CN105596004A - 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 - Google Patents

基于成组典型相关分析的脑功能磁共振成像盲源分离方法 Download PDF

Info

Publication number
CN105596004A
CN105596004A CN201511002645.XA CN201511002645A CN105596004A CN 105596004 A CN105596004 A CN 105596004A CN 201511002645 A CN201511002645 A CN 201511002645A CN 105596004 A CN105596004 A CN 105596004A
Authority
CN
China
Prior art keywords
matrix
data
brain
tested
correlation analysis
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
Application number
CN201511002645.XA
Other languages
English (en)
Other versions
CN105596004B (zh
Inventor
曾令李
胡德文
武兴杰
李明
沈辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201511002645.XA priority Critical patent/CN105596004B/zh
Publication of CN105596004A publication Critical patent/CN105596004A/zh
Application granted granted Critical
Publication of CN105596004B publication Critical patent/CN105596004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于成组典型相关分析的脑功能磁共振成像盲源分离方法，步骤包括：输入被试大脑磁共振图像；将输入的每个被试的大脑磁共振图像进行降维；将降维数据进行数据组合；将数据组合的结果再次进行降维；将再次降维结果进行典型相关分析(CCA)得到组群层级的源网络；依次进行数据反重构、标准化处理，得到每个被试的大脑源网络及对应的时间波动；将所有被试的大脑源网络及对应的时间波动进行加和取平均，得到被试组群的平均大脑源网络以及对应的时间波动。本发明不但能够更好地贴近功能磁共振成像物理和生理特性、而且还能提取不同被试个体之间相同特征，具有原理简单且贴近实际、操作方便、占用运算资源少、运算速度快的优点。

Description

基于成组典型相关分析的脑功能磁共振成像盲源分离方法
技术领域
本发明涉及大脑核磁共振成像数据盲源分离技术，具体涉及一种基于成组典型相关分析(GroupCanonicalCorrelationAnalysis,GroupCCA)的脑功能磁共振成像盲源分离方法。
背景技术
脑功能成像是以神经活动产生的血流、代谢或者磁信号、电信号变化为基础，运用成像技术和图像处理方法，将大脑活动直观地表现出来。无创式医学影像技术的出现，实现了无创条件下的活体脑成像，极大地推动了脑科学和认知神经科学的发展，使得人类从最初凭空想象推测大脑黑箱之谜，到可以窥探大脑的实时活动。
磁共振扫描仪是根据磁共振影像原理在梯度磁场以及射频脉冲作用下人体组织进行成像的。人体各个组织的弛豫时间T1和T2都不相同，这种弛豫时间上的差别成为MRI的基础。扫描过程中所采集的磁共振信号就是人体组织中氢原子核在弛豫过程中发射出的特征脉冲。将收到的磁共振信号利用计算机进行数字化后转化为灰度值，然后进行空间编码，就可以实现图像重建，变成我们所看到的MRI影像。
典型相关分析(CanonicalCorrelationAnalysis,CCA)技术最初是一种多变量分析工具，用来分析两组变量之间的整体相关性。Friman等创造性地利用CCA来分析单组变量的自相关性，从而将CCA引入fMRI信号的盲源分离(BSS)领域，并提出BSS-CCA算法。BSS-CCA算法认为，所有真实的、有生理意义的fMRI信号都是平滑变化的，相对于ICA等传统的BSS算法，这一基本假设更符合神经成像数据的真实情况，所以取得了更优的处理效果，从而成为大脑成像数据分析领域的主流算法之一。
对于传统的BSS算法而言，调整信号的采样点出现的顺序对于处理结果没有任何影响。而实际上，采样点的顺序是决定信号波形的重要因素，是有助于提高信号分离质量的重要先验知识。采样点的顺序信息有很多种，但其中最明显的一个特征就是：实际物理信号(噪声除外)相邻或相近的采样值相近。针对这一特性，不同的研究者给出了不同的数学描述、称呼和实现方法。该特征可以被描述为信号变化慢或者变化平滑，也可以被描述为相邻采样点具有可预测性，或者信号自相关性强。这里为了讨论方便，将信号在相邻或相近采样点处的值相近这一特征统称为信号的邻域特征。BSS-CCA正是利用了fMRI源信号之中普遍存在的邻域特征来完成感兴趣的信号分离和提取。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种不但能够更好地贴近功能磁共振成像物理和生理特性、而且还能提取不同被试个体之间相同特征，原理简单且贴近实际、操作方便、占用运算资源少、运算速度快的基于成组典型相关分析的脑功能磁共振成像盲源分离方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于成组典型相关分析的脑功能磁共振成像盲源分离方法，步骤包括：
1)输入经过预处理后的被试大脑磁共振图像；
2)将输入的大脑磁共振图像进行subject层次的降维；
3)将subject层次的降维数据进行数据组合；
4)将数据组合的结果进行group层次的降维；
5)将group层次的降维结果进行典型相关分析CCA得到组群层级的源网络；
6)将组群层级的源网络依次进行数据反重构、标准化处理，得到每个被试的大脑源网络sci及对应的时间波动tci；
7)将所有被试的大脑源网络sci及对应的时间波动tci进行加和取平均，得到被试组群的平均大脑源网络groupsc以及对应的时间波动grouptc。
优选地，所述步骤2)的详细步骤包括：
2.1)将经过预处理的大脑磁共振图像载入Matlab的工作空间，所述大脑磁共振图像维数为[a，b，c]、采样数为n，分别将大脑磁共振图像的采样数据通过reshape函数处理为[m，n]维的矩阵hi，其中m＝a*b*c，i＝1,...,N，N为被试个数；
2.2)将每个矩阵hi按列去掉小于平均值的元素得到维数为[p，n]的新矩阵li并记录被保留数据的索引值；
2.3)将每个新矩阵li通过主成分分析PCA变换为数据矩阵subsigi(p×numcomp)，其中p为行数、numcomp为要求的脑网络的个数，所述数据矩阵subsigi(p×numcomp)对应的白化矩阵为whitesubi、去白化矩阵为dewhitesubi。
优选地，所述步骤3)详细步骤包括：将subject层次的降维得到的每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)的一列视为一个空间成分，按照列组合的方式将每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)组合为新的数据矩阵groupin，使得每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)的每一列都为数据矩阵groupin的一列。
优选地，所述步骤4)的详细步骤包括：将新的数据矩阵groupin通过主成分分析PCA变换为数据矩阵groupsig，所述数据矩阵groupsig对应的白化矩阵为whitegroup、去白化矩阵为dewhitegroup。
优选地，所述步骤5)的详细步骤包括：
5.1)取group层次的降维得到的数据矩阵groupsig中每个元素相邻的上下、左右和前后6个元素的平均数作为待生成数据矩阵L的相应元素值，边界元素用零补齐，生成自相关的数据矩阵L；
5.2)将自相关的数据矩阵L利用典型相关分析CCA进行分析，解出特征向量组成矩阵即为数据矩阵groupsig的分解矩阵W，所述分解矩阵W的逆矩阵为A，将所述分解矩阵W作为得到的组群层级的源网络输出。
优选地，所述步骤6)中进行数据反重构时，数据反重构的原则为保证数据反重构后得到的每个被试的源网络矩阵与对应的时间波动矩阵的乘积等于未通过典型相关分析CCA处理之前每个被试的原始数据矩阵。
优选地，所述步骤6)中进行数据反重构的详细步骤包括：根据数据矩阵subsigi(p×numcomp)、数据矩阵groupsig对应的白化矩阵为、数据矩阵groupsig的分解矩阵W三者反重构每个被试的空间成分sci；根据数据矩阵subsigi(p×numcomp)对应的去白化矩阵为dewhitesubi、数据矩阵groupsig对应的去白化矩阵为dewhitegroup、分解矩阵W的逆矩阵A三者反重构得到每个被试的空间波动tci。
优选地，所述步骤6)中的标准化处理包括符号纠正和比例缩放处理。
优选地，所述步骤7)中将所有被试的大脑源网络sci及对应的时间波动tci进行加和取平均具体是指针对将所有被试的大脑源网络sci及对应的时间波动tci分别进行取和再除以被试个数N
本发明基于成组典型相关分析的脑功能磁共振成像盲源分离方法具有下述优点：
1、ICA等传统的BSS方法一般对fMRI信号做出相对独立的假设，而实际上fMRI信号是不满足独立假设的，但其具有很强的自相关性，这从根本上决定了本发明的脑功能磁共振成像盲源分离方法比传统的BSS方法更符合fMRI信号的真实生理特性。
2、不同被试个体之间fMRI信号的分离结果是有明显差异，本发明的脑功能磁共振成像盲源分离方法正是考虑到这种差异，在个体分析的基础上在添加组群分析，提取不同被试个体之间的相同特征。
3、本发明的脑功能磁共振成像盲源分离方法的模型是可以计算的数学模型，而非只能近似的数据模型。
4、本发明的脑功能磁共振成像盲源分离方法中用CCA算法取代传统的ICA算法，由一个特征值问题代替迭代算法，大大减少了计算量。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2是用本发明实施例方法求得的脑脊液在软件MRIcroN中呈现的三视图。
图3是用本发明实施例方法求得的头动噪声在软件MRIcroN中呈现的三视图。
图4是用本发明实施例方法求得的内侧视皮层网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图。
图5是用本发明实施例方法求得的后侧默认网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图。
图6是用本发明实施例方法求得的背侧默认网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图。
图7是用本发明实施例方法求得的执行控制网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图。
图8是用本发明实施例方法求得的腹侧注意网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图。
图9是用本发明实施例方法求得的语言网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图。
具体实施方式
如图1所示，本实施例基于成组典型相关分析的脑功能磁共振成像盲源分离方法的步骤包括：
1)输入经过预处理后的被试大脑磁共振图像(fMRI数据)；
2)将输入的大脑磁共振图像进行subject层次的降维；
3)将subject层次的降维数据进行数据组合；
4)将数据组合的结果进行group层次的降维；
5)将group层次的降维结果进行典型相关分析CCA得到组群层级的源网络；
6)将组群层级的源网络依次进行数据反重构、标准化处理，得到每个被试的大脑源网络sci及对应的时间波动tci；
7)将所有被试的大脑源网络sci及对应的时间波动tci进行加和取平均，得到被试组群的平均大脑源网络groupsc以及对应的时间波动grouptc。
本实施例中，使用40个正常人被试经过预处理的静息态下的fMRI数据，格式为nii，每个被试只有一个session，要求从这些数据中提取30个脑网络。
本实施例中，步骤2)实质上是利用主成分分析PCA对每个被试的大脑磁共振图像进行个体层次的降维，详细步骤包括：
2.1)将经过预处理的大脑磁共振图像载入Matlab的工作空间，大脑磁共振图像(本实施例中格式为nii，每个被试只有一个session)维数为[a，b，c]、采样数为n，分别将大脑磁共振图像的采样数据通过reshape函数处理为[m，n]维的矩阵hi，其中m＝a*b*c，i＝1,...,N，N为被试个数；本实施例中，大脑磁共振图像的维数为[61，73，61]，采样数为235，分别将每个被试的数据通过reshape函数处理为[m，235]维的矩阵hi，其中m＝61×73×61，i＝1,...,40；
2.2)将每个矩阵hi按列去掉小于平均值的元素得到维数为[p，n]的新矩阵li并记录被保留数据的索引值maskind；通过精简，使得新矩阵li的行数p小于矩阵hi的行数m(p<m)；本实施例中，新矩阵li的维数为[p，235]；
2.3)将每个新矩阵li通过主成分分析PCA变换为数据矩阵subsigi(p×numcomp)，其中p为行数、numcomp为要求的脑网络的个数，数据矩阵subsigi(p×numcomp)对应的白化矩阵为whitesubi、去白化矩阵为dewhitesubi。
通过上述步骤2.2)和2.3)，能够极大地简化和减少矩阵hi的数据量，节约运算资源。
本实施例中，步骤3)详细步骤包括：将subject层次的降维得到的每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)的一列视为一个空间成分，按照列组合的方式将每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)组合为新的数据矩阵groupin，使得每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)的每一列都为数据矩阵groupin的一列。
本实施例中，步骤4)用于将得到的数据组合在一起同样利用主成分分析PCA再进行一次组群层次的降维，详细步骤包括：将新的数据矩阵groupin通过主成分分析PCA变换为数据矩阵groupsig，数据矩阵groupsig对应的白化矩阵为whitegroup、去白化矩阵为dewhitegroup。
本实施例中，步骤5)的详细步骤包括：
5.1)取group层次的降维得到的数据矩阵groupsig中每个元素相邻的上下、左右和前后6个元素的平均数作为待生成数据矩阵L的相应元素值，边界元素用零补齐，生成自相关的数据矩阵L；
5.2)将自相关的数据矩阵L利用典型相关分析CCA进行分析(转化为一个特征向量问题)，解出特征向量组成矩阵即为数据矩阵groupsig的分解矩阵W，分解矩阵W的逆矩阵为A，将分解矩阵W作为得到的组群层级的源网络输出。
本实施例中，步骤6)中进行数据反重构时，数据反重构的原则为保证数据反重构后得到的每个被试的源网络矩阵与对应的时间波动矩阵的乘积等于未通过典型相关分析CCA处理之前每个被试的原始数据矩阵。
本实施例中，步骤6)中进行数据反重构的详细步骤包括：根据数据矩阵subsigi(p×numcomp)、数据矩阵groupsig对应的白化矩阵为、数据矩阵groupsig的分解矩阵W三者反重构每个被试的空间成分sci；根据数据矩阵subsigi(p×numcomp)对应的去白化矩阵为dewhitesubi、数据矩阵groupsig对应的去白化矩阵为dewhitegroup、分解矩阵W的逆矩阵A三者反重构得到每个被试的空间波动tci。
本实施例中，步骤6)中的标准化处理包括符号纠正和比例缩放处理。需要说明的是，符号纠正和比例缩放均为大脑磁共振图像的常规标准化处理方法，故其具体实施细节本实施例中不再赘述。
本实施例中，步骤7)中将所有被试的大脑源网络sci及对应的时间波动tci进行加和取平均具体是指针对将所有被试的大脑源网络sci及对应的时间波动tci分别进行取和再除以被试个数N(本实施例中取值为40)，最终得到组群的30个平均大脑源网络groupsc以及对应的30个时间波动grouptc。
参见图2和图3，采用本发明实施例方法可求得的脑脊液在软件MRIcroN中呈现的三视图如图2所示；采用本发明实施例方法可求得的头动噪声在软件MRIcroN中呈现的三视图如图3所示。参见图4、图4和图6，采用本发明实施例方法求得的“内侧视皮层”网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图如图4所示；采用本发明实施例方法求得的后侧默认网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图如图5所示；采用本发明实施例方法求得的背侧默认网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图如图6所示。参见图7、图8和图9，采用本发明实施例方法求得的执行控制网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图如图7所示；采用本发明实施例方法求得的腹侧注意网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图如图8所示；采用本发明实施例方法求得的语言网络在软件caret中呈现的左右半脑的lateral、medial和dorsal视图如图9所示。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为步骤包括：
1)输入经过预处理后的被试大脑磁共振图像；
2)将输入的大脑磁共振图像进行subject层次的降维；
3)将subject层次的降维数据进行数据组合；
4)将数据组合的结果进行group层次的降维；
5)将group层次的降维结果进行典型相关分析CCA得到组群层级的源网络；
6)将组群层级的源网络依次进行数据反重构、标准化处理，得到每个被试的大脑源网络sci及对应的时间波动tci；
7)将所有被试的大脑源网络sci及对应的时间波动tci进行加和取平均，得到被试组群的平均大脑源网络groupsc以及对应的时间波动grouptc。
2.根据权利要求1所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤2)的详细步骤包括：
2.1)将经过预处理的大脑磁共振图像载入Matlab的工作空间，所述大脑磁共振图像维数为[a，b，c]、采样数为n，分别将大脑磁共振图像的采样数据通过reshape函数处理为[m，n]维的矩阵hi，其中m＝a*b*c，i＝1,...,N，N为被试个数；
2.2)将每个矩阵hi按列去掉小于平均值的元素得到维数为[p，n]的新矩阵li并记录被保留数据的索引值；
2.3)将每个新矩阵li通过主成分分析PCA变换为数据矩阵subsigi(p×numcomp)，其中p为行数、numcomp为要求的脑网络的个数，所述数据矩阵subsigi(p×numcomp)对应的白化矩阵为whitesubi、去白化矩阵为dewhitesubi。
3.根据权利要求2所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤3)详细步骤包括：将subject层次的降维得到的每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)的一列视为一个空间成分，按照列组合的方式将每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)组合为新的数据矩阵groupin，使得每幅大脑磁共振图像的数据矩阵subsigi(p×numcomp)的每一列都为数据矩阵groupin的一列。
4.根据权利要求3所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤4)的详细步骤包括：将新的数据矩阵groupin通过主成分分析PCA变换为数据矩阵groupsig，所述数据矩阵groupsig对应的白化矩阵为whitegroup、去白化矩阵为dewhitegroup。
5.根据权利要求4所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤5)的详细步骤包括：
5.1)取group层次的降维得到的数据矩阵groupsig中每个元素相邻的上下、左右和前后6个元素的平均数作为待生成数据矩阵L的相应元素值，边界元素用零补齐，生成自相关的数据矩阵L；
5.2)将自相关的数据矩阵L利用典型相关分析CCA进行分析，解出特征向量组成矩阵即为数据矩阵groupsig的分解矩阵W，所述分解矩阵W的逆矩阵为A，将所述分解矩阵W作为得到的组群层级的源网络输出。
6.根据权利要求5所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤6)中进行数据反重构时，数据反重构的原则为保证数据反重构后得到的每个被试的源网络矩阵与对应的时间波动矩阵的乘积等于未通过典型相关分析CCA处理之前每个被试的原始数据矩阵。
7.根据权利要求6所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤6)中进行数据反重构的详细步骤包括：根据数据矩阵subsigi(p×numcomp)、数据矩阵groupsig对应的白化矩阵为、数据矩阵groupsig的分解矩阵W三者反重构每个被试的空间成分sci；根据数据矩阵subsigi(p×numcomp)对应的去白化矩阵为dewhitesubi、数据矩阵groupsig对应的去白化矩阵为dewhitegroup、分解矩阵W的逆矩阵A三者反重构得到每个被试的空间波动tci。
8.根据权利要求7所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤6)中的标准化处理包括符号纠正和比例缩放处理。
9.根据权利要求8所述的基于成组典型相关分析的脑功能磁共振成像盲源分离方法，其特征为，所述步骤7)中将所有被试的大脑源网络sci及对应的时间波动tci进行加和取平均具体是指针对将所有被试的大脑源网络sci及对应的时间波动tci分别进行取和再除以被试个数N。
CN201511002645.XA 2015-12-28 2015-12-28 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 Active CN105596004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511002645.XA CN105596004B (zh) 2015-12-28 2015-12-28 基于成组典型相关分析的脑功能磁共振成像盲源分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511002645.XA CN105596004B (zh) 2015-12-28 2015-12-28 基于成组典型相关分析的脑功能磁共振成像盲源分离方法

Publications (2)

Publication Number Publication Date
CN105596004A true CN105596004A (zh) 2016-05-25
CN105596004B CN105596004B (zh) 2017-08-25

Family

ID=55976760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511002645.XA Active CN105596004B (zh) 2015-12-28 2015-12-28 基于成组典型相关分析的脑功能磁共振成像盲源分离方法

Country Status (1)

Country Link
CN (1) CN105596004B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127263A (zh) * 2016-07-06 2016-11-16 中国人民解放军国防科学技术大学 基于三维特征提取的人脑磁共振图像分类识别方法及系统
CN107092925A (zh) * 2017-03-30 2017-08-25 中国人民解放军国防科学技术大学 基于成组sim算法的大脑功能磁共振成像盲源分离方法
CN109358318A (zh) * 2018-11-20 2019-02-19 南京理工大学 一种外辐射源雷达盲源分离提取目标回波与直达波的方法
CN109558766A (zh) * 2017-09-25 2019-04-02 中国人民解放军国防科技大学 基于刺激前后差异特征的大脑成像数据盲源分离方法
CN109830286A (zh) * 2019-02-13 2019-05-31 四川大学 基于非参数统计的脑功能磁共振编码能量成像方法
CN110110855A (zh) * 2019-05-28 2019-08-09 西北工业大学 基于深度循环神经网络和有监督字典学习的脑网络重构方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508184A (zh) * 2011-10-26 2012-06-20 中国科学院自动化研究所 一种基于移动平均时间序列模型的脑功能激活区检测方法
CN103440513A (zh) * 2013-09-17 2013-12-11 西安电子科技大学 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
CN103440496A (zh) * 2013-08-01 2013-12-11 西北工业大学 一种基于功能磁共振成像的视频记忆性判别方法
CN104715260A (zh) * 2015-03-05 2015-06-17 中南大学 基于rls-elm的多模态融合图像分类方法
US20150272461A1 (en) * 2013-05-01 2015-10-01 Advanced Telecommunications Research Institute International Brain activity analyzing apparatus, brain activity analyzing method and biomarker apparatus
CN105069307A (zh) * 2015-08-19 2015-11-18 大连理工大学 一种结合ICA与移不变CPD的多被试fMRI数据分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508184A (zh) * 2011-10-26 2012-06-20 中国科学院自动化研究所 一种基于移动平均时间序列模型的脑功能激活区检测方法
US20150272461A1 (en) * 2013-05-01 2015-10-01 Advanced Telecommunications Research Institute International Brain activity analyzing apparatus, brain activity analyzing method and biomarker apparatus
CN103440496A (zh) * 2013-08-01 2013-12-11 西北工业大学 一种基于功能磁共振成像的视频记忆性判别方法
CN103440513A (zh) * 2013-09-17 2013-12-11 西安电子科技大学 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
CN104715260A (zh) * 2015-03-05 2015-06-17 中南大学 基于rls-elm的多模态融合图像分类方法
CN105069307A (zh) * 2015-08-19 2015-11-18 大连理工大学 一种结合ICA与移不变CPD的多被试fMRI数据分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴超等: "空间独立成分分析实现fMRI信号的盲源分离", 《计算机系统应用》 *
曾令李: "基于功能磁共振成像的脑网络研究", 《国防科学技术大学博士论文》 *
肖柯: "基于CCA的fMRI时空模型数据处理方法的研究", 《四川大学硕士论文》 *
钟明君等: "空间独立成分分析实现fMRI信号的盲源分离", 《生物物理学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127263A (zh) * 2016-07-06 2016-11-16 中国人民解放军国防科学技术大学 基于三维特征提取的人脑磁共振图像分类识别方法及系统
CN107092925A (zh) * 2017-03-30 2017-08-25 中国人民解放军国防科学技术大学 基于成组sim算法的大脑功能磁共振成像盲源分离方法
CN107092925B (zh) * 2017-03-30 2019-09-17 中国人民解放军国防科学技术大学 基于成组sim算法的大脑功能磁共振成像盲源分离方法
CN109558766A (zh) * 2017-09-25 2019-04-02 中国人民解放军国防科技大学 基于刺激前后差异特征的大脑成像数据盲源分离方法
CN109558766B (zh) * 2017-09-25 2021-06-25 中国人民解放军国防科技大学 基于刺激前后差异特征的大脑成像数据盲源分离方法
CN109358318A (zh) * 2018-11-20 2019-02-19 南京理工大学 一种外辐射源雷达盲源分离提取目标回波与直达波的方法
CN109830286A (zh) * 2019-02-13 2019-05-31 四川大学 基于非参数统计的脑功能磁共振编码能量成像方法
CN109830286B (zh) * 2019-02-13 2022-09-30 四川大学 基于非参数统计的脑功能磁共振编码能量成像方法
CN110110855A (zh) * 2019-05-28 2019-08-09 西北工业大学 基于深度循环神经网络和有监督字典学习的脑网络重构方法
CN110110855B (zh) * 2019-05-28 2022-04-29 西北工业大学 基于深度循环神经网络和有监督字典学习的脑网络重构方法

Also Published As

Publication number Publication date
CN105596004B (zh) 2017-08-25

Similar Documents

Publication Publication Date Title
CN105596004A (zh) 基于成组典型相关分析的脑功能磁共振成像盲源分离方法
Musallam et al. Electroencephalography-based motor imagery classification using temporal convolutional network fusion
Park et al. Frequency-optimized local region common spatial pattern approach for motor imagery classification
Zhang et al. Hybrid deep neural network using transfer learning for EEG motor imagery decoding
Wang et al. A benchmark dataset for SSVEP-based brain–computer interfaces
Ryali et al. Estimation of functional connectivity in fMRI data using stability selection-based sparse partial correlation with elastic net penalty
Miraglia et al. Searching for signs of aging and dementia in EEG through network analysis
Zhang et al. Sparse Bayesian multiway canonical correlation analysis for EEG pattern recognition
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
de Munck et al. Interactions between different EEG frequency bands and their effect on alpha–fMRI correlations
EP4108164A1 (en) Blood pressure prediction method and device
Wang et al. Mi-bminet: An efficient convolutional neural network for motor imagery brain–machine interfaces with eeg channel selection
Zhao et al. Interactive local and global feature coupling for EEG-based epileptic seizure detection
Gong et al. Time–frequency cross mutual information analysis of the brain functional networks underlying multiclass motor imagery
Huang et al. Perception-to-image: Reconstructing natural images from the brain activity of visual perception
CN111222398B (zh) 一种基于时频特征融合的肌电信号解码方法
Zheng et al. Spatio-time-frequency joint sparse optimization with transfer learning in motor imagery-based brain-computer interface system
Wei et al. A canonical correlation analysis-based transfer learning framework for enhancing the performance of SSVEP-based BCIs
Xia et al. A denoising method of ECG signal based on variational autoencoder and masked convolution
Wang et al. MD-GraphFormer: A Model-Driven Graph Transformer for Fast Multi-Contrast MR Imaging
Lan et al. Cross Domain Correlation Maximization for Enhancing the Target Recognition of SSVEP-Based Brain-Computer Interfaces
Lu et al. Generate your neural signals from mine: individual-to-individual EEG converters
CN115409843B (zh) 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法
CN107092925B (zh) 基于成组sim算法的大脑功能磁共振成像盲源分离方法
Li et al. A wrapped time-frequency combined selection in the source domain

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