[发明专利]一种基于多线性主元分析的大脑认知状态判定方法

说明书

技术领域

本发明属于生物特征提取以及大脑认知状态判定分类领域，涉及脑血氧水平的功能核磁成像的预处理、多线性主成分的提取和线性判别分类，是基于多线性主元分析的特征提取算法和线性判别分类算法。

背景技术

认知神经科学是在认知科学和神经科学的基础上发展起来的一门学科，其核心分支学科是认知心理学和人工智能。其中，认知心理学结合信息加工理论解释人的认知过程，并采用科学的方法对人的感知觉、注意、记忆、语言等认知过程展开实验研究。与此同时，人工智能的发展引发了学界对人脑认知过程更多的关注与研究，一些新的理论成果相继出现，大大丰富了认知科学的内涵。认知神经科学旨在从分子水平、细胞水平对大脑内与学习和记忆相关的一系列神经活动进行研究。

当前，基于血氧水平依赖（Blood-oxygen-level dependent，简称BOLD）的fMRI（functional magnetic resonance images，即功能磁共振成像技术）已经成为认知神经科学中研究大脑功能使用最为广泛的研究手段。fMRI所采集的实验数据是一类维数高、数据量巨大、噪声非常强、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。

现有的fMRI数据分析方法主要有两类：模型驱动的参数方法和数据驱动的非参数方法。模型驱动的参数方法中的模型假设需要对脑的结构、功能和处理机制有比较深刻的认识，但这些认识本身就是脑功能研究的目标。所以，模型驱动的参数方法只是一种对假设模型的验证方法，而模型中关于生理、神经、功能等机理的假设还有待进一步研究、验证和解释。数据驱动的非参数方法主要是直接选用统计学、机器学习等学科中已有的多元统计方法对fMRI数据进行处理，只是非常有限地利用了fMRI和脑认知领域的知识。因此，非参数方法的处理结果往往不是很理想，并且合理、准确地解释这些结果也比较困难。鉴于上述情况，脑fMRI研究迫切需要能更有效、更准确地提取实验数据中与认知活动相关的信息数据分析的新方法。在模式识别里的张量对象通常都是指高维的张量空间，直接应用于这种空间的识别算法往往要受到维度的限制，即所谓的维数灾难。为了解决维数灾难，出现了很多降维算法。

主元分析法(Principalcomponentanalysis，简称PCA)是一种经典的用于降维的无监督的线性技术。PCA的核心思想是减少包含大量无关参数的数据集的维度，同时尽可能多的保留出现在原始数据集中的参数，这能够通过转化为一个新的参数集（即主成分）来实现，这些参数是不相关的、有序的，以至于第一个很少能保留原始数据参数的大部分。PCA理想化的应用于张量对象要求它们重新变形为高维的向量（向量化），这明显地造成了计算机内存的消耗。除了这些实施的问题外，很容易理解的就是向量化会重新破坏它的本来结构和原始数据间的相关性，消除了冗余，或者是对原始数据集有了更高的顺序依赖性，并且可能失去了更简洁、更有用的能从原始形式中获得的表现形式。向量化作为PCA的预处理忽略了张量对象本来就是多维的对象。因此，直接作用在张量对象上而不是在它的向量化上的降低维度算法更加可取。

线性判别分析(Linear Discriminant Analysis,LDA)，也叫做Fisher线性判别(Fisher Linear Discriminant,FLD)，是模式识别的又一经典算法，它是在1996年由Belhumeur引入模式识别和人工智能领域的。线性鉴别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。就是说，它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性。

主成分分析（PCA）与线性判别（LDA）有着非常近似的意思，LDA的输入数据是带标签的，而PCA的输入数据是不带标签的，所以PCA是一种无监督的学习方式（unsupervised learning）。LDA通常来说是作为一个独立的算法存在，给定了训练数据后，将会得到一系列的判别函数，之后对于新的输入，就可以进行预测了。而PCA更像是一个预处理的方法，它可以将原本的数据降低维度，而使得降低了维度的数据之间的方差最大。