论文部分内容阅读
功能磁共振成像(functional magnetic resonance imaging,fMRI)是20世纪90年代初出现的新型研究工具,使人们能够无损地进行脑功能研究和临床诊断。由于人们对人脑的认知程度有限,对先验信息要求较低的独立分量分析(independent component analysis.ICA)方法已成为fMRI分析的有力工具。然而,目前绝大多数ICA只分析了fMRI的幅值数据,没有充分利用原始的复数数据。即使利用了复数数据,由于相位信息噪声较大,对全脑数据的分析结果还不够理想。为了进一步提高复数全脑fMRI数据的ICA分析能力,本文做了以下几方面工作:(1)利用实数Infomax算法(RInfomax),从视觉运动刺激下fMRI幅值数据中分离了与任务相关的两个感兴趣信号,将其作为先验的fMRI信号,用峭度来分析了fMRI感兴趣信号的统计特性,确定了感兴趣信号的超高斯性。根据fMRI信号特性的一致性,提出了分组复数ICA方法,对于不同的分组,在复数Infomax算法(CInfomax)中选取了特性尽量匹配的非线性函数,以期提高分离性能。与CInfomax算法的比较结果表明,分组方法较传统方法的性能有一定的提高。(2)针对复数fMRI感兴趣信号的超高斯性,研究了对源信号分布特性具有适应性的复数最大似然算法(Complex MaximizationLikelihood,CML)。通过调节其概率密度分布函数的形状参数,实现与fMRI感兴趣信号的分布特性更好地匹配。仿真实验和实际fMRI分离实验表明,该方法较好地利用了fMRI的分布特性,性能优于CInfomax算法。(3)基于复数参考独立分量分析模型,将与fMRI感兴趣信号相对应的脑激活幅值信息嵌入复数负熵最大化算法,从而给出了半盲负熵最大化的一单元及多单元复数算法,对仿真信号及实际fMRI数据进行了分离实验。结果表明,半盲算法较其它方法具有较明显的优势。本文提出的复数ICA方法较现有复数方法在分离性能上有一定的提高,检测的激活区大于实数ICA算法,表明了本文方法的可行性。但由于相位数据的高噪性,本文算法的分离结果与期望结果仍有差距。因此,复数全脑fMRI数据的ICA算法仍有较大的研究空间。