[发明专利]一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法

说明书

本发明公开了一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法。该方法首先采用滑动时间窗方法构建动态功能连接矩阵，然后运用自适应熵的投影聚类算法(Adaptive Entropy Algorithm for Projective Clustering，AEPC)分别对甲类和乙类试验参与者的动态功能连接矩阵聚类，形成多个聚类中心，随后计算每个试验参与者的功能连接矩阵与每个聚类中心的相似性构成相似性矩阵，最后提取相似性矩阵中的元素作为特征，训练SVM分类器对脑部数据进行分类。本发明不仅提高了数据分类模型的泛化能力，而且可以提取丰富的脑部动态结构信息，并可应用于生物信息技术的研究中自动处理与分类脑部数据。

技术领域

本发明涉及一种脑功能核磁共振成像(functional Magnetic ResonanceImaging，fMRI)的自动处理与分类方法，具体涉及一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，该方法涉及数字图像处理、动态功能连接矩阵、自适应熵的投影聚类算法(Adaptive Entropy Algorithm for Projective Clustering，AEPC)和支持向量机(Support Vector Machine，SVM)等知识领域。

技术背景

近年来，随着科学技术的不断发展，观测大脑活动的设备和仪器不断增多，无创的脑功能活动测量方法极大地促进了脑神经功能学的发展。目前用于研究脑活动的途径主要有：脑磁图(MEG)、脑电图(EEG)、单光子发射断层扫描(SPECT)、电子发射断层扫描(PET)、功能磁共振成像(fMRI)等。其中fMRI因其时空分辨率较高、具有准确定位激活脑区的能力、采用无创非侵入式测量方式，成为目前最常用、最有效的测量手段。

目前静息态fMRI已被广泛应用于生物信息技术、材料科学等领域。然而针对生物组织和生物活体的脑部功能与活动等一些非稳态特征的脑部状态，研究者正逐步从关注传统的稳态功能连接转为关注脑区间的动态功能连接。动态功能连接矩阵揭示了不同时间片段脑区间的活动状况，为处理脑部数据提供了更丰富的脑部信息。

非监督学习方法以自适应的方式对高维无标记数据进行分类，动态功能连接矩阵正是无标记的高维数据集，所以非监督学习方法适用于分析高维的脑部数据。聚类作为一种常用的非监督学习方法，可以简化计算、加快收敛速度。受“维度效应”的影响，传统聚类方法在对高维数据进行聚类时，较之在低维数据的表现，其性能往往大为降低，聚类精度大幅度下降。投影聚类算法为高维数据聚类的主要方法，但传统的投影聚类算法大多要求预设一些重要参数，也未能考虑聚类中心投影子空间的优化问题。

为此，本发明应用了一种改进的优化目标函数，在聚类中心内紧凑度最小化的同时，优化每个聚类中心所在的子空间。这种方法能有效地降低无关或冗余属性对聚类的影响，从而提升算法对高维数据的聚类能力，获得高质量的聚类结果，有利于提取精确的数据特征应用于脑部状态的分类中。

发明内容

1.发明要解决的技术问题

本发明针对fMRI数据特征提取与识别问题，提出一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法，解决了在针对高维的动态功能连接矩阵数据聚类识别时，使用传统聚类方法聚类效果不佳以及受操作者主观因素影响的问题。更为重要的是，本发明解决了传统方法无法选择出最优聚类结果的问题，可有效得出最优聚类中心作为特征。用该方法提取脑部数据特征应用于脑部状态的分类与识别中，避免了对时序性的考虑，物理意义明确，能较好地揭示静息态fMRI数据的内部结构和规律。

2.技术方案

首先利用滑动时间窗方法构建动态功能连接矩阵，然后用AEPC方法对动态功能连接矩阵进行聚类，计算每个试验参与者的功能连接矩阵与每个聚类中心的相似性，最后提取相似性矩阵的元素作为特征，训练SVM分类器进行分类。

本发明具体内容、流程如图1所示，当目标为甲、乙两类(如成人和儿童、醉酒和清醒、悲伤与喜悦、撒谎与未撒谎等)时，实现步骤如下：