[发明专利]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

权利要求书

1.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，其特征在于：采用基于张量模型的稀疏非负张量分解（SNTF）的特征降维和支持向量机(SVM)的分类判定，包括如下步骤： 

1)输入样本集，对fMRI认知数据进行预处理,并把样本集按照扫描时间序列以及行为实验类别重新组合，并分为训练集和测试集两部分，每部分都包含一定比例的认知数据； 

2)计算训练样本集的特征分解，求出特征向量以及特征变换矩阵，将样本投射到特征子空间，得到特征张量之后直接矢量化，得到训练集的特征向量集； 

3)将上述SNTF降维后的特征向量集作为SVM的输入，提取支持向量，构建最优分类器； 

4)特征分类，利用构建好的分类器对测试样本进行分类判别。 

2.根据权利要求1所述的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，其特征在于：所述的步骤1）中，对fMRI认知数据的预处理步骤如下： 

a)利用SPM软件对fMRI认知数据进行预处理，包括时间校正、空间校正、配准图像、分割、图像标准化、平滑处理步骤； 

b)将预处理后的图像数据按照扫描时间序列以及行为实验类别进行重新组合，并将其与统计模版进行匹配，构成样本数据集； 

c)将样本集按照扫描时间序列以及行为实验类别重新组合，并分为训练集和测试集两部分，每部分都包含一定比例的认知数据。 

3.根据权利要求1所述的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，其特征在于：所述的步骤2）中，计算特征张 量及特征变换矩阵的步骤如下： 

a)选取训练样本，构建张量空间：对于选取的训练样本，定义M个样本组成的集合为{χ₁,χ₂,…,χ_M}，每个样本对应的张量空间为其中I_n(1≤n≤N)是张量的n-mode（模式）维度；寻找多维稀疏变换矩阵集U⁽ⁿ⁾代表n-mode（模式）方向上的非负特征投射矩阵； 

b）初始化：对非负特征投射矩阵集进行随机初始化，满足非负要求； 

c）求解特征变换矩阵：在迭代优化的过程中，对 作进一步优化，保证优化的 始终是稀疏的、非负的； 

d)计算训练样本的特征张量集：训练样本χ_m(m=1,…,M)向稀疏非负张量投影算子分解（SNTF）之后的非负特征张量子空间上投影，得到训练样本的特征张量集为 

e)将特征张量G进行矢量化处理，得到训练集的特征向量集。 

4.根据权利要求1所述的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，其特征在于：所述的步骤3）中，利用SVM构建最优超平面分类器的步骤如下： 

a)对训练集中的各个样本的特征向量分类标记，根据所属的类别分别标记为C₁,C₂,C₃,…； 

b)对已经标记好的特征向量进行SVM训练，得到多个最优超平面分类器，即以标记好的特征向量集作为支持向量机的输入，求取最优SVM投射方向W及偏移常量b。 

5.根据权利要求1所述的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，其特征在于：所述的步骤4)中，利用训练得到的最优分类器对测试样本分类的步骤如下： 

a)将测试样本分别输入到多个最优分类器中，得到相应的分类结果，累计计算各类的得分； 

b)统计步骤a)中所得的分类结果，选择得分最高的类作为测试数据的类别，从而获得各个样本的分类。