[发明专利]基于刺激前后差异特征的大脑成像数据盲源分离方法

说明书

本发明公开了一种基于刺激前后差异特征的大脑成像数据盲源分离方法，实施步骤包括：将原始大脑成像数据依次重组织为二维矩阵A、中心化得到数据矩阵X、白化处理得到预处理后的数据矩阵Y；计算数据矩阵Y的移位相关矩阵γ和刺激前后差异项矩阵g，计算得到目标函数矩阵C；求取目标函数矩阵C的特征向量；利用目标函数矩阵C的特征向量、数据矩阵Y求得源信号。本发明能够更好地贴近大脑成像数据的特性，对源信号的假设合理、计算简单、操作方便、信号恢复质量高的基于刺激前后差异特征的大脑成像数据盲源分离方法，用于有任务或刺激的大脑成像数据的分析具有能够更准确的恢复任务/刺激相关的生理信号、求解过程简单，算法复杂度低的优点。

技术领域

本发明涉及有任务或刺激的大脑成像数据的分析技术，具体涉及一种基于刺激前后差异特征的大脑成像数据盲源分离方法。

背景技术

在大脑成像数据中，记录到的观测信号往往是由许多有意义的生理信号与各种干扰和噪声叠加形成的混合信号，所以在对脑成像结果进行分析前，信号分离是一项非常重要的工作。由于既不知道源信号，又不知其具体的混合过程，此项工作一般由盲源分离算法实现。

盲源分离(blind source separation，BSS)是一种数据驱动类算法，与假设驱动类分离算法不同，不需要知道源信号的精确波形，但需要对源信号的特征做出粗略的假设，假设越符合源信号的真实情况，盲源分离的效果就越好。但传统的盲源分离技术，如独立成分分析(independent component analysis，ICA)、主成分分析(principal componentanalysis，PCA)等，只对信号的统计特征做出假设，忽略了数据采样点出现的顺序和它们之间的时/空关系，调整信号的采样点出现的顺序对于PCA和ICA的所需的假设和算法处理结果是没有任何影响的。然而大脑成像信号不宜简单看作统计变量的采样，它具有一定的时间/空间结构(一定的波形或图案)，传统盲源分离方法所做的统计假设无法刻画和利用这些重要特征。在盲源分离过程中加入对信号时间/空间结构的假设描述，可以使假设更符合信号源的真实情况，从而提升盲源分离算法的性能。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种能够更好地贴近大脑成像数据的特性，对源信号的假设合理、计算简单、操作方便、信号恢复质量高的基于刺激前后差异特征的大脑成像数据盲源分离方法，用于有任务或刺激的大脑成像数据的分析具有能够更准确的恢复任务/刺激相关的生理信号、求解过程简单，算法复杂度低的优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于刺激前后差异特征的大脑成像数据盲源分离方法，实施步骤包括：

1)将原始大脑成像数据重组织为二维矩阵A，将所述二维矩阵A进行中心化得到数据矩阵X，然后对数据矩阵X进行白化处理，得到预处理后的数据矩阵Y；所述二维矩阵A的行表示空间维、列表示时间维，每一行是一个观测变量的所有采样，每个列向量是一个时间过程，二维矩阵A的空间维的长度为n、时间维的长度为t，在此t个时间点中，前k个时间点有刺激/任务，后t-k个时间点没有刺激/任务；数据矩阵X及数据矩阵Y的维数含义及维数大小与二维矩阵A一致；

2)计算预处理后的数据矩阵Y的移位相关矩阵γ和刺激前后差异项矩阵g，根据移位相关矩阵γ和刺激前后差异项矩阵g计算得到目标函数矩阵C；

3)求取目标函数矩阵C的特征向量；

4)利用目标函数矩阵C的特征向量、预处理后的数据矩阵Y求得源信号。

优选地，步骤1)中将所述二维矩阵A进行中心化时，既去除所述二维矩阵A的时间维度上的均值，又去除所述二维矩阵A的空间维上的均值。

优选地，步骤2)中移位相关矩阵γ的计算函数表达式如式(1)所示；

γ＝Y*(Y′)^T (1)