[發明專利]一種基于流行學習算法的fMRI數據二維可視化方法

有效

• 申請號: 201710506526.0
• 申請日: 2017-06-28
• 公開（公告）號: CN107330948B
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 陳華富;顏紅梅;王沖;黃偉
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T11/00
• 分類號: G06T11/00
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 甘茂

1.一種基于流行學習算法的fMRI數據二維可視化方法，該方法包括：

步驟1.獲取腦部的功能性磁共振圖像fMRI，并將其與腦功能區模板進行匹配，確定每個體素點所處的腦功能區，所述的腦功能區模板為已有的標準大腦功能分區模板；

步驟2.提取所有體素點的空間坐標及其所處腦功能區編號，將這些信息組成的四維向量組X＝{x₁，x₂，x₃，…，x_n}，x_i表示功能性磁共振圖像中的第i個體素點,其中i＝1.2.3…n；其中x_i＝(r_i,p_i,q_i,n_i),(r_i,p_i,q_i)表示第i個體素點的三維空間坐標，n_i表示第i個體素點所處腦區編號；

步驟3.確定降維結果與原始結果的損失函數C的復雜度Perp以及最優化參數，優化參數包括：迭代次數T，學習率η，沖量α(t)；其中復雜度選取的范圍為5≤Perp≤50，迭代次數T，學習率η，沖量α(t)結合實際計算量與降維效果的需求來選取合適的參數；

步驟4.利用步驟3中確定的復雜度Perp采用如下公式(1)計算不同體素點間的條件相似性p_j|i；

H(p_i)＝-∑_jp_j|ilog₂p_j|i (3)

其中x_j表示第j個體素點，x_k表示第k個體素點，σ_i表示以第i個體素點為中心的正態分布的方差，p_i表示第i個體素點與其他體素點的條件相似性分布，Perp(p_i)表示p_i的復雜度，H(p_i)表示p_i的香農熵，它隨著σ_i的增加而增加；

通過步驟3中選取的Perp值確定體素點i處的方差σ_i；方法為計算出一個合適的σ_i值，使該σ_i值通過(1)、(3)式算出的H(p_i)值滿足(2)式；

令并隨機設定迭代初始值使之服從均值為0，方差為10^-4的正態分布，其中y_i表示低維數據點,其中i＝1.2.3…n，p_ij表示體素點i與體素點j在高維空間中的對間相似性；

步驟5.使用梯度下降法對初始值進行迭代降維，以找出最優降維結果；

步驟6.通過以上迭代過程得到的低維數據結果即為最終的最佳降維結果；

步驟7.將得到的低維數據在平面內顯示出來，并將不同腦功能區的體素點以不同的形式顯示來加以區分。

2.如權利要求1所述的一種基于流行學習算法的fMRI數據二維可視化方法,其特征在于所述步驟5的具體方法為：

y_j，y_k分別表示體素點j和體素點k在低維空間中的映射值，由公式(4)計算出第i個體素點和第j個體素點在低維空間映射值的對間相似性q_ij；

C表示降維結果與原始結果的損失函數，損失函數反映了原始數據降維前后的數據損失量；其中P代表數據在高維空間的聯合概率分布，Q代表數據在低維空間的聯合概率分布，KL(P||Q)代表P和Q的KL散度；采用梯度下降法使損失函數最小化，具體方法如下：

由公式(5)計算出即損失函數對降維后數據點的偏導數，其中令并根據步驟3中確定的參數循環迭代T次。