[發明專利]一種基于張量局部保持投影的大腦認知狀態的識別方法

無效

• 申請號: 201310424991.1
• 申請日: 2013-09-17
• 公開（公告）號: CN103440512A
• 公開（公告）日: 2013-12-11
• 發明（設計）人: 董明皓;袁森;李軍;王洪勇;徐鑫秀;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: G06K9/66
• 分類號: G06K9/66
• 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

本發明屬于醫學圖像處理、生物特征提取和模式識別技術領域，涉及fMRI數據的預處理、近鄰圖的構建、轉換矩陣的計算和低維嵌入，具體涉及一種基于張量局部保持投影的大腦認知狀態的識別方法，可用于處理大腦認知狀態的fMRI數據并進行判別分類。

背景技術

信息學、計算機科學、以及神經學，三門學科伴隨著科技的進步和科學的新發展，逐漸組成一體，形成的神經信息學是一門跨學科的科研領域。近些年來，對腦圖像的研究和探索，使得這一領域不斷產生大量的數據，如何合理的利用數據挖掘算法來高效處理和分析這些數據，獲得更深層次的數據知識和潛在規律，進一步探究大腦的認知工作機理，已經逐漸成為新的科研熱點。

近年來，fMRI（functional?Magnetic?Resonance?Imaging）已經發展成為腦成像領域中的一項重要核心技術。fMRI圖像的挖掘主要包括預處理、特征降維和特征抽取以及腦認知狀態的分類識別。現有的fMRI數據分析方法主要有兩類：模型驅動的參數方法和數據驅動的非參數方法。參數方法中的模型假設需要對腦的結構、功能和處理機制有比較深刻的認識，但這些認識本身就是腦功能研究的目標。所以，模型驅動的參數方法只是一種對假設模型的驗證方法，而模型中關于生理、神經、功能等機理的假設還有待進一步研究、驗證和解釋。數據驅動的非參數方法主要是直接選用統計學、機器學習等學科中已有的多元統計方法對fMRI數據進行處理，只是非常有限地利用了fMRI和腦認知的領域知識。因此，非參數方法的處理結果往往不是很理想，并且合理、準確地解釋這些結果也比較困難。鑒于上述情況，腦fMRI研究迫切需要能更有效、更準確地提取實驗數據中與認知活動相關的信息的數據分析新方法。在模式識別里的張量對象通常都是指高維的張量空間，直接應用于這種空間的識別算法往往要受到維度的限制，即所謂的維數災難。為了解決維數災難，出現了很多降維算法。

數據降維方法分為非線性降維方法和線性降維方法，非線性降維方法的典型代表包括等距映射Isomap（Iso-matric?map）和拉普拉斯特征映射LE（Laplacian?Eigenmaps）等，線性降維方法的典型代表包括PCA主元分析法（Principal?component?analysis）和多維尺度變換MDS（Multi-dimensional?Scaling）。典型的線性降維方法是基于線性的，由于真實世界中的數據很多是非線性分布的，線性降維方法對這些數據的處理效果并不理想，非線性降維方法則能處理非線性的高維數據，但是典型的非線性方法難以獲得新樣本點低維投影。

近年來學者又提出了一系列新的降維方法，如局部線性嵌入算法LLE（Locally?Linear?Embedding）、局部保持投影算法LPP、線性局部切空間排列算法LLTSA（Linear?Local?tangent?space?alignment）等。

局部線性嵌入算法LLE是一種基于流形的局部降維方法，該方法可以找到嵌入在高維空間中潛在的低緯流形結構，對非線性數據的降維能得到比較理性的結果，但是由于其算法本身的局限性，該算法很難應用到識別領域。

局部保持投影(Locality?Preserving?Projections)LPP是一種新的子空間分析方法,它是非線性方法LE的線性近似，既解決PCA等傳統線性方法難以保持原始數據非線性流形的缺點又解決了非線性方法難以獲得新樣本點低維投影的缺點。但是該方法與其他方法相同，都是將數據進行向量化，再進行降維，同樣會造成大量的計算和內存的消耗。

線性局部切空間排列算法LLTSA（Linear?Local?tangent?space?alignment）是經典非線性算法LTSA的線性近似，是一種能很好的適應與識別問題的非線性降維方法，但是該方法僅僅關注了數據的局部幾何結構，而沒有體現數據的整體信息。

發明內容

本發明針對目前生物特征提取和分類判別領域中存在的維數災難等問題，提供了一種直接以張量的形式對數據進行降維，既保留了數據的局部幾何特征，又避免了維數災難的一種基于張量局部保持投影的大腦認知狀態的識別方法。

為解決上述技術問題，本發明采用如下技術方案實現：首先構建訓練樣本的近鄰圖和計算對應的相關矩陣，通過求解目標函數的廣義特征值問題，計算出所有的轉換矩陣，然后再將訓練樣本與測試樣本分別對轉換矩陣進行相乘（這里指張量乘法），從而嵌入到低維張量空間，最后利用基于張量距離的近鄰分類器完成對大腦認知狀態的識別和分類。

本發明的方法包括如下步驟：