基于IVA和GroupICA的fMRI數(shù)據(jù)組分析.pdf

1、功能磁共振成像（Functional Magnetic Resonance Imaging，fMRI）數(shù)據(jù)具有空間分辨率高、對(duì)人體無(wú)損傷等特點(diǎn)。通過(guò)對(duì)多被試fMRI數(shù)據(jù)進(jìn)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(dú)立向量分析(Independent Vector Analysis, IVA)和GroupICA(Group Independent ComponentAnalysi

2、s)是兩種數(shù)據(jù)驅(qū)動(dòng)的fMRI數(shù)據(jù)組分析方法。但在幅值fMRI和復(fù)數(shù)fMRI數(shù)據(jù)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(duì)現(xiàn)有IVA算法假設(shè)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(yīng)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(shí)時(shí)匹配SCV分布，因此對(duì)源數(shù)據(jù)的概率分布不設(shè)要求，適用范

3、圍廣。同時(shí)，綜合利用了SCV的二階統(tǒng)計(jì)量和高階統(tǒng)計(jì)量，以進(jìn)一步提高分離性能?；诜抡婧蛯?shí)際fMRI數(shù)據(jù)的實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的有效性;
　　(2)針對(duì)現(xiàn)有IVA算法在復(fù)數(shù)fMRI數(shù)據(jù)分析中的性能不足問(wèn)題，提出了一種改進(jìn)的復(fù)數(shù)IVA算法。通過(guò)在現(xiàn)有實(shí)數(shù)IVA-L算法的基礎(chǔ)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(shí)數(shù)IVA-L算法拓展到了復(fù)數(shù)域?；诜抡婧蛯?shí)際fMRI數(shù)據(jù)的實(shí)驗(yàn)結(jié)果

4、表明，本文算法的分離性能優(yōu)于現(xiàn)有的復(fù)數(shù)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(fù)數(shù)fMRI數(shù)據(jù)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(jù)fMRI數(shù)據(jù)的相位特性，在現(xiàn)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(jìn)而提升SCV的質(zhì)量。實(shí)驗(yàn)結(jié)果驗(yàn)證了相位校正的有效性;
　　(4)比較了不同