基于fMRI脑功能网络的分析方法研究

发布时间：2020-12-29 00:56

　　人类的大脑是世界上最复杂最精密的“机器”,虽然人类对大脑依旧知之甚少,但是人类依旧孜孜不倦地探索着大脑的奥秘,并且取得了一定的成果。目前,能够无创性探究大脑的功能磁共振成像技术已经成为研究人体大脑工作的主要手段之一。同时在神经科学、认知科学乃至脑科学等多个领域中,不再局限于人类大脑的运动、感知、听觉与视觉等方面的探索,而是延伸至对人类的认知、思维、情感、心理等方面的研究。同时,功能磁共振成像(functional magnetic resonance imaging)主要还应用于临床医学诊断等。本文对f MRI脑功能网络分析方法进行了研究,具体工作如下:首先通过研究用于f MRI数据预处理的Fast ICA算法,采用了一种基于修正白化矩阵的改进的Fast ICA算法。文中通过Matlab软件对Sim TB工具箱产生的模拟f MRI数据进行了仿真实验,证实了两种算法对于分离f MRI原信号的有效性。同时,通过对比常规的Fast ICA算法和所改进的Fast ICA的估计精度,采用分析信号降噪精度评价指标有均方误差(RMSF)、信噪比(SNR)来进行对比验证,证实了采用所改进的Fast I... 

【文章来源】：昆明理工大学云南省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

蚂蚁堆积尸体的实验过程

AAL90模板名称

记为 mixed signal 3; 取出 X_mixed 中的 13到 16 行数据，组成一个 1x256维的矩阵，记为 mixed signal 4; 取出 X_mixed 中的 17到 20 行数据，组成一个 1x256维的矩阵，记为 mixed signal 5。如图 3-2 为所取得的 5 路仿真信号图。从图 3-2中可以看出，混合后的信号与源信号差异很大，我们无法辨别出源信号。图 3-2 混合信号利用 Matlab 软件分别采用常规的 FastICA 和文中所改进的 FastICA 两种算法对所得到的 5 路混合信号进行信号分离，得到的结果如图 3-3 和图 3-4 所示。其中图 3-3 为常规的 FastICA 算法所得到的结果，图 3-4 为文中所改进 FastICA 算法所得到的结果。


本文编号：2944689