[发明专利]一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法

说明书

一种ICA‑CNN分类的fMRI脑内数据时间预滤波增广方法，属于生物医学信号处理领域。首先对fMRI脑内数据施加时间滤波，增广生成新的fMRI数据集；然后送入ICA‑CNN框架，实现对病人与健康人分类性能的改进。采用本发明对82被试的静息态fMRI数据进行病人和健康人的分类，采用三种具有不同通频带的理想带通滤波器对fMRI脑内数据进行时间滤波，生成三组fMRI数据集，然后送入ICA‑CNN框架分类。相比已有的多模型阶数数据增广方法，本发明能将分类准确率提高8.24％；若将二者结合，能将分类准确率提高21.06％。因此本发明既能独立提升网络分类性能，也容易与其他增广方法结合，显著提高分类准确率。

技术领域

本发明属于生物医学信号处理领域，特别是涉及一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法。

背景技术

卷积神经网络(convolutional neural networks，CNN)具有局部感知、权值共享等优点，不但在识别、检测、分类等任务中表现突出，在智慧医疗方面也大有作为。静息态fMRI(resting-state fMRI，rs-fMRI)数据有着非侵入性、空间分辨率高、易于在病人被试上采集等优势，常用于神经障碍类疾病如精神分裂症的分析和诊断。因此，以rs-fMRI数据作为训练数据的CNN将在健康人与病人的分类任务中体现独特优势。

鉴于病人fMRI难于采集、数据量不大的问题，林秋华等人提出了一种病人与健康人复数fMRI数据的ICA-CNN分类框架(专利申请号201910350137.2)。在该框架中，首先采用独立成分分析(independent component analysis,ICA)分离得到感兴趣空间成分的二维切片，然后将二维切片送入二维CNN提取特征并分类。与直接利用观测数据或使用三维CNN分类的方法相比，该框架减轻了对fMRI数据量的需求，在fMRI数据量有限的情况下，取得了较好的分类性能。

实际上，在fMRI数据量一定的情况下，数据增广能起到进一步增大数据量并提高ICA-CNN分类效果的作用。在图像分类领域，广泛采用的数据增广方法有旋转、翻转、添加噪声、缩放、纹理色彩变换等。然而，这些方法不适于空间结构不能任意变化的rs-fMRI分析。专利申请号201910350137.2仅提供了一种多模型阶数的数据增广方法，探索适于ICA-CNN分类框架下fMRI数据增广的其他方法，具有重要的实际价值。

发明内容

本发明提供了一种适于ICA-CNN分类框架的fMRI脑内数据增广方法，能有效地扩充fMRI样本量，进一步提升ICA-CNN网络的分类性能。具体方案是，对fMRI脑内数据施加时间滤波，增广生成新的fMRI数据集，然后送入ICA-CNN框架，实现对病人与健康人分类性能的改进，如图1所示。具体实现步骤如下：

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：将每个被试的fMRI脑内数据沿着空间维分解成一系列一维时间序列x^(k)(t,1),…,x^(k)(t,v),…,x^(k)(t,V)，其中x^(k)(t,v)为体素v处的时间序列，k＝1,…,K，t＝1,…,T，v＝1,…,V。

第四步：时间滤波。将被试k在体素v处的时间序列，x^(k)(t,v)，k＝1,…,K，进行一维离散傅里叶变换，得到按照通频带f_l～f_h生成一个理想带通滤波器如下式所示：