[发明专利]基于成组SIM算法的大脑功能磁共振成像盲源分离方法

说明书

本发明公开了一种基于成组SIM算法的大脑功能磁共振成像盲源分离方法，实施步骤包括：对预处理后的每个被试的大脑功能磁共振成像，首先分别通过PCA方法进行个体层次的降维，然后将所有被试降维后的数据组合在一起得到为组群的数据集，再对组群的数据集通过PCA方法进行组群层次的降维；将降维后的组群的数据集通过SIM算法进行分析处理，得到组群层次的大脑源网络；将组群层次的大脑源网络通过反重构，再进行标准化，得到每个被试的大脑源网络和对应的时间波动；对每个被试的大脑源网络和时间波动分别进行加和平均，得到组群的平均大脑源网络以及对应的时间波动。本发明具有原理贴合实际、数据计算量低、算法运行速度快和数据分析结果真实可靠的优点。

技术领域

本发明涉及大脑功能磁共振成像数据的盲源分离领域，具体涉及一种基于成组SIM(Group Signal Intensity Maximizing，GroupSIM)算法的大脑功能磁共振成像盲源分离方法。

背景技术

脑功能成像是通过观测神经活动引起的血流、代谢等次级反应或产生的电、磁信号变化，以成像技术将脑的活动以直观的图像形式表达出来，使我们可以在无创条件下探测活体脑的实时功能活动。脑功能成像技术发展迅速，如今进入实用阶段的已有十几种。其中，自上世纪90年代中期发展起来的功能磁共振成像(functional Magnetic ResonanceImage，fMRI)技术，目前已广泛应用于脑的基础研究和临床治疗。在脑内，fMRI主要观察局部脑血流，检测有氧血红蛋白与无氧血红蛋白的比例，从而显示脑局部区域的活动情况。该技术可以准确定位活体脑的各功能区，具有较高的空间分辨率，对脑科学和认知神经科学的发展产生了巨大而深刻的影响。由于fMRI数据的空间维数一般很高，在已有的Matlab平台下的GIFT软件包中实现的GroupICA方法中首先依靠PCA手段对数据进行降维，保留方差较大的主要成分而舍弃方差小的成分。为保留更多有效信息，PCA过程一般尽可能保留较多的主成分数目，然而这样可能导致欠采样问题，甚至使GroupICA的分离的结果中产生实际不存在、但符合算法假设条件的源信号。

SIM(Signal Intensity Maximizing，SIM)算法是一种新兴的盲源分离算法。类似于groupICA方法，我们可以将SIM算法与组分析方法结合起来，得到一种有较好鲁棒性且符合实际应用的多个体fMRI数据的分析方法，即成组SIM算法。相对于GroupICA方法，GroupSIM算法利用信号强度评估源信号的显著程度，来解决欠采样的问题，区分真实存在与人工生成的源信号，不仅使分离出的源信号符合神经成像数据真实情况，而且降低了的结果中产生实际不存在、但符合算法假设条件的成分的可能性，因而可以抑制过度拟合的趋势，使其在很小的降维程度下仍然取得很好的处理效果。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种原理贴合实际、数据计算量低、算法运行速度快和数据分析结果真实可靠的基于成组SIM算法的大脑功能磁共振成像盲源分离方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于成组SIM算法的大脑功能磁共振成像盲源分离方法，实施步骤包括：

1)对预处理后的每个被试的大脑功能磁共振成像，首先分别通过PCA方法进行个体层次的降维，然后将所有被试降维后的数据组合在一起得到为组群的数据集，再对组群的数据集通过PCA方法进行组群层次的降维；

2)将降维后的组群的数据集通过SIM算法进行分析处理，得到组群层次的大脑源网络；

3)将组群层次的大脑源网络通过反重构，再进行标准化，得到每个被试的大脑源网络和对应的时间波动；

4)对每个被试的大脑源网络和时间波动分别进行加和平均，得到组群的平均大脑源网络groupsc以及对应的时间波动grouptc。

优选地，步骤1)的详细步骤包括：