復數fMRI數據分析的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ICA只分析了fMRI的幅值數據，沒有充分利用原始的復數數據。即使利用了復

2、數數據，由于相位信息噪聲較大，對全腦數據的分析結果還不夠理想。
　　 為了進一步提高復數全腦fMRI數據的ICA分析能力，本文做了以下幾方面工作：(1)利用實數Infomax算法(RInfomax)，從視覺＼運動刺激下fMRI幅值數據中分離了與任務相關的兩個感興趣信號，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fMRI信號特性的一致性，提出了分組復數ICA方法，對于不

3、同的分組，在復數Infomax算法(CInfomax)中選取了特性盡量匹配的非線性函數，以期提高分離性能。與CInfomax算法的比較結果表明，分組方法較傳統(tǒng)方法的性能有一定的提高。(2)針對復數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性的復數最大似然算法(ComplexMaximizationLikelihood，CML)。通過調節(jié)其概率密度分布函數的形狀參數，實現與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)基于復數參考獨立分量分析模型，將與fMRI感興趣信號相對應的腦激活幅值信息嵌入復數負熵最大化算法，從而給出了半盲負熵最大化的一單元及多單元復數算法，對仿真信號及實際fMRI數據進行了分離實驗。結果表明，半盲算法較其它方法具有較明顯的優(yōu)勢。
　　 本文提出的復數ICA方法較現有復數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