CN105912851A - 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 - Google Patents
一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 Download PDFInfo
- Publication number
- CN105912851A CN105912851A CN201610218145.8A CN201610218145A CN105912851A CN 105912851 A CN105912851 A CN 105912851A CN 201610218145 A CN201610218145 A CN 201610218145A CN 105912851 A CN105912851 A CN 105912851A
- Authority
- CN
- China
- Prior art keywords
- pca
- doi
- data
- complex
- rho
- 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
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 210000004556 brain Anatomy 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 125000002015 acyclic group Chemical group 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010079 rubber tapping Methods 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 description 14
- 238000012880 independent component analysis Methods 0.000 description 4
- 230000003925 brain function Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001163 endosome Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Complex Calculations (AREA)
Abstract
一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法,属于生物医学信号处理领域。先对复数fMRI数据进行连续主成分数的PCA消噪,再计算消噪数据的非环形度量DOI,得到DOI曲线并进行必要的调整,最后采用SORTE准则检测DOI曲线的拐点,该拐点对应的PCA成分数即为所估计模型阶数。本发明利用了完整的复数fMRI数据,能估计出更高更准确的模型阶数,进而分离更多更好的空时成分。在敲击手指任务下采集的复数fMRI数据的ICA分析中,本发明估计阶数下获取的单被试SM和TC与参考信号的相关系数最大可提高202.42%和51.89%以及123.15%和431.30%(DMN)。
Description
技术领域
本发明涉及生物医学信号处理领域,特别是涉及一种复数功能磁共振成像(functional magnetic resonance imaging,fMRI)数据的模型阶数估计方法。
背景技术
由于具有空间分辨率高、非侵入等优点,fMRI技术已成为脑功能分析和脑疾病诊断的有力工具。原始采集到的fMRI数据是复数,包括幅值数据和相位数据。幅值数据和相位数据都含有独特的脑功能信息,但相位数据的噪声水平较之幅值数据高得多,这导致复数fMRI数据的噪声水平较之幅值fMRI数据高得多。尽管如此,辅以适当的消噪环节,人们已经从复数fMRI数据中提取了更多更完整的脑功能信息,表明了复数fMRI数据分析在脑科学研究中的明显优势。
复数fMRI数据属于混合数据,其中包含着数十个脑空间激活区(spatial map,SM)成分及其相应的时间过程(time course,TC)成分,比幅值fMRI数据所包含的成分数多。在已知成分数的情况下,可以采用独立成分分析(independentcomponent analysis,ICA)、张量分解(tensor decomposition)等数据驱动方法提取出SM成分和TC成分。然而,当成分数过大时,有些成分会分裂成多个子成分;而当成分数过小时,会出现多个成分的混合。因此,成分数估计,也称模型阶数估计,是基于数据驱动方法分析fMRI数据的重要前提。
目前,用于估计复数fMRI数据模型阶数的方法主要分为两类,一类为基于信息论的Akaike’s information criterion(AIC)、Kullback-Leibler information criterion(KIC)和minimum description length(MDL)等方法,另一类是传统的寻找协方差矩阵特征值曲线拐点的方法。其中,第一类信息论方法要求输入数据满足独立同分布,而fMRI数据间存在相关性,所以在代入信息论准则计算模型阶数之前,需要对fMRI数据进行下采样以获取独立同分布子集,这便导致了该类方法的信息损失缺限。换句话说,应用信息论方法对复数fMRI数据进行模型阶数估计时,会因为数据下采样致使所估计成分数偏少,模型阶数偏低。此外,由于实际复数fMRI信号的高噪声水平,第二类特征值曲线拐点方法在估计模型阶数时难于得到正确的结果,而且由于设定阈值的需要,该方法具有很大的不确定性。总之,与成熟的幅值fMRI数据模型阶数估计方法相比,复数fMRI数据的模型阶数估计方法面临着较大的挑战。因此,探索适于高噪声完整复数fMRI数据的模型阶数估计方法,是今后深入开展复数fMRI数据分析的重要前提。
发明内容
本发明的目的在于,提供一种适于高噪声完整复数fMRI数据的模型阶数估计方法,通过引入PCA(principle component analysis)进行噪声抑制,通过直接利用复数fMRI成分的非环形特性提高对复数fMRI数据分析的针对性,通过利用碎石图(scree plot)元素二阶统计量的方法提高非环形度量拐点(即模型阶数)估计的准确性,进而显著提高ICA分析的性能。
本发明的技术方案是,首先对复数fMRI数据进行连续主成分数的PCA消噪,然后计算消噪数据的非环形度量DOI(degree of impropriety),得到DOI曲线并进行必要的调整,最后采用SORTE(second order statistic of eigenvalue)准则检测DOI曲线的拐点,该拐点对应的PCA成分数即为所估计模型阶数。具体实现步骤如下:
第一步:输入复数fMRI数据X∈CJ×V。J表示时间维的全脑扫描次数,V表示空间维的脑内体素数目。
第二步:设置PCA主成分个数M=1,…,N,N<J。由于复数fMRI数据较之幅值fMRI数据增加了相位信息,最大主成分数N可取为幅值fMRI数据所估计模型阶数的三倍。
第三步:进行PCA消噪,得到N组主成分数连续的消噪数据。设U=[u1,...,uM]∈CJ×M包含X协方差矩阵特征分解前M个最大特征值对应的特征矢量,则Y=UHX∈CM×V为PCA消噪数据,含有M个主成分。
第四步:计算N组PCA消噪数据的DOI。设置循环M=1,…,N,分别计算各组消噪矩阵Y的DOI如下:
式中,det表示求行列式值,RYY=E(YYH),E表示数学期望,上标H表示共轭转置,上标T表示转置,上标*表示共轭,上标-表示求逆;得到N组PCA消噪数据的DOI序列ρ1,...,ρN。
第五步:检测和调整DOI曲线。理想情况下ρ1≥ρ2≥...≥ρN,即DOI曲线为递降曲线。但是,由于实际复数fMRI数据含有高水平噪声,DOI曲线可能出现个别波动点,不满足递减规律。为此,从前至后逐点检测DOI值,当DOI序列中某个DOI值高于前一个DOI值时,令其等于前一个DOI值,即当ρi>ρi-1,i=2,...,N时,令ρi=ρi-1。
第六步:计算SORTE序列:
其中,为调整后DOI曲线的差值序列,p=1,...,(N-2),
第七步:计算模型阶数。根据SORTE准则,计算模型阶数P如下:
第八步:输出模型阶数估计结果P。
本发明所达到的效果和益处是,较之含有独立同分布下采样的信息论方法,本发明利用了完整的复数fMRI数据,能估计出更高的模型阶数,进而分离更多的空时成分。而且,通过利用PCA降噪和复数fMRI数据的非环形特性,本发明估计的模型阶数在ICA分析中体现出明显的性能改善,表明了估计的准确性。例如,在16被试敲击手指任务下采集的复数fMRI数据分析中,信息论MDL方法估计的模型阶数平均值为27,本发明估计的模型阶数平均值为35。应用复数ICA的EBM算法在两种模型阶数下进行ICA分解,以任务相关成分和默认网络(defaultmode network,DMN)为感兴趣信号,较之信息论结果,本发明获取的单被试SM与参考SM的相关系数最大可提高202.42%(任务相关成分)和123.15%(DMN),单被试TC与Model TC的相关系数最大可提高51.89%(任务相关成分)和431.30%(DMN)。因此,本发明为复数fMRI数据分析提供了有力的保障。
附图说明
图1是本发明估计单被试复数fMRI数据模型阶数的工作流程图。
具体实施方式
下面结合技术方案和图1,详细叙述本发明的一个具体实施例。
现有单被试在执行敲打手指任务下采集的复数fMRI数据。时间维度上进行了J=165次扫描,每次扫描都获得了53×63×46的全脑数据,脑内体素数V=59610。应用信息论MDL准则估计该单被试幅值fMRI数据的模型阶数为20。采用本发明进行模型阶数估计的步骤如附图所示。
第一步:输入单被试复数fMRI数据X∈C165×59610。
第二步:设置PCA主成分个数M=1,…,N。已知幅值fMRI数据的模型阶数为20,故设置最大主成分数N=60。
第三步:进行PCA消噪,得到60组主成分数连续的消噪数据Y∈CM×59610,M=1,…,60。
第四步:代入公式(1),循环计算60组PCA消噪数据的DOI,得到DOI序列ρ1,...,ρ60。
第五步:检测和调整DOI曲线。当ρi>ρi-1,i=2,...,60时,令ρi=ρi-1。
第六步:代入公式(2),计算SORTE序列SORTE(p),p=1,...,58。
第七步:代入公式(3),计算模型阶数P。SORTE(1),…,SORTE(57)最小值对应的p=38,故模型阶数P=38。
第八步:输出模型阶数估计结果P=38。
Claims (2)
1.一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法,首先对复数fMRI数据进行连续主成分数的PCA消噪,然后计算消噪数据的非环形度量DOI,得到DOI曲线并进行必要的调整,最后采用SORTE准则检测DOI曲线的拐点,该拐点对应的PCA成分数即为模型阶数;具体实现步骤如下:
第一步:输入复数fMRI数据X∈CJ×V;J表示时间维的全脑扫描次数,V表示空间维的脑内体素数目;
第二步:设置PCA主成分个数M=1,…,N,N<J;
第三步:进行PCA消噪,得到N组主成分数连续的消噪数据;设U=[u1,...,uM]∈CJ×M包含X协方差矩阵特征分解前M个最大特征值对应的特征矢量,Y=UHX∈CM×V为PCA消噪数据,含有M个主成分;
第四步:计算N组PCA消噪数据的DOI;设置循环M=1,…,N,分别计算各组消噪矩阵Y的DOI如下:
式中,det表示求行列式值,RYY=E(YYH),E表示数学期望,上标H表示共轭转置,上标T表示转置,上标*表示共轭,上标-表示求逆;得到N组PCA消噪数据的DOI序列ρ1,...,ρN;
第五步:检测和调整DOI曲线;从前至后逐点检测DOI值,当ρi>ρi-1,i=2,...,N时,令ρi=ρi-1;
第六步:计算SORTE序列:
其中,i=1,...,(N-1)为调整后DOI曲线的差值序列,p=1,...,(N-2),
第七步:计算模型阶数;根据SORTE准则,计算模型阶数P如下:
第八步:输出模型阶数估计结果P。
2.根据权利要求1所述的一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法,最大主成分数N取为幅值fMRI数据所估计模型阶数的三倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610218145.8A CN105912851B (zh) | 2016-04-07 | 2016-04-07 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610218145.8A CN105912851B (zh) | 2016-04-07 | 2016-04-07 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105912851A true CN105912851A (zh) | 2016-08-31 |
CN105912851B CN105912851B (zh) | 2019-04-16 |
Family
ID=56744895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610218145.8A Active CN105912851B (zh) | 2016-04-07 | 2016-04-07 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105912851B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875366A (zh) * | 2017-03-01 | 2017-06-20 | 大连理工大学 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
CN109903354A (zh) * | 2019-02-20 | 2019-06-18 | 南方医科大学 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
CN113792254A (zh) * | 2021-08-17 | 2021-12-14 | 大连理工大学 | 一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070120566A1 (en) * | 2005-11-28 | 2007-05-31 | Kabushiki Kaisha Toshiba | Data processing system, data processing method, diagnostic imaging apparatus, and magnetic resonance imaging apparatus |
CN103961103A (zh) * | 2014-05-07 | 2014-08-06 | 大连理工大学 | 一种对复数fMRI数据的ICA估计成分进行相位校正的方法 |
CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
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 |
-
2016
- 2016-04-07 CN CN201610218145.8A patent/CN105912851B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070120566A1 (en) * | 2005-11-28 | 2007-05-31 | Kabushiki Kaisha Toshiba | Data processing system, data processing method, diagnostic imaging apparatus, and magnetic resonance imaging apparatus |
CN103961103A (zh) * | 2014-05-07 | 2014-08-06 | 大连理工大学 | 一种对复数fMRI数据的ICA估计成分进行相位校正的方法 |
CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
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 (3)
Title |
---|
FENGYU CONG ET AL ;: "《FAST AND EFFECTIVE MODEL ORDER SELECTION METHOD TO DETERMINE THE NUMBER OF SOURCES IN A LINEAR TRANSFORMATION MODEL》", 《20TH EUROPEAN SIGNAL PROCESSING CONFERENCE》 * |
PROFESSOR TAE-UNG BAIK: "《Statistical Signal Processing of Complex-Valued Data: The Theory of Improper and Noncircular Signals》", 《STATISTICAL SIGNAL PROCESSING OF COMPLEX-VALUED DATA: THE THEORY OF IMPROPER AND NONCIRCULAR SIGNALS》 * |
李镜 等;: "《一种应用幅值信息的一单元定点复数ICA-R算法》", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875366A (zh) * | 2017-03-01 | 2017-06-20 | 大连理工大学 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
CN106875366B (zh) * | 2017-03-01 | 2019-06-21 | 大连理工大学 | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 |
CN109903354A (zh) * | 2019-02-20 | 2019-06-18 | 南方医科大学 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
CN113792254A (zh) * | 2021-08-17 | 2021-12-14 | 大连理工大学 | 一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法 |
CN113792254B (zh) * | 2021-08-17 | 2024-05-28 | 大连理工大学 | 一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105912851B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang | Morphologically constrained ICA for extracting weak temporally correlated signals | |
Wang et al. | Blind source extraction of acoustic emission signals for rail cracks based on ensemble empirical mode decomposition and constrained independent component analysis | |
US7706478B2 (en) | Method and apparatus of source separation | |
Boots et al. | Two-manifold problems with applications to nonlinear system identification | |
CN102945670B (zh) | 一种用于语音识别系统的多环境特征补偿方法 | |
CN102217934A (zh) | 磁共振成像方法及系统 | |
CN105912851B (zh) | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 | |
Pfister et al. | Robustifying independent component analysis by adjusting for group-wise stationary noise | |
CN104734724B (zh) | 基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法 | |
CN103152298A (zh) | 一种基于分布式压缩感知系统的盲信号重构方法 | |
Qadar et al. | Two dimensional CCA via penalized matrix decomposition for structure preserved fMRI data analysis | |
Cao et al. | Semi-coupled dictionary learning for deformation prediction | |
CN105760700B (zh) | 一种适于多被试复数fMRI数据分析的自适应定点IVA算法 | |
Shi et al. | A fixed-point algorithm for blind source separation with nonlinear autocorrelation | |
Püspöki et al. | Detection of symmetric junctions in biological images using 2-D steerable wavelet transforms | |
Zou et al. | Underdetermined joint blind source separation based on tensor decomposition | |
CN106875366B (zh) | 对静息态复数fMRI数据进行ICA后处理消噪的相位精确范围检测方法 | |
CN105513058A (zh) | 一种脑激活区检测方法和装置 | |
CN105241813A (zh) | 压缩采样光声显微成像方法及装置 | |
CN115659144A (zh) | 基于fMRI多频段分析的亚健康人员分类方法、系统及设备 | |
CN104111431A (zh) | 动态磁共振成像中的重建方法和装置 | |
Ahmad et al. | A review of independent component analysis (ica) based on kurtosis contrast function | |
CN110335682B (zh) | 一种实部虚部联合的复数fMRI数据稀疏表示方法 | |
Xie et al. | Compressed sensing MRI with total variation and frame balanced regularization | |
Liu et al. | Blind source separation using higher order statistics in kernel space |
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 |