[发明专利]一种基于隐状态模型的fMRI自然图像解码方法

权利要求书

1.一种基于隐状态模型的fMRI自然图像解码方法，其特征在于，包括以下步骤：

1)求出刺激图像的特征矩阵，大脑体素的响应强度为特征矩阵的加权和；

2)求出特征矩阵的权向量以及估计的误差向量；

3)求出每个体素的误差向量与其他体素的误差向量之间的相关系数，根据相关系数越大对体素响应影响越大的关系，找出对目标体素响应影响明显的体素；

4)通过主成分分析法求取体素误差向量的主成分，作为引入的隐状态特征；

5)按照响应强度为特征矩阵和隐状态的加权和，重新估计模型，求出新的权向量，得到训练出的隐状态编码模型，通过训练出的隐状态编码模型进行图像识别；所述的相关系数为皮尔逊相关系数，并且由大至小按序选择出多个对目标体素响应影响明显的体素；隐状态编码模型为y＝Xα+Hβ+n，隐状态H为PCA求取选出体素对应相关误差向量的主成分；

首先通过新的权向量求解出每个体素对每个刺激图像的响应强度，得到由多个体素响应强度组成的脑活动图，所得脑活动图与测试集中预测的每一个刺激图像相对应；再求出测得的脑活动图与预测脑活动图之间的误差，经过步骤4)求解出每一个刺激图像对应的隐状态；

图像识别的具体过程为：

1、向量v＝[v₁，v₂，...，v_i，...，v_p]^T∈R^(p×1)表示对某一幅刺激图像测得的脑活动图，式中的不同元素分别表示不同体素对该图像的响应强度，向量v′＝[v₁′，v₂′，...，v_i′，...，v_p′]^T∈R^(p×1)表示通过一般编码模型预测的活动图；2、求v与v′二者之间的误差向量，e＝v-v′，e＝[e₁，e₂，...，e_i，...，e_p]^T∈R^(p×1)，式中的不同元素分别表示不同体素的预测强度与真实强度之间的误差；3、假定第j，k，l个体素对第i个体素的影响最大，则选出第j，k，l个体素的误差值；4、求解h_i＝f(e_j，ek，e_l)，式中的函数f(·)是步骤5)中用PCA学习出的线性变换；5、用隐状态编码模型预测脑活动图，计算6、对p个体素和n幅刺激图像重复以上过程，最终得到n个隐状态编码模型预测的脑活动图，所述的每个脑活动图由n个预测的体素响应强度组成；7、将预测得到的n个脑活动图与测量得到的活动图一一进行相关性分析，认为相关系数最大的那一个预测图所对应的刺激图像为仪器检测时被试者所观看的图像。

2.根据权利要求1所述基于隐状态模型的fMRI自然图像解码方法，其特征在于，所述的步骤1)首先将刺激图像划分为网格状，在每个格点上设计五个不同空间频率、八个不同方向、两个正交相位共80个Gbaor滤波器，对图像进行滤波，得到特征矩阵X；

单个体素对应每个特征矩阵X有一个响应强度，则有向量y＝[y₁，y₂，...，y_i，...y_n]∈R^n×1，其中，不同的元素表示该体素对不同刺激图像的响应强度，共有n幅图，X＝[X₁，X₂，...，X_i，...，X_n]^T∈R^(n×(m+1))，其中，不同的元素表示不同刺激图像的特征矩阵。

3.根据权利要求2所述基于隐状态模型的fMRI自然图像解码方法，其特征在于，所述的步骤2)通过编码模型y＝Xα+r进行预估计，通过感受野模型计算出每一个体素的感受野之后，筛选出感受野有效的体素，最后求解出每个体素对应的误差向量r＝y-Xα。