[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

摘要

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。

主权项

一种适于多被试复数fMRI数据分析的自适应定点IVA算法，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SCV分布；采用最大似然估计MLE方法自适应地估计MGGD的形状参数，与不断变化的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对复数fMRI数据分析的针对性；包括以下步骤：第一步：输入多被试复数fMRI数据k＝1,…,K；K表示被试数目；J表示时间维的全脑扫描次数；M表示空间维的脑内体素数目；第二步：对各被试复数fMRI数据X^(k)分别进行PCA压缩和白化；设各被试的SM和TC的成分数为N，将被试k的复数fMRI数据X^(k)压缩并白化为为压缩阵，N<J，将时间维由J降为N，为白化阵，使得的方差为1；第三步：初始化；随机初始化解混矩阵k＝1,…,K，作用于计算得到第n个SCV成分的初始值是W^(k)的第n列，n＝1,…,N，是的第m列，m＝1,…,M，上标T表示转置，上标H表示共轭转置；忽略m，将y_n(m)、和x^(k)(m)简写为y_n、和x^(k)；是自适应定点IVA算法的代价函数，见公式(1)；利用式(1)计算自适应定点IVA算法的代价函数初始值其中，E表示数学期望，p(y_n)是y_n的概率密度函数；G(·)为实值非线性函数；|·|表示取复数的模值；设λ_n是协方差矩阵的最大特征值，为λ_n对应的特征向量，令式(1)中G(·)采用式(2)所示基于MGGD的非线性函数：$G\left(q_n\right)={\left(q_n\right)}^{{\mathrm{\&beta;}}_n}={\&lsqb;{\mathrm{\&lambda;}}_n{\left({\mathrm{\&Sigma;}}_{k=1}^K{v}_{kn}\right|y_n^{\left(k\right)}\left|\right)}^2\&rsqb;}^{{\mathrm{\&beta;}}_n}---\left(2\right)$式中，β_n为MGGD的形状参数，也是各SCV分布的形状参数，初始化β_n＝β₀；第四步：更新解混矩阵W^(k)；对W^(k)的每一列n＝1,…,N，分别按照式(3)进行更新：

×

专利文献下载

说明：

1、专利原文基于中国国家知识产权局专利说明书；

2、支持发明专利 、实用新型专利、外观设计专利（升级中）；

3、专利数据每周两次同步更新，支持Adobe PDF格式；

4、内容包括专利技术的结构示意图、流程工艺图或技术构造图；

5、已全新升级为极速版,下载速度显著提升！欢迎使用！

请您登陆后，进行下载，点击【登陆】 【注册】

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：。

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

周一至周五 9:00-18:00

版权所有http://www.vipzhuanli.com/公布日期

咨询在线客服

tel code back_top

服务热线：

投诉建议：

扫一扫，微信关注钻瓜专利网

定制专利/购买专利

行业大牛为您服务 快来咨询~