CN110916661B - 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 - Google Patents

一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 Download PDF

Info

Publication number
CN110916661B
CN110916661B CN201911144811.8A CN201911144811A CN110916661B CN 110916661 B CN110916661 B CN 110916661B CN 201911144811 A CN201911144811 A CN 201911144811A CN 110916661 B CN110916661 B CN 110916661B
Authority
CN
China
Prior art keywords
fmri
cnn
data
ica
filtering
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.)
Active
Application number
CN201911144811.8A
Other languages
English (en)
Other versions
CN110916661A (zh
Inventor
林秋华
牛妍炜
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.)
Dalian University of Technology
Original Assignee
Dalian University of 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201911144811.8A priority Critical patent/CN110916661B/zh
Publication of CN110916661A publication Critical patent/CN110916661A/zh
Application granted granted Critical
Publication of CN110916661B publication Critical patent/CN110916661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/0033—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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Abstract

一种ICA‑CNN分类的fMRI脑内数据时间预滤波增广方法，属于生物医学信号处理领域。首先对fMRI脑内数据施加时间滤波，增广生成新的fMRI数据集；然后送入ICA‑CNN框架，实现对病人与健康人分类性能的改进。采用本发明对82被试的静息态fMRI数据进行病人和健康人的分类，采用三种具有不同通频带的理想带通滤波器对fMRI脑内数据进行时间滤波，生成三组fMRI数据集，然后送入ICA‑CNN框架分类。相比已有的多模型阶数数据增广方法，本发明能将分类准确率提高8.24％；若将二者结合，能将分类准确率提高21.06％。因此本发明既能独立提升网络分类性能，也容易与其他增广方法结合，显著提高分类准确率。

Description

一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法
技术领域
本发明属于生物医学信号处理领域，特别是涉及一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法。
背景技术
卷积神经网络(convolutional neural networks，CNN)具有局部感知、权值共享等优点，不但在识别、检测、分类等任务中表现突出，在智慧医疗方面也大有作为。静息态fMRI(resting-state fMRI，rs-fMRI)数据有着非侵入性、空间分辨率高、易于在病人被试上采集等优势，常用于神经障碍类疾病如精神分裂症的分析和诊断。因此，以rs-fMRI数据作为训练数据的CNN将在健康人与病人的分类任务中体现独特优势。
鉴于病人fMRI难于采集、数据量不大的问题，林秋华等人提出了一种病人与健康人复数fMRI数据的ICA-CNN分类框架(专利申请号201910350137.2)。在该框架中，首先采用独立成分分析(independent component analysis,ICA)分离得到感兴趣空间成分的二维切片，然后将二维切片送入二维CNN提取特征并分类。与直接利用观测数据或使用三维CNN分类的方法相比，该框架减轻了对fMRI数据量的需求，在fMRI数据量有限的情况下，取得了较好的分类性能。
实际上，在fMRI数据量一定的情况下，数据增广能起到进一步增大数据量并提高ICA-CNN分类效果的作用。在图像分类领域，广泛采用的数据增广方法有旋转、翻转、添加噪声、缩放、纹理色彩变换等。然而，这些方法不适于空间结构不能任意变化的rs-fMRI分析。专利申请号201910350137.2仅提供了一种多模型阶数的数据增广方法，探索适于ICA-CNN分类框架下fMRI数据增广的其他方法，具有重要的实际价值。
发明内容
本发明提供了一种适于ICA-CNN分类框架的fMRI脑内数据增广方法，能有效地扩充fMRI样本量，进一步提升ICA-CNN网络的分类性能。具体方案是，对fMRI脑内数据施加时间滤波，增广生成新的fMRI数据集，然后送入ICA-CNN框架，实现对病人与健康人分类性能的改进，如图1所示。具体实现步骤如下：
第一步：输入被试k的四维fMRI观测幅值数据
Figure BDA0002281882020000021
K是被试总数，T是扫描时间点数，X、Y、Z是大脑空间的三个维度。
第二步：将X(k)，k＝1,…,K，的空间维展为一维，即空间维大小等于X×Y×Z，然后去除脑外体素，只取脑内体素，得到
Figure BDA0002281882020000022
V为脑内体素数，V<X×Y×Z。
第三步：将每个被试的fMRI脑内数据
Figure BDA0002281882020000023
沿着空间维分解成一系列一维时间序列x(k)(t,1),…,x(k)(t,v),…,x(k)(t,V)，其中x(k)(t,v)为体素v处的时间序列，k＝1,…,K，t＝1,…,T，v＝1,…,V。
第四步：时间滤波。将被试k在体素v处的时间序列，x(k)(t,v)，k＝1,…,K，进行一维离散傅里叶变换，得到
Figure BDA00022818820200000212
按照通频带fl～fh生成一个理想带通滤波器
Figure BDA0002281882020000024
如下式所示：
Figure BDA0002281882020000025
式中C为常数增益，fl为下限截止频率，fh为上限截止频率。将
Figure BDA00022818820200000214
与
Figure BDA0002281882020000026
在频域相乘实现时间滤波，如下式所示：
Figure BDA0002281882020000027
其中，
Figure BDA0002281882020000028
为
Figure BDA00022818820200000213
的滤波结果。将
Figure BDA0002281882020000029
进行一维离散傅里叶逆变换，得到x(k)(t,v)经
Figure BDA00022818820200000210
滤波后的时间序列，记做
Figure BDA00022818820200000211
利用F个具有不同通频带的带通滤波器，对所有被试fMRI脑内数据的时间序列进行滤波，可将每个被试的数据集由原来的一组增广至F组。对于被试k，将F组增广数据记做
Figure BDA0002281882020000031
如图2所示。
第五步：利用主成分分析PCA(Principal Component Analysis)对
Figure BDA0002281882020000032
Figure BDA0002281882020000033
进行降维，得到
Figure BDA0002281882020000034
N为模型阶数，N≤T。
第六步：ICA分离与感兴趣成分提取。采用Infomax算法对
Figure BDA0002281882020000035
Figure BDA0002281882020000036
进行ICA分离；基于与空间成分模板相关系数最大的原则，从N个ICA分离成分中选择感兴趣成分的空间激活图
Figure BDA0002281882020000037
空间成分模板选自文献(S.M.Smith,P.T.Fox et al.,“Correspondence of the brain's functional architecture duringactivation and rest,”Proceedings of the National Academy of Sciences of theUnited States of America,vol.106,no.31,pp.13040-13045,2009)给出的分析结果。
第七步：对
Figure BDA0002281882020000038
进行脑外体素补零，恢复为三维空间激活图，即
Figure BDA0002281882020000039
第八步：将
Figure BDA00022818820200000310
沿z轴展开为Z个大小为X×Y的二维切片堆叠，记为
Figure BDA00022818820200000311
按照感兴趣成分的有效激活位置，选取W个激活信息量大的切片，W≤Z,记为L,…,L+W-1。
第九步：将W个二维切片
Figure BDA00022818820200000312
的体素值归一化至[0,1]，记为
Figure BDA00022818820200000313
然后给每个切片附上对应标签
Figure BDA00022818820200000314
Figure BDA00022818820200000315
Figure BDA00022818820200000316
表示健康人，
Figure BDA00022818820200000317
表示精神分裂症患者，建立增广后的CNN样本集
Figure BDA00022818820200000318
每个被试的样本集由原来的W扩大为W×F，即增广为原来的F倍。全部K个被试的样本集增广为K×W×F。
第十步：将被试顺序打乱，将样本集按比例分成训练集、验证集、测试集；比如：取60％的样本集作为训练集，20％作为验证集，20％作为测试集。
第十一步：将训练集送入CNN网络进行训练。本发明使用的CNN网络结构与专利申请号201910350137.2一致，如图3所示，包括2个卷积层，2个最大池化层，1个全连接层以及输出层。其中，卷积层核的尺寸为3×3，个数分别为8和16；池化层核的尺寸为2×2，个数分别为8和16；全连接层共64个节点，采用修正线性单元(rectified linear unit,ReLU)作为激活函数，输出层使用Softmax给出每个切片所属类别。批处理的大小为64，采用Adam算法进行参数更新，使用二分类交叉熵函数作为网络的损失函数，同时使用L2正则化控制权重，训练CNN模型共R轮。在每一轮，使用验证集计算准确率ACC；保存R轮中验证准确率最高的CNN模型，作为训练得到的CNN模型。令CNN验证结果为
Figure BDA0002281882020000041
准确率ACC定义如下：
Figure BDA0002281882020000042
式中TP表示真阳性，即
Figure BDA0002281882020000043
TN表示真阴性，即
Figure BDA0002281882020000044
FP表示假阳性，即
Figure BDA0002281882020000045
FN表示假阴性，即
Figure BDA0002281882020000046
第十二步：将测试集输入第十一步训练得到的CNN模型，得到测试准确率ACC。
第十三步：采取5折交叉验证，即重复第十步到第十二步5次，得到5次测试准确率ACC，计算其平均结果，记为CNN的最终分类准确率。
本发明的有益效果：本发明聚焦计算机辅助诊断领域中的分类问题，提供了一种针对fMRI数据特性并适于ICA-CNN分类框架的数据增广方法，用于训练CNN网络并改善分类结果。例如，采用本发明对82个被试的rs-fMRI数据进行精神分裂症患者和健康人分类，采用三个通频带分别为10～30mHz、30～70mHz、10～100mHz的理想带通滤波器，对所有被试的fMRI脑内数据进行时间滤波，生成三组fMRI数据集，采用Infomax进行ICA分离，然后选择默认模式网络(default mode network，DMN)建立样本集，最后送入CNN进行训练并测试。相比于专利201910350137.2提出的多模型阶数数据增广方法，本发明能够在样本数相同的情况下将分类准确率提高8.24％。如果将本专利方法与多模型阶数增广方法进行结合，为每一种时间滤波后得到的fMRI数据设定N＝20、60、100三种模型阶数，分别提取空间成分，建立样本集，然后全部送入ICA-CNN网络进行分类。相比于只利用多模型阶数增广方法而言，结合方法能够将分类准确率提高21.06％。由此可见，本发明不但能独立提升网络分类性能，而且容易与其他增广方法进行结合，显著提高分类准确率。
附图说明
图1为本发明在ICA-CNN分类框架中的位置与使用步骤。
图2为本发明对fMRI脑内数据进行时间滤波增广的示意图。
图3为本发明使用的CNN网络架构。
具体实施方式
下面结合技术方案详细叙述本发明的一个实施例。现有82个被试的rs-fMRI幅值数据，包括42名精神分裂症患者和40名健康人。每个被试含有T＝146次扫描，每幅扫描图共有X×Y×Z＝53×63×46＝153594体素的全脑数据，其中脑内体素V＝62336，体素大小为3×3×3mm3。
第一步：输入全部82个被试的四维fMRI观测幅值数据
Figure BDA0002281882020000051
Figure BDA0002281882020000052
第二步：将X(k)，k＝1,…,82，的空间维展为一维，即空间维大小等于53×63×46＝53×63×46＝153594，然后去除脑外体素，只取脑内体素，得到
Figure BDA0002281882020000053
第三步：将每个被试的fMRI脑内数据
Figure BDA0002281882020000054
沿着空间维分解成一系列一维时间序列x(k)(t,1),…,x(k)(t,v),…,x(k)(t,62336)，其中x(k)(t,v)为体素v处的时间序列，k＝1,…,82，t＝1,…,146，v＝1,…,62336。
第四步：时间滤波。将被试k在体素v处的时间序列，x(k)(t,v)，k＝1,…,82，进行一维离散傅里叶变换，得到
Figure BDA00022818820200000619
按照式(1)的定义，生成F＝3个理想带通滤波器，令C＝1，3组通频带fl～fh取10～30mHz、30～70mHz、10～100mHz。将
Figure BDA00022818820200000620
分别与3个理想带通滤波器在频域相乘实现时间滤波，如式(2)所示,得到
Figure BDA0002281882020000061
然后对
Figure BDA0002281882020000062
进行一维离散傅里叶逆变换，得到
Figure BDA0002281882020000063
对于被试k，将其全部时间序列进行滤波后，得到3组增广数据，记做
Figure BDA0002281882020000064
第五步：利用PCA对
Figure BDA0002281882020000065
进行降维，选取模型阶数N＝50，得到
Figure BDA0002281882020000066
第六步：ICA分离与感兴趣成分提取。采用Infomax算法对
Figure BDA0002281882020000067
Figure BDA0002281882020000068
进行ICA分离；基于与文献(S.M.Smith,P.T.Fox et al.,“Correspondence of the brain's functional architecture during activation andrest,”Proceedings of the National Academy of Sciences of the United States ofAmerica,vol.106,no.31,pp.13040-13045,2009)给出的DMN成分模板相关系数最大的原则，从50个ICA分离成分中选择DMN成分的空间激活图
Figure BDA0002281882020000069
第七步：对
Figure BDA00022818820200000610
进行脑外体素补零，恢复为三维空间激活图，即
Figure BDA00022818820200000611
第八步：将
Figure BDA00022818820200000612
沿z轴展开为46个大小为53×63的二维切片堆叠，记为
Figure BDA00022818820200000613
按照感兴趣成分的有效激活位置，选取W＝25个激活信息量大的切片，具体为L＝12,z＝12,…,36。
第九步：将25个二维切片
Figure BDA00022818820200000614
的体素值归一化至[0,1]，记为
Figure BDA00022818820200000615
然后给每个切片附上对应标签
Figure BDA00022818820200000616
Figure BDA00022818820200000617
表示健康人，
Figure BDA00022818820200000618
表示精神分裂症患者，建立增广后的CNN样本集
Figure BDA0002281882020000071
每个被试的样本数目由原来的W＝25扩大为W×F＝25×3＝75，即增广为原来的3倍。全部82个被试的样本数目增广为K×W×F＝82×25×3＝6150。
第十步：将被试顺序打乱，取60％的样本集作为训练集，20％作为验证集，20％作为测试集。
第十一步：将训练集送入CNN网络进行训练，共训练CNN模型R＝50轮。在每一轮，使用验证集按式(3)计算准确率ACC；保存50轮中验证准确率最高的CNN模型。
第十二步：将测试集输入第十一步训练得到的CNN模型，按式(3)计算得到测试准确率ACC。
第十三步：采取5折交叉验证，即重复第十步到第十二步5次，得到5次测试准确率ACC，计算其平均结果，得到最终分类准确率为0.7770。

Claims (3)

1.一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法，通过对fMRI脑内数据施加时间滤波，增广生成新的fMRI数据集，然后送入ICA-CNN框架，实现对精神分裂症患者与健康人分类性能的改进，其特征在于，以下步骤：
第一步：输入被试k的四维fMRI观测幅值数据
Figure FDA0002980131900000011
K是被试总数，T是扫描时间点数，X、Y、Z是大脑空间的三个维度；
第二步：将X(k)，k＝1,…,K，的空间维展为一维，即空间维大小等于X×Y×Z，然后去除脑外体素，只取脑内体素，得到
Figure FDA0002980131900000012
V为脑内体素数，V<X×Y×Z；
第三步：将每个被试的fMRI脑内数据
Figure FDA0002980131900000013
沿着空间维分解成一系列一维时间序列x(k)(t,1),…,x(k)(t,v),…,x(k)(t,V)，其中x(k)(t,v)为体素v处的时间序列，k＝1,…,K，t＝1,…,T，v＝1,…,V；
第四步：时间滤波，将被试k在体素v处的时间序列，x(k)(t,v)，k＝1,…,K，进行一维离散傅里叶变换，得到
Figure FDA0002980131900000014
按照通频带fl～fh生成一个理想带通滤波器
Figure FDA0002980131900000015
如下式所示：
Figure FDA0002980131900000016
式中C为常数增益，fl为下限截止频率，fh为上限截止频率，将
Figure FDA0002980131900000017
与
Figure FDA0002980131900000018
在频域相乘实现时间滤波，如下式所示：
Figure FDA0002980131900000019
其中，
Figure FDA00029801319000000110
为
Figure FDA00029801319000000111
的滤波结果，将
Figure FDA00029801319000000112
进行一维离散傅里叶逆变换，得到x(k)(t,v)经
Figure FDA00029801319000000113
滤波后的时间序列，记做
Figure FDA00029801319000000114
Figure FDA00029801319000000115
利用F个具有不同通频带的带通滤波器，对所有被试fMRI脑内数据的时间序列进行滤波，能将每个被试的数据集由原来的一组增广至F组，对于被试k，将F组增广数据记做
Figure FDA0002980131900000021
第五步：利用主成分分析PCA对
Figure FDA0002980131900000022
进行降维，得到
Figure FDA0002980131900000023
N为模型阶数，N≤T；
第六步：ICA分离与感兴趣成分提取，采用Infomax算法对
Figure FDA0002980131900000024
k＝1,…,K，i＝1,…,F，进行ICA分离，基于与空间成分模板相关系数最大的原则，从N个ICA分离成分中选择感兴趣成分的空间激活图
Figure FDA0002980131900000025
第七步：对
Figure FDA0002980131900000026
进行脑外体素补零，恢复为三维空间激活图，即
Figure FDA0002980131900000027
第八步：将
Figure FDA0002980131900000028
沿z轴展开为Z个大小为X×Y的二维切片堆叠，记为
Figure FDA0002980131900000029
按照感兴趣成分的有效激活位置，选取W个激活信息量大的切片，W≤Z,记为L,…,L+W-1；
第九步：将W个二维切片
Figure FDA00029801319000000210
的体素值归一化至[0,1]，记为
Figure FDA00029801319000000211
然后给每个切片附上对应标签
Figure FDA00029801319000000212
Figure FDA00029801319000000213
表示健康人，
Figure FDA00029801319000000214
表示精神分裂症患者，建立增广后的CNN样本集
Figure FDA00029801319000000215
每个被试的样本集由原来的W扩大为W×F，即增广为原来的F倍，全部K个被试的样本集增广为K×W×F；
第十步：将被试顺序打乱，将样本集按比例分成训练集、验证集、测试集；
第十一步：将训练集送入CNN网络进行训练，所述的CNN网络包括2个卷积层，2个最大池化层，1个全连接层以及输出层，其中，卷积层核的尺寸为3×3，个数分别为8和16，池化层核的尺寸为2×2，个数分别为8和16，全连接层共64个节点，采用修正线性单元ReLU作为激活函数，输出层使用Softmax给出每个切片所属类别，批处理的大小为64，采用Adam算法进行参数更新，使用二分类交叉熵函数作为网络的损失函数，同时使用L2正则化控制权重，训练CNN模型共R轮，在每一轮，使用验证集计算准确率ACC，保存R轮中验证准确率最高的CNN模型，作为训练得到的CNN模型，令CNN验证结果为
Figure FDA0002980131900000031
准确率ACC定义如下：
Figure FDA0002980131900000032
式中TP表示真阳性，即
Figure FDA0002980131900000033
TN表示真阴性，即
Figure FDA0002980131900000034
FP表示假阳性，即
Figure FDA0002980131900000035
FN表示假阴性，即
Figure FDA0002980131900000036
第十二步：将测试集输入第十一步训练得到的CNN模型，得到测试准确率ACC；
第十三步：采取5折交叉验证，即重复第十步到第十二步5次，得到5次测试准确率ACC，计算其平均结果，记为CNN的最终分类准确率。
2.根据权利要求1所述的一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法，其特征在于，通频带取10～30mHz或30～70mHz。
3.根据权利要求1或2所述的一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法，其特征在于，所述第十步中，将样本集60％作为训练集，20％作为验证集，20％作为测试集。
CN201911144811.8A 2019-11-21 2019-11-21 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 Active CN110916661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911144811.8A CN110916661B (zh) 2019-11-21 2019-11-21 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911144811.8A CN110916661B (zh) 2019-11-21 2019-11-21 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法

Publications (2)

Publication Number Publication Date
CN110916661A CN110916661A (zh) 2020-03-27
CN110916661B true CN110916661B (zh) 2021-06-08

Family

ID=69850532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911144811.8A Active CN110916661B (zh) 2019-11-21 2019-11-21 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法

Country Status (1)

Country Link
CN (1) CN110916661B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10115194B2 (en) * 2015-04-06 2018-10-30 IDx, LLC Systems and methods for feature detection in retinal images
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks
CN109376751B (zh) * 2018-08-21 2022-03-22 北京工业大学 一种基于卷积神经网络的人脑功能网络分类方法
CN109222972B (zh) * 2018-09-11 2020-09-22 华南理工大学 一种基于深度学习的fMRI全脑数据分类方法
CN110110776B (zh) * 2019-04-28 2021-11-05 大连理工大学 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法

Also Published As

Publication number Publication date
CN110916661A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110110776B (zh) 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法
CN109522894A (zh) 一种探测fMRI脑网络动态协变的方法
CN111544017A (zh) 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质
CN112002428B (zh) 以独立成分网络为参照的全脑个体化脑功能图谱构建方法
CN107909109A (zh) 基于显著性和多尺度深度网络模型的sar图像分类方法
CN111832431A (zh) 一种基于cnn的情绪脑电分类方法
Kanimozhi et al. Brain MR image segmentation using self organizing map
CN115919330A (zh) 基于多层次se注意力和图卷积的eeg情绪状态分类方法
CN113317803B (zh) 一种基于图论和机器学习的神经症特征提取方法
CN111046918B (zh) 一种ICA-CNN分类的fMRI数据空间预平滑增广方法
CN110870770B (zh) 一种ICA-CNN分类的fMRI空间激活图平滑增广方法
CN110916661B (zh) 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法
Ghasemzadeh et al. Hyperspectral face recognition using 3D discrete wavelet transform
Muralidharan et al. Diffeomorphic shape trajectories for improved longitudinal segmentation and statistics
CN116421200A (zh) 一种基于并行训练的多任务混合模型的脑电情感分析方法
CN113963349B (zh) 一种提取个体空时特征矢量与被试细分类的方法
CN114187475A (zh) 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法
CN113255789B (zh) 基于对抗网络和多被试脑电信号的视频质量评价方法
DE102017208560A1 (de) Funktionelle Magnetresonanz-Bildgebung
Vinutha et al. A convolution neural network based classifier for diagnosis of Alzheimer’s disease
Haweel et al. Early autism analysis and diagnosis system using task-based fMRI in a response to speech task
CN114176518B (zh) 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法
CN115715677B (zh) 情绪识别模型的训练方法、训练装置、设备及存储介质
CN109948529B (zh) 一种fMRI数据空间源相位从实数域到复数域的映射方法
Prasad et al. AI based segmentation technique to identify abnormality in MRI images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant