基于独立成分分析和集成学习的fMRI数据分类研究

发布时间：2020-03-26 14:00

【摘要】：大脑是人体存储、处理、整合各种信号的中枢系统,在脑科学的研究中,功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)技术是研究人类大脑认知过程的有效手段,其不仅可以实现无创伤、精准定位,并且具有分辨率高、可重复研究等优点。通过fMRI技术可以采集到脑内活动的大量数据,从这些数据中获取有效信息并进行有效识别是脑科学研究中的重要手段之一。论文从特征提取及分类识别两个角度出发对fMRI数据进行研究,叙述了fMRI数据特征以及分类模型在脑认知研究中的重要性,并对fMRI数据常用的特征提取方法、fMRI数据分类的基本过程以及常用的分类算法进行简要介绍。在快速独立成分分析(Fast Independent Component Analysis,FastICA)基础上,提出一种基于支持向量机(Support Vector Machine,SVM)的集成学习模型用于分析fMRI数据。论文的主要研究内容如下:(1)针对fMRI数据的特征提取方法,实验采用基于logcosh、exp、cube这三种负熵逼近函数的FastICA算法进行特征提取,将这三种函数下提取的成分因素分别作为SVM的输入进行分类识别,实验结果表明基于logcosh负熵逼近函数的FastICA算法在fMRI数据的特征提取上具有一定的优势。(2)针对fMRI数据的高维问题,利用SVM构造集成分类模型,并与基于logcosh负熵逼近函数的FastICA特征提取算法相结合,得到一种新的fMRI数据分析模型。将通过FastICA算法提取的特征输入该集成分类模型与SVM进行分类识别,实验结果表明集成分类模型可以更好地捕捉特征所包含的有用信息从而对fMRI数据表现出较好的分类性能,丰富了fMRI数据的分析方法。
【图文】：

动的医学成像技术。它是磁共振成像（Magnetic Resonance Imaging特殊应用，它利用强磁场和无线电波产生器官、组织、骨骼和几乎所图像。MRI 扫描仪利用导线线圈通过电流产生磁场，扫描区原子内的其他一些线圈发出无线电波脉冲，使质子偏离排列，当质子恢复对齐电波，，可由扫描器记录。fMRI 技术通过采集人脑的电磁信号，可以外界刺激时局部血流的变化情况，通过分析这些在神经活动状态下的大脑的认知状态。人体中的其他器官一样，需要稳定地供应氧气来进行新陈代谢。氧气白分子提供，神经活动时需要消耗氧气，因此大脑区域在激活时，血那之后，血液流量增加，给激活区域带来更多的氧气，这就补偿了最在大约 6 秒后达到峰值，然后下降到刺激后的低谷，最后返回到基线活动的这种变化过程称为血液动力学反应(Hemodynamic Response, HLD 血流动力学响应函数。

标准的 fMRI 实验为一个被试（可以是更多的受试者）被要求躺在软垫上认知任务或刺激[9]，比如记忆、按几个按钮、看图片、看电影、听声音等验的主要流程以及相关术语如图 1-2 所示，在实验过程中每个参与实验的次或者重复扫描[10]，扫描的速度很快（通常每两到三秒一次），其中一次构成一个 session，通过若干个时间段来划分一个 session 的时间序列，每构成一个run，一个run又由若干个脑图像组成，每个脑图像又称为一个volfMRI 实验中需要对被试的全脑进行分层扫描，扫描后每个脑图像会得到许片，每一层时间切片称为一个 slice，每层时间片由多个体素构成，体素是图像，是分析 fMRI 的基石，我们可以从体素中提取到关于大脑活动强度体素都有一个对应的空间位置，持续观察这一体素可得到其活动强度随时，从而提取出关于时间的活动强度信息，进而关联到每个被试的认知状态图像信息。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.2;TP391.41

【相似文献】

相关期刊论文 前10条

1 徐继伟;杨云;;集成学习方法:研究综述[J];云南大学学报(自然科学版);2018年06期

2 武玉英;严勇;蒋国瑞;;基于动态选择性集成学习的供应链产销协商优化策略[J];计算机工程;2017年05期

3 张沧生;崔丽娟;杨刚;倪志宏;;集成学习算法的比较研究[J];河北大学学报(自然科学版);2007年05期

4 郭福亮;周钢;;集成学习中预测精度的影响因素分析[J];兵工自动化;2019年01期

5 曾一平;;基于集成学习的小麦识别研究[J];现代商贸工业;2019年17期

6 米硕;孙瑞彬;李欣;明晓;;集成学习在文本分类问题中的应用[J];中国新通信;2018年09期

7 李晔;刘胜利;张兆林;;基于漂移检测和集成学习的木马检测模型[J];信息工程大学学报;2017年06期

8 徐桂云;陈跃;张晓光;刘云楷;;基于选择性集成学习的焊接缺陷识别研究[J];中国矿业大学学报;2011年06期

9 张春霞;张讲社;;选择性集成学习算法综述[J];计算机学报;2011年08期

10 饶峰;;核机器集成学习算法的误差分析[J];重庆文理学院学报(自然科学版);2010年04期

相关会议论文 前10条

1 关鹏洲;王梦毫;李倩;;基于集成学习和深度学习的短期降雨预测模型[A];2017年（第五届）全国大学生统计建模大赛获奖论文选[C];2017年

2 杜方键;杨宏晖;;K均值聚类优化集成学习[A];2011'中国西部声学学术交流会论文集[C];2011年

3 倪志伟;张琛;倪丽萍;;基于萤火虫群优化算法的选择性集成霾天气预报方法[A];中国系统工程学会第十八届学术年会论文集——A12系统科学与系统工程理论在各个领域中的应用研究[C];2014年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

5 吴龙飞;孙浩;计科峰;;基于集成映射的半监督图像分类方法[A];第八届全国信号和智能信息处理与应用学术会议会刊[C];2014年

6 邱诚;倪子伟;陈珂;苏旋;邹权;;基于聚类方法的基分类器选择策略研究[A];第29届中国数据库学术会议论文集（B辑）（NDBC2012）[C];2012年

7 张红梅;;基于粗糙集特征约简的SVM集成入侵检测模型[A];2009中国控制与决策会议论文集（3）[C];2009年

8 程丽丽;张健沛;杨静;马骏;;一种提高支持向量机集成差异性的学习方法[A];第二十五届中国数据库学术会议论文集（一）[C];2008年

9 刘锟;邢延;蔡延光;;一种针对交互式学习系统日志数据的轻型化挖掘方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

相关重要报纸文章 前1条

1 本报记者 张晔;人脑比电脑更重要[N];科技日报;2008年

相关博士学位论文 前10条

1 李艳秋;基于集成学习的人脸识别研究[D];合肥工业大学;2018年

2 赵鹤;面向高维大数据的子空间集成学习方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

3 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

4 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

5 孙永宣;集成学习下的图像分析关键问题研究[D];合肥工业大学;2013年

6 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

7 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

8 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

9 钮冰;基于集成学习算法的若干生物信息学问题研究[D];上海大学;2009年

10 程丽丽;支持向量机集成学习算法研究[D];哈尔滨工程大学;2009年

相关硕士学位论文 前10条

1 王瑞峰;基于集成学习的胃镜影像分析方法及移动医疗平台的设计[D];天津理工大学;2019年

2 张宝安;基于深度学习的入侵检测研究与实现[D];北京邮电大学;2019年

3 顾媛媛;基于集成学习算法的搜索广告转化率预测应用研究[D];上海师范大学;2019年

4 胡宸;基于集成学习的上市公司高送转预测模型及投资策略设计[D];上海师范大学;2019年

5 邓景熹;基于集成学习的信用卡欺诈识别方法研究[D];兰州大学;2019年

6 张芳芳;基于独立成分分析和集成学习的fMRI数据分类研究[D];太原理工大学;2019年

7 常建芳;基于集成学习和卷积神经网络的太阳能辐照度预测方法[D];天津大学;2018年

8 叶明;基于集成学习的疾病辅助诊断关键技术研究与实现[D];郑州大学;2019年

9 邸研哲;基于相似性方法的药物—疾病相互作用关系预测[D];安徽大学;2019年

10 雍振煌;基于评论极性与集成学习的微博谣言检测研究[D];武汉理工大学;2018年

本文编号：2601541