[發明專利]基于非負張量投影算子分解算法的腦認知狀態判定方法

在審

• 申請號: 201310379452.0
• 申請日: 2013-08-27
• 公開（公告）號: CN103425999A
• 公開（公告）日: 2013-12-04
• 發明（設計）人: 李軍;徐鑫秀;董明皓;王洪勇;袁森;李文思;王苓芝;趙恒;秦偉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

技術領域

本發明屬于腦功能磁共振圖像特征提取以及大腦認知狀態分類領域，涉及腦血氧水平的功能核磁成像數據的預處理及其張量模式表達、基于張量模式的腦功能磁共振數據非負降維和運用支持張量機判別分類，是基于張量模式的特征提取算法和判別分類算法。

背景技術

長期以來，人們一直在作種種努力，希望能揭開大腦認知功能之迷，但到今天這一研究仍在繼續，特別是近幾年，隨著腦功能成像技術、認知神經科學、計算神經科學等的飛速發展，在國內外形成了腦認知功能研究的新熱潮。

目前認知神經研究領域中多使用功能性磁共振成像(functional?magneticresonanceimages，簡稱fMRl)技術，研究人員認為腦功能磁共振圖像可以作為腦認知機能探索的重要手段。特別是運用基于任務的腦功能磁共振數據研究大腦認知功能的較多。因為它不僅能顯示腦區的激活，還能直接顯示腦區激活的部位及程度，被認為是破解大腦認知功能難題的希望所在。近些年來對不同大腦認知狀態下功能磁共振數據的研究和探索成為了一個熱點,使得這一領域不斷產生大量的數據,如何合理的利用機器學習和模式識別算法來高效處理和分析這些腦功能磁共振數據,進一步探究大腦認知機理,已經逐漸成為新的科研熱點。

腦功能磁共振所采集的實驗數據是一類維數高、數據量巨大、噪聲非常強、結構特別復雜的數據。因此，腦功能磁共振數據分析是一件困難而意義重大的工作，它直接決定了采用腦功能磁共振方法進行腦認知功能研究的成敗。在機器學習和模式識別領域，作為數據對象表示的形式，模式是模式識別的基本操作對像,其表示可呈現多種形式,選擇最有利于問題解決的數據對象表示形式是分類學習系統成功的關鍵之一，在傳統統計模式識別中,數據一般采用向量模式表示,然而研究表明向量化表示并非總是有效，很容易理解向量化會破壞腦功能磁共振對象本來多階的結構和原始數據間的相關性且極易引起嚴重的小樣本問題，并且可能失去了更簡潔、更有用的能從原始形式中獲得的表現形式。因此選著合適的腦功能磁共振表達模式極其重要，鑒于腦功能磁共振數據本來就是三階的特點，非常適合張量模式表示，張量就是多維矩陣。張量模式作為傳統向量模式的擴展和補充,近年來已引起機器學習、模式識別等領域的廣泛關注。

然而已有的張量分解算法比如CP分解，Tucker分解，MPCA算法都沒能保持原腦功能磁共振對象的非負性，而已有的非負張量分解算法如基于CP分解的NTF（Non-negative?Tensor?Factorization）算法，雖然保留了原有對象的非負性，但是在投影到非負張量空間后不能足夠保持原有對象的稀疏性，基于Tucker分解的NTD（Non-negative?Tucker?Decomposition）算法實質上是一種多維的非負PCA算法，雖然是一種非負算法，但沒能足夠消除主成分之間的冗余，即特征表達不夠稀疏。

鑒于上述情況本專利提出一種新的非負張量投影算子分解（Projective?Non-negative?Tensor?Factorization，簡稱PNTF）方法應用于腦功能磁共振數據分析。非負張量投影算子分解（PNTF）方法。這種方法直接對張量數據進行處理，從多個方向上對張量模式腦功能磁共振數據對象進行非負降維和特征提取，克服了傳統NMF單純的進行降維而破壞了原始圖像數據的結構和相關性，不能完全保持原始圖像數據中信息和結構的不足。它不但允許仿射張量捕獲出現在原始張量上的大多數變化同時由于所提取基礎成分之間的非負正交性，投影到非負張量空間后能夠保持原有腦功能磁共振對象的稀疏性。

在此基礎上，我們又結合了已有STM的特點，支持張量機算法（Support?Tensor?Machines，簡稱STM）是一種傳統支持向量機算法（Support?Vector?Machines?SVM）在張量模式上的擴展。是近幾年提出的一種經典基于張量模式數據的有監督算法，它能有效地保留腦功能磁共振的本來結構和原始數據間的相關性。最終形成了PNTF-STM的方法應用于不同認知狀態下腦功能磁共振數據的判別分析中。

本文的研究方向是基于張量模式對象,對不同認知狀態下大腦功能磁共振成像(functional?Magnetic?Resonance?Imaging,簡稱功能磁共振數據進行預處理、特征降維、特征提取,并在此基礎上進行大腦認知狀態的分類識別。

發明內容