[發明專利]一種適于多被試復數fMRI數據分析的自適應定點IVA算法

有效

• 申請號: 201610165248.2
• 申請日: 2016-03-18
• 公開（公告）號: CN105760700B
• 公開（公告）日: 2018-06-08
• 發明（設計）人: 林秋華;鄺利丹;龔曉峰;叢豐裕
• 申請（專利權）人: 大連理工大學
• 主分類號: G16H10/00
• 分類號: G16H10/00;G06F17/16;G06F17/15
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉;侯明遠

一種適于多被試復數fMRI數據分析的自適應定點IVA算法，屬于生物醫學信號處理領域。采用基于多維廣義高斯分布(MGGD)的非線性函數估計復數fMRI數據的源向量成分(SCV)分布；采用最大似然法自適應地估計MGGD的形狀參數，與變化SCV分布自動匹配；在SCV主導子空間更新基于MGGD的非線性函數，實現對復數fMRI數據的消噪；在算法更新過程中加入輸入數據的偽協方差陣，直接利用復數fMRI數據的非環形特性，進一步提高IVA分析復數fMRI數據的針對性。本發明能夠有效分析高噪聲水平但腦功能信息最為全面的多被試復數fMRI數據，在被試間差異性大且信噪比低的不利情況下，能為腦功能研究和腦疾病診斷提供更好的依據。

技術領域

本發明涉及生物醫學信號處理領域，特別是涉及一種多被試復數功能磁共振成像(functional magnetic resonance imaging，fMRI)數據的分析方法。

背景技術

fMRI是目前腦科學研究不可或缺的強有力工具。通過對fMRI數據的分析，人們能更全面和更深層次地揭示腦功能和腦機理。原始采集到的fMRI數據是復數，包括幅值數據和相位數據。其中，相位數據的噪聲比較大，導致復數fMRI數據的噪聲比幅值fMRI數據大。為此，人們在大多數fMRI研究中直接丟棄相位fMRI數據，而只進行幅值fMRI數據分析。然而，越來越多的研究表明，相位數據包含著很多獨特而有生理意義的信息，如功能激活期間的血氧化水平、大小血管的影響、不同組織類型的標識，等等。因此，對復數fMRI數據進行分析有助于將腦科學研究推向深入。

獨立向量分析(independent vector analysis，IVA)是一種聯合獨立成分分析(independent component analysis，ICA)方法，能解決單ICA方法在多被試fMRI數據分析中的順序模糊問題。通過IVA算法分析，可以從多被試fMRI數據中獲取各被試的多個(通常20-50個)腦空間激活區(spatial map，SM)成分及其相應的時間過程(time course，TC)成分，從而獲得各被試空時響應的差異信息，為后續腦功能研究和臨床診斷提供重要依據。

IVA通過最小化源向量成分(source component vector，SCV，以fMRI數據分析為例，SCV包含了各被試相同的SM成分)之間的互信息，同時最大化SCV內部成分的相關性來實現SM信號分離。IVA算法通常選取多維概率密度函數或者非線性函數來實現SCV概率密度分布的估計。目前，IVA有實數算法和復數算法。其中，實數IVA算法已用于多被試幅值fMRI數據分析；復數IVA算法已用于語音頻域盲分離，但尚未應用到多被試復數fMRI數據分析中，主要問題有三：

第一，復數fMRI數據噪聲大。由于缺乏消噪措施，現有復數IVA算法無法對多被試復數fMRI數據進行直接有效的分析。

第二，多被試復數fMRI數據的SCV分布有別于頻域語音。其結果是，現有復數IVA算法中的多維概率密度函數或者非線性函數只適合于語音信號，不適合多被試復數fMRI數據。

第三，多被試復數fMRI數據的SCV分布差異大。其原因在于，復數fMRI數據的SCV成分種類繁多，包括任務相關成分、瞬時任務相關成分、默認網絡成分、聽覺成分、視覺成分、運動成分、掃描儀噪聲成分、呼吸噪聲成分、頭動噪聲成分等幾十種。在這種情況下，采用固定式多維概率密度函數或非線性函數已不能準確地估計各SCV成分的分布。

發明內容

本發明的目的在于，提供一種適于多被試復數fMRI數據分析的自適應定點IVA算法，通過引入fMRI數據消噪、復數fMRI數據的非環形特性，以及自適應地學習SCV分布，解決上述三方面問題，在多被試復數fMRI數據的IVA分析中取得顯著優于現有算法的結果。