[发明专利]一种ICA-CNN分类的fMRI空间激活图平滑增广方法

权利要求书

1.一种ICA-CNN分类的fMRI空间激活图平滑增广方法，对ICA分离得到的fMRI空间激活图施加三维空间平滑，增广生成新的样本集，然后送入CNN进行分类，实现对病人与健康人分类性能的改进；其特征在于，以下步骤：

第一步：输入被试k的四维fMRI观测幅值数据K是被试总数，T是扫描时间点数，X、Y、Z是大脑空间的三个维度；

第二步：将X^(k)，k＝1,…,K，的空间维展为一维，即空间维大小等于X×Y×Z，然后去除脑外体素，只取脑内体素，得到V为脑内体素数，VX×Y×Z；

第三步：利用主成分分析PCA对进行降维，得到N为模型阶数，N≤T；

第四步：ICA分离与感兴趣成分提取，采用Infomax算法对进行ICA分离，基于与空间成分模板相关系数最大的原则，从N个ICA分离成分中选择感兴趣成分的空间激活图

第五步：对进行脑外体素补零，恢复为三维空间激活图，即

第六步：空间平滑，将被试k的fMRI空间激活图与三维高斯滤波器进行卷积实现空间平滑，如下式所示：

式中表示三维卷积计算，g(x,y,z)为三维零均值高斯函数，定义为：

其中，σ为标准差，决定滤波器的宽度，σ越大，平滑程度越大，半峰全宽FWHM是衡量高斯核大小的常用参数，与σ具有线性关系如下，利用J个具有不同FWHM大小的高斯滤波器，对所有被试的空间激活图进行平滑，能将每个被试的样本集由原来的1组增广至J组，对于被试k，将J组增广样本集记做然后，对每一种平滑核下的空间激活图进一步处理如下：

式中λ₁、λ₂为权重参数；

第七步：将沿z轴展开为Z个大小为X×Y的二维切片堆叠，记为按照感兴趣成分的有效激活位置，选取W个激活信息量大的切片，W≤Z,记为L,…,L+W-1；

第八步：将W个二维切片的体素值归一化至[0,1]，记为然后给每个切片附上对应标签表示健康人，表示精神分裂症患者，建立增广后的CNN样本集每个被试的样本集由原来的W扩大为W×J，即增广为原来的J倍，全部K个被试的样本集增广为K×W×J；

第九步：将被试顺序打乱，将样本集按比例分成训练集、验证集、测试集；

第十步：将训练集送入CNN网络进行训练，所述的CNN网络包括2个卷积层，2个最大池化层，1个全连接层以及输出层，其中，卷积层核的尺寸为3×3，个数分别为8和16，池化层核的尺寸为2×2，个数分别为8和16，全连接层共64个节点，采用修正线性单元ReLU作为激活函数，输出层使用Softmax给出每个切片所属类别，批处理的大小为64，采用Adam算法进行参数更新，使用二分类交叉熵函数作为网络的损失函数，同时使用L₂正则化控制权重，训练CNN模型共R轮，在每一轮，使用验证集计算准确率ACC，保存R轮中验证准确率最高的CNN模型，作为训练得到的CNN模型，令CNN验证结果为准确率ACC定义如下：

式中TP表示真阳性，即TN表示真阴性，即FP表示假阳性，即FN表示假阴性，即

第十一步：将测试集输入第十步训练得到的CNN模型，得到测试准确率ACC；

第十二步：采取5折交叉验证，即重复第九步到第十一步5次，得到5次测试准确率ACC，计算其平均结果，记为CNN的最终分类准确率。

2.根据权利要求1所述的一种ICA-CNN分类的fMRI空间激活图平滑增广方法，其特征在于，FWHM取为fMRI体素大小的2～3倍，λ₁、λ₂满足λ₁+λ₂＝1，0λ₁1，0λ₂1，且λ₁λ₂。

3.根据权利要求1或2所述的一种ICA-CNN分类的fMRI空间激活图平滑增广方法，其特征在于，所述第九步中，将样本集60％作为训练集，20％作为验证集，20％作为测试集。