基于IVA和GroupICA的fMRI數據組分析.pdf

1、功能磁共振成像（Functional Magnetic Resonance Imaging，fMRI）數據具有空間分辨率高、對人體無損傷等特點。通過對多被試fMRI數據進行分析，又稱為組分析(GroupAnalysis)，可以獲取腦功能研究和臨床診斷中所需要的腦功能成分。獨立向量分析(Independent Vector Analysis, IVA)和GroupICA(Group Independent ComponentAnalysi

2、s)是兩種數據驅動的fMRI數據組分析方法。但在幅值fMRI和復數fMRI數據的組分析中均存在一定的不足。為此，本文開展了以下工作:
　　(1)針對現有IVA算法假設SCV(Source Component Vector，SCV)的概率模型固定且已知的局限，提出了一種自適應IVA算法。該算法利用了可變的多維概率密度EP(Exponential Power, EP)模型，用于實時匹配SCV分布，因此對源數據的概率分布不設要求，適用范

3、圍廣。同時，綜合利用了SCV的二階統(tǒng)計量和高階統(tǒng)計量，以進一步提高分離性能?；诜抡婧蛯嶋HfMRI數據的實驗結果驗證了該算法的有效性;
　　(2)針對現有IVA算法在復數fMRI數據分析中的性能不足問題，提出了一種改進的復數IVA算法。通過在現有實數IVA-L算法的基礎上，加入基于非環(huán)形性和非高斯性的穩(wěn)定性量度，并將EP分布作為多維概率密度模型，本文將性能較優(yōu)的實數IVA-L算法拓展到了復數域?；诜抡婧蛯嶋HfMRI數據的實驗結果

4、表明，本文算法的分離性能優(yōu)于現有的復數IVA-G算法;
　　(3)將相位校正算法引入GroupICA算法中，有效提高了GroupICA算法在復數fMRI數據中的組分析性能。ICA固有相位模糊性，并在一定程度上影響組分析性能。為此，本文根據fMRI數據的相位特性，在現有的GroupICA算法中加入了相位校正環(huán)節(jié)，以期最大限度地統(tǒng)一多被試相同成分的相位，進而提升SCV的質量。實驗結果驗證了相位校正的有效性;
　　(4)比較了不同