独立成分分析算法应用于功能磁共振成像数据中

发布时间：2017-03-22 09:12

  本文关键词：独立成分分析算法应用于功能磁共振成像数据中，由笔耕文化传播整理发布。

【摘要】：人类的大脑是非常复杂的，多年来人们一直试图了解它。发展的脑成像技术,使人们对大脑的研究已经从最初的解剖定位发展到大脑活动基本过程进一步检测。功能性磁共振成像(fMRI)是二十世纪九十年代发展起来的一种基于血氧水平依赖成像技术和血流敏感性的技术。功能性磁共振成像已无辐射、无创伤性、高分辨率、时间和空间可以重复操作,和许多其他的优势。所以近年来,它已经成为研究大脑的方式行动的首选方法。本文主要是使用一个新的独立分量分析方法分析到功能磁共振成像数据。 之前的对功能磁共振成像数据进行的研究都是在时间序列预先知道的情况下,使用相关分析得到大脑的激活区。如果大脑收集时间序列未知,激活大脑及其影响因素是未知的,所以这意味着信号源和混合矩阵是未知的,这是典型的盲源分离问题。解决盲源分离问题,我们可以选择最常用的独立分量分析方法。通过独立分量分析的方法对功能磁共振成像数据进行混合分离并提取与任务相关的成分。 本文首先介绍了用独立成分分析方法处理fMRI数据的一些估计算法；通过介绍常用的FastICA算法引进了一种新的算法---------基于峭度的RobustICA算法；按实验目的设计了相关的实验，在得到数据后对fMRI数据进行了数据分析和处理。本文用SPM软件对数据进行了预处理；分别用独立成分分析方法（RobustICA算法和FastICA算法对fMRI数据进行了成分的分离。通过和FastICA算法对数据的分析比较发现，，新的算法较以前常用的FastICA算法在某些有了很大的改进，其优点有以下几点：1）该算法可以提升当信号存在坏点时的鲁棒性。2）该算法在一定的程度上适当的提高了计算的速度。3）用新的算法结合组成分分析方法对成组的fMRI数据进行了分析，发现有明显的优势。
【关键词】：核磁共振成像 盲源分离 独立成分分析 RobustICA算法
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：R310
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第1章 绪论10-17
• 1.1 课题背景和意义10-11
• 1.2 本文研究领域现状11-15
• 1.2.1 国外研究现状12-13
• 1.2.2 国内研究现状13-15
• 1.3 本文主要研究的内容和方法15
• 1.4 文章结构安排15-16
• 1.5 本章小结16-17
• 第2章 功能磁共振成像17-21
• 2.1 FMRI 简介17
• 2.2 FMRI 的物理基础17-18
• 2.3 FMRI 的原理18-19
• 2.4 fMRI 的应用19-20
• 2.5 功能磁共振成像的特点20
• 2.6 本章小结20-21
• 第3章 独立成分分析算法21-26
• 3.1 独立成分分析算法的简介21
• 3.2 独立成分分析的基本模型21-25
• 3.2.1 极大化非高斯性的 ICA 估计方法21-22
• 3.2.2 极小化互信息的 ICA 估计方法22-23
• 3.2.3 基于张量的 ICA 估计方法23
• 3.2.4 ICA 的极大似然估计方法23-24
• 3.2.5 基于非线性去相关和非线性 PCA 的 ICA 估计方法24-25
• 3.3 本章小结25-26
• 第4章 一种新的算法——基于峭度的 RobustICA26-38
• 4.1 几种常用算法的回顾26-28
• 4.1.1 FASTICA 的回顾26-27
• 4.1.2 INFORMAX 算法27-28
• 4.2 RobustICA 算法28-32
• 4.2.1 RobustICA 算法的理论研究28-29
• 4.2.2 ROBUSTICA 算法29-32
• 4.3 RobustICA 算法的优点32-33
• 4.4 实验结果分析33-36
• 4.5 本章小结36-38
• 第5章 RobustICA 算法在 fMRI 数据中的应用38-47
• 5.1 fMRI 实验设计的模式38-41
• 5.1.1 实验方案39
• 5.1.2 受试者的选择39-40
• 5.1.3 实验仪器的参数设置40
• 5.1.4 实验前的准备工作40-41
• 5.2 数据预处理（SPM）41-43
• 5.2.1 SPM 简介41
• 5.2.2 利用 SPM 处理 fMRI 数据41-43
• 5.3 实验的结果与对比分析43-46
• 5.3.1 RobustICA 和 FastICA 算法处理 fMRI 数据43-44
• 5.3.2 提取成分分析44-46
• 5.4 本章小结46-47
• 第6章 新的算法结合 GROUPICA 分析 fMRI 数据47-50
• 6.1 GROUPICA 方法的意义47
• 6.2 GROUPICA 的几种方法47-48
• 6.3 RobustICA 算法结合 GROUPICA 处理 fMRI 数据48-49
• 6.4 实验结果及分析49
• 6.5 本章小结49-50
• 第7章 结论与展望50-52
• 7.1 本文小结50
• 7.2 对今后工作的展望50-52
• 参考文献52-56
• 作者简介及在学期间所取得的科研成果56-57
• 后记和致谢57

【参考文献】

中国期刊全文数据库 前6条

1 范丽伟,唐焕文,唐一源;独立成分分析应用于fMRI数据研究[J];大连理工大学学报;2003年04期

2 汪军;基于高阶谱的信号盲分离[J];东南大学学报(自然科学版);1996年05期

3 刘琚,梅良模,何振亚;一种盲信号分离的信息理论方法[J];山东大学学报(自然科学版);1998年04期

4 武振华,史振威,唐焕文,唐一源;新的独立成分分析算法实现功能磁共振成像信号的盲分离[J];生物物理学报;2004年03期

5 王娟,罗述谦;独立变量分析及其在脑功能可视化中应用[J];系统仿真学报;2001年S2期

6 吴小培,詹长安,周荷琴,冯焕清;采用独立分量分析方法消除信号中的工频干扰[J];中国科学技术大学学报;2000年06期

中国硕士学位论文全文数据库 前5条

1 朱连云;独立成分分析在fMRI数据处理中的应用[D];浙江大学;2008年

2 杨竹青;独立成分分析及在fMRI脑图像序列中的应用[D];国防科学技术大学;2002年

3 潘丽丽;独立成分分析及其在脑功能磁共振成像中的应用[D];大连理工大学;2005年

4 权松民;独立成分分析方法在儿童镇静状态下视觉刺激fMRI中的应用[D];中国医科大学;2006年

5 赵陶钰;独立成分分析算法在fMRI数据中的应用[D];太原理工大学;2012年

  本文关键词：独立成分分析算法应用于功能磁共振成像数据中，由笔耕文化传播整理发布。

本文编号：261260