復(fù)數(shù)fMRI數(shù)據(jù)分析的ICA算法研究.pdf

1、功能磁共振成像(functional magnetic resonance imaging，fMRI)是20世紀90年代初出現(xiàn)的新型研究工具，使人們能夠無損地進行腦功能研究和臨床診斷。由于人們對人腦的認知程度有限，對先驗信息要求較低的獨立分量分析(independentcomponentanalysis，ICA)方法已成為fMRI分析的有力工具。然而，目前絕大多數(shù)ICA只分析了fMRI的幅值數(shù)據(jù)，沒有充分利用原始的復(fù)數(shù)數(shù)據(jù)。即使利用了復(fù)

2、數(shù)數(shù)據(jù)，由于相位信息噪聲較大，對全腦數(shù)據(jù)的分析結(jié)果還不夠理想。
　　 為了進一步提高復(fù)數(shù)全腦fMRI數(shù)據(jù)的ICA分析能力，本文做了以下幾方面工作：(1)利用實數(shù)Infomax算法(RInfomax)，從視覺＼運動刺激下fMRI幅值數(shù)據(jù)中分離了與任務(wù)相關(guān)的兩個感興趣信號，將其作為先驗的fMRI信號，用峭度來分析了fMRI感興趣信號的統(tǒng)計特性，確定了感興趣信號的超高斯性。根據(jù)fMRI信號特性的一致性，提出了分組復(fù)數(shù)ICA方法，對于不

3、同的分組，在復(fù)數(shù)Infomax算法(CInfomax)中選取了特性盡量匹配的非線性函數(shù)，以期提高分離性能。與CInfomax算法的比較結(jié)果表明，分組方法較傳統(tǒng)方法的性能有一定的提高。(2)針對復(fù)數(shù)fMRI感興趣信號的超高斯性，研究了對源信號分布特性具有適應(yīng)性的復(fù)數(shù)最大似然算法(ComplexMaximizationLikelihood，CML)。通過調(diào)節(jié)其概率密度分布函數(shù)的形狀參數(shù)，實現(xiàn)與fMRI感興趣信號的分布特性更好地匹配。仿真實驗

4、和實際fMRI分離實驗表明，該方法較好地利用了fMRI的分布特性，性能優(yōu)于CInfomax算法。(3)基于復(fù)數(shù)參考獨立分量分析模型，將與fMRI感興趣信號相對應(yīng)的腦激活幅值信息嵌入復(fù)數(shù)負熵最大化算法，從而給出了半盲負熵最大化的一單元及多單元復(fù)數(shù)算法，對仿真信號及實際fMRI數(shù)據(jù)進行了分離實驗。結(jié)果表明，半盲算法較其它方法具有較明顯的優(yōu)勢。
　　 本文提出的復(fù)數(shù)ICA方法較現(xiàn)有復(fù)數(shù)方法在分離性能上有一定的提高，檢測的激活區(qū)大于實數(shù)