 | 基于高斯隐变量降维聚类中心的功能磁共振聚类成像方法 |
| CN109558906B (zh) * | 2018-11-23 | 2022-05-03 | 四川大学 | 基于高斯隐变量降维聚类中心的功能磁共振聚类成像方法 |
| CN109730678A (zh) * | 2019-01-28 | 2019-05-10 | 常州大学 | 一种多层大脑功能网络模块划分方法 |
| CN110473202A (zh) * | 2019-06-18 | 2019-11-19 | 山东工商学院 | 一种高阶动态功能连接网络的时序不变特征提取方法 |
| CN110473202B (zh) * | 2019-06-18 | 2023-03-31 | 山东工商学院 | 一种高阶动态功能连接网络的时序不变特征提取方法 |
| CN110851675A (zh) * | 2019-10-10 | 2020-02-28 | 厦门市美亚柏科信息股份有限公司 | 一种数据提取方法、装置及介质 |
| CN110851675B (zh) * | 2019-10-10 | 2022-05-17 | 厦门市美亚柏科信息股份有限公司 | 一种数据提取方法、装置及介质 |
| CN112418337A (zh) * | 2020-11-27 | 2021-02-26 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
| CN114818803A (zh) * | 2022-04-25 | 2022-07-29 | 上海韶脑传感技术有限公司 | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 |
| CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
| CN115294413B (zh) * | 2022-10-10 | 2023-01-24 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
| CN116311950A (zh) * | 2023-05-18 | 2023-06-23 | 中汽研（天津）汽车工程研究院有限公司 | 路径选择方法和基于虚实融合技术的v2x测试系统 |
| CN116311950B (zh) * | 2023-05-18 | 2023-08-18 | 中汽研（天津）汽车工程研究院有限公司 | 路径选择方法和基于虚实融合技术的v2x测试系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104700120B (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104700120A (zh) | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 | |
| CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
| CN102855491B (zh) | 一种基于网络中心性的脑功能磁共振图像分类方法 | |
| CN104715241B (zh) | 一种基于张量分解的fMRI特征提取与识别方法 | |
| CN103093087A (zh) | 一种基于多任务学习的多模态脑网络特征融合方法 | |
| CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| CN104715261A (zh) | fMRI动态脑功能子网络构建及并联SVM加权识别方法 | |
| CN105205810B (zh) | 基于距离场融合的mr图像海马体分割方法 | |
| CN102509123A (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
| CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
| WO2023168912A1 (zh) | 一种基于多关系功能连接矩阵的疾病预测系统及装置 | |
| CN103020653B (zh) | 基于网络分析的结构和功能磁共振图像联合分类方法 | |
| CN103577841A (zh) | 一种无监督多视图特征选择的人体行为识别方法 | |
| CN104063713A (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
| CN104182621A (zh) | 基于深度信念网络的adhd判别分析方法 | |
| CN110211671A (zh) | 一种基于权值分布的阈值化方法 | |
| CN109102512A (zh) | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 | |
| CN103942780A (zh) | 基于改进模糊连接度算法的丘脑及其子结构分割方法 | |
| CN108960341A (zh) | 一种面向脑网络的结构化特征选择方法 | |
| CN104978569A (zh) | 一种基于稀疏表示的增量人脸识别方法 | |
| CN111488934A (zh) | 脑影像数据处理方法、存储介质、计算机设备和装置 | |
| CN104463885A (zh) | 一种多发性硬化损伤区域分割方法 | |
| CN103745473B (zh) | 一种脑组织提取方法 | |
| CN112200810B (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
| CN110298364A (zh) | 面向功能性脑网络的多阈值下基于多任务的特征选择方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150610 Assignee: NANJING PUZHEN SCIENTIFIC AND TECHNOLOGICAL INDUSTRIAL Corp. Assignor: NANJING University OF TECHNOLOGY Contract record no.: X2021320000180 Denomination of invention: An fMRI feature extraction and classification method based on adaptive entropy projection clustering algorithm Granted publication date: 20181113 License type: Common License Record date: 20211227 |