[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

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别领域，涉及与任务相关的功能核磁成像（functional magnetic resonance images，即fMRI）的预处理、稀疏非负张量分解（sparse nonnegative tensor factorization，即SNTF）的特征提取和支持向量机（support vector machine，即SVM）的判别分类，具体涉及一种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，可用于生物特征提取、维度约减、模式识别等领域。

背景技术

近年来，随着脑功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)技术的发展，人们进行脑研究的能力大大增强，与此同时也产生了大量的数据，而仅仅利用计算机对实验数据进行简单的存储、查询和计算，根本无法挖掘出数据背后隐藏的大量信息，更不能满足研究的需求。因此，必须利用数据挖掘的方法，合理组织脑功能成像数据，把目前散乱的研究数据和结果加以有序化，整合心理学、语言学、脑科学等不同层次的研究数据，运用先进的信息学工具和方法帮助研究人员对实验数据进行分析、处理、整合和建模，从而发现新的规律，揭示脑高级认知活动的深层机制。

目前fMRI已被广泛的用来研究脑在执行某项认知功能时的激活，而已有的研究工作大多是比较不同任务的脑图或任务脑图与静息脑图之间的差异。但fMRI所采集的数据是一类维度高、数据量大，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。目前对fMRI数据分析的技术有多种，其中比较流行的有相关分析、方差分析、独立成分分析等。

相关分析是利用实验任务的先验知识来确定激活区和它们的强度，该方法的不足之处在于如果实验的fMRI信号变化的模型是未知的或不是常量时，例如，受试者是脑疾病患者或者正在进行复杂的学习任务，这种技术就不能探测出激活区。

方差分析需要数据满足4个假设：(1)随机变量的分布是已知的；(2)每次实验都有相同的方差和协方差；(3)不同因子的时间序列可预先被可靠地估计；(4)不同像素的信号是独立的，然而fMRI数据并不能保证满足所有的假设。

独立成分分析(Independent Component Analysis，即ICA)是一种采用高阶统计量的盲源分析方法(Blind Source Separation，即BSS)，目的在于从未知源信号的观测混合信号中分离(或抽取)相互统计独立的源信号。但该方法有一定的局限性：

(1)在单任务刺激中，ICA方法可以成功地分离出与任务相关的分量，主要是因为该任务与其它的心理活动所激活的脑区之间是空间独立的。但是，在多任务的情况下，我们不能假定不同任务所激活的脑区是空间独立的，因此，利用ICA方法进行功能定位必然受到局限。

(2)ICA方法分解的独立成分往往会有负成分的存在，即它不一定保证分解的成分是非负的。从计算的角度来看，分解的结果中可以存在负值，但负值元素在实际问题中往往缺失物理意义。

目前常用的分析方法的共同点是允许分解后的结果中出现负值，但就应用角度看负值是没有实际意义的，采用非负矩阵分解通过添加“矩阵中所有元素均为非负数”的限制条件,可以保证分解结果的可解释性,同时,它还具有实现简便和占用存储空间小的优点,从而更加贴近应用领域的特点，此外上述数据分析方法很少从机器学习的层面上进行大脑认知判定。文献“Padilla P，López M，Górriz J M，et al.NMF-SVM Based CAD Tool Applied to Functional Brain Images for the Diagnosis of Alzheimer's Disease[J].Medical Imaging，IEEE Transactions on，2012，31(2):207-216.”利用NMF（非负矩阵）对fMRI数据进行特征提取，同时结合支持向量机的特点获取了对痴呆病人的诊断。在进行特征提取时，它先将fMRI数据矢量化处理，然后利用非负矩阵进行特征分解。非负矩阵是盲源分析方法的一种，即它不需要人为设定参数或是根据任何经验模型对计算进行干预，最后的结果只与数据相关，同时它也克服了矩阵分解中负成分存在的局限性。正是由于具有非负性和稀疏性等特点，使得它对于特征提取和数据降维都具有很好的效果。在模式识别领域，它已成功运用到了人脸图像的识别当中。