[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

摘要

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。

主权项

1.一种基于成组SIM算法的大脑功能磁共振成像盲源分离方法，其特征在于实施步骤包括：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，所述SIM算法为一种盲源分离算法；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；步骤1)的详细步骤包括：1.1)通过Matlab读取预处理后的每个被试的大脑功能磁共振成像得到四维的数据矩阵[a,b,c,n]，其中a,b,c为每一帧大脑图像的维数，n为图像的采样数，且每个被试的大脑功能磁共振成像格式为nii，且每个被试只有一段完整的采集周期；通过reshape函数将四维的数据矩阵处理为二维矩阵D_i＝[p,n]，其中p＝a*b*c，a,b,c为每一帧大脑图像的维数，n为图像的采样数，i＝1,2,...,N，N为被试个数；1.2)将得到的二维矩阵D_i按列去掉小于列平均值的元素得到被试i的新矩阵记为subM_i，维数为[m,n]，m为矩阵subM_i的行数，p为二维矩阵D_i的行数且m<p，同时记录被保留数据的索引值；1.3)对得到的所有矩阵subM_i分别通过PCA方法降维得到新矩阵subpcaM_i(m×srcN)作为个体层次的降维的结果，其中m为矩阵subM_i的行数、srcN为需要分离出的大脑源网络的个数，得到的白化矩阵为subwhiteM_i，去白化矩阵为subdewhiteM_i；将所有的矩阵subpcaM_i组合为新的数据矩阵groupM，再通过PCA方法对数据矩阵groupM降维得到数据矩阵grouppcaM作为组群层次的降维的结果，对应的白化矩阵为groupwhiteM，去白化矩阵为groupdewhiteM；步骤2)的详细步骤包括：取矩阵grouppcaM每个元素相邻的上下、左右和前后6个元素的平均数，且边界元素用零补齐，作为生成的自相关的数据矩阵grouppcaM^*的相应元素值；根据SIM算法基于特征向量问题求解特征向量组成的矩阵的方法，获取自相关的数据矩阵grouppcaM^*的解混矩阵W作为组群层次的大脑源网络，其逆矩阵为W^*；步骤3)将组群层次的大脑源网络通过反重构的详细步骤包括：根据矩阵subpcaM_i、数据矩阵grouppcaM对应的白化矩阵groupwhiteM和解混矩阵W反重构每个被试的空间成分sc_i，根据白化矩阵subdewhiteM_i、数据矩阵grouppcaM对应的去白化矩阵groupdewhiteM和解混矩阵W的逆矩阵W^*反重构每个被试的时间波动tc_i，使得反重构后得到的每个被试的源网络矩阵与对应的时间波动矩阵的乘积等于未通过成组SIM算法处理之前每个被试的原始数据矩阵。