[发明专利]一种适于多被试复数fMRI数据分析的自适应定点IVA算法

说明书

一种适于多被试复数fMRI数据分析的自适应定点IVA算法，属于生物医学信号处理领域。采用基于多维广义高斯分布(MGGD)的非线性函数估计复数fMRI数据的源向量成分(SCV)分布；采用最大似然法自适应地估计MGGD的形状参数，与变化SCV分布自动匹配；在SCV主导子空间更新基于MGGD的非线性函数，实现对复数fMRI数据的消噪；在算法更新过程中加入输入数据的伪协方差阵，直接利用复数fMRI数据的非环形特性，进一步提高IVA分析复数fMRI数据的针对性。本发明能够有效分析高噪声水平但脑功能信息最为全面的多被试复数fMRI数据，在被试间差异性大且信噪比低的不利情况下，能为脑功能研究和脑疾病诊断提供更好的依据。

技术领域

本发明涉及生物医学信号处理领域，特别是涉及一种多被试复数功能磁共振成像(functional magnetic resonance imaging，fMRI)数据的分析方法。

背景技术

fMRI是目前脑科学研究不可或缺的强有力工具。通过对fMRI数据的分析，人们能更全面和更深层次地揭示脑功能和脑机理。原始采集到的fMRI数据是复数，包括幅值数据和相位数据。其中，相位数据的噪声比较大，导致复数fMRI数据的噪声比幅值fMRI数据大。为此，人们在大多数fMRI研究中直接丢弃相位fMRI数据，而只进行幅值fMRI数据分析。然而，越来越多的研究表明，相位数据包含着很多独特而有生理意义的信息，如功能激活期间的血氧化水平、大小血管的影响、不同组织类型的标识，等等。因此，对复数fMRI数据进行分析有助于将脑科学研究推向深入。

独立向量分析(independent vector analysis，IVA)是一种联合独立成分分析(independent component analysis，ICA)方法，能解决单ICA方法在多被试fMRI数据分析中的顺序模糊问题。通过IVA算法分析，可以从多被试fMRI数据中获取各被试的多个(通常20-50个)脑空间激活区(spatial map，SM)成分及其相应的时间过程(time course，TC)成分，从而获得各被试空时响应的差异信息，为后续脑功能研究和临床诊断提供重要依据。

IVA通过最小化源向量成分(source component vector，SCV，以fMRI数据分析为例，SCV包含了各被试相同的SM成分)之间的互信息，同时最大化SCV内部成分的相关性来实现SM信号分离。IVA算法通常选取多维概率密度函数或者非线性函数来实现SCV概率密度分布的估计。目前，IVA有实数算法和复数算法。其中，实数IVA算法已用于多被试幅值fMRI数据分析；复数IVA算法已用于语音频域盲分离，但尚未应用到多被试复数fMRI数据分析中，主要问题有三：

第一，复数fMRI数据噪声大。由于缺乏消噪措施，现有复数IVA算法无法对多被试复数fMRI数据进行直接有效的分析。

第二，多被试复数fMRI数据的SCV分布有别于频域语音。其结果是，现有复数IVA算法中的多维概率密度函数或者非线性函数只适合于语音信号，不适合多被试复数fMRI数据。

第三，多被试复数fMRI数据的SCV分布差异大。其原因在于，复数fMRI数据的SCV成分种类繁多，包括任务相关成分、瞬时任务相关成分、默认网络成分、听觉成分、视觉成分、运动成分、扫描仪噪声成分、呼吸噪声成分、头动噪声成分等几十种。在这种情况下，采用固定式多维概率密度函数或非线性函数已不能准确地估计各SCV成分的分布。

发明内容

本发明的目的在于，提供一种适于多被试复数fMRI数据分析的自适应定点IVA算法，通过引入fMRI数据消噪、复数fMRI数据的非环形特性，以及自适应地学习SCV分布，解决上述三方面问题，在多被试复数fMRI数据的IVA分析中取得显著优于现有算法的结果。