[发明专利]一种提取个体空时特征矢量与被试细分类的方法

权利要求书

1.一种提取个体空时特征矢量与被试细分类的方法，是从多被试fMRI数据的空间稀疏约束Tucker分解核张量中提取个体空时特征矢量与被试细分类的方法，其特征在于，

在Tucker分解模型中引入空间稀疏约束，形成如下模型：

其中，是多被试fMRI数据，V是脑内体素的个数，T是时间点个数，K是被试个数；是共享SM矩阵，是共享TC矩阵，是核张量，是残差张量，N是共享成分个数；“×₁”和“×₂”为模-1乘积和模-2乘积；“||·||_F”、“||·||₁”、“||·||_p”分别为l_F范数、l₁范数和l_p范数，p为稀疏参数；δ、λ、γ分别是空间稀疏项、核张量稀疏项和残差张量稀疏项参数；式(1)中，空间稀疏约束通过S的l_p范数实现，S和B的低秩约束由l_F范数实现，G和E的稀疏约束通过l₁范数实现；

由式(1)，得到增广拉格朗日函数如下：

式中，是G的分裂变量，是拉格朗日乘子，V是脑内体素的个数，T是时间点个数，K是被试个数，N是共享成分个数；α、β是惩罚参数，“·”是矩阵内积；和分别为张量R、X、E、U、W和G的第k个正面切片，分别满足R_k＝R(:,:,k)、X_k＝X(:,:,k)、E_k＝E(:,:,k)、U_k＝U(:,:,k)、W_k＝W(:,:,k)和G_k＝G(:,:,k)，其中k＝1,2,...,K，“:”表示取张量对应维的所有元素；

根据式(2)，利用ADMM和半二次分裂法对共享SM、共享TC以及核张量进行更新；

根据Tucker分解得到的多被试共享TC矩阵和共享SM矩阵，分别提取感兴趣成分的索引；然后，根据感兴趣成分在共享TC矩阵和共享SM矩阵中的索引，分别提取包含所有被试N个特征的空间特征矩阵和时间特征矩阵；最后，从空间特征矩阵和时间特征矩阵中分别提取每个被试的空间特征矢量和时间特征矢量，利用k-means算法分别根据空间特征和时间特征对被试进行细分类。

2.根据权利要求1所述的一种提取个体空时特征矢量与被试细分类的方法，其特征在于，具体实现步骤如下：

第一步：输入数据；以“空间体素×时间×被试”形式输入多被试fMRI数据张量

第二步：根据式(1)和式(2)，对多被试fMRI数据X通过ADMM和半二次分裂法实现Tucker分解，得到核张量共享SM矩阵和共享TC矩阵

第三步：分别构建共享TC和共享SM感兴趣成分的参考成分；当构建共享TC感兴趣成分的参考成分时，对于多被试任务态fMRI数据，任务相关参考成分由实验范式与HRF线性卷积生成，DMN参考成分为任务相关参考成分的反相成分；对于任务态fMRI数据其他成分以及多被试静息态fMRI数据，参考成分采用GICA方法获取，具体如下：采用GICA对时间维串联多被试fMRI数据进行分离，得到每被试特有TC，再对所有被试的特有TC取平均，得到共享TC感兴趣成分的参考成分；当构建共享SM感兴趣成分的参考成分时，对于多被试任务态fMRI数据，任务相关参考成分通过组GLM方法构建；对于任务态fMRI数据其他成分以及多被试静息态fMRI数据，参考成分选自文献“S.M.Smith,P.T.Fox et al.,“Correspondence of thebrain's functional architecture during activation and rest,”Proceedings ofthe National Academy of Sciences of the United States of America,vol.106,no.31,pp.13040-13045,2009”的结果；

第四步：分别提取共享TC和共享SM感兴趣成分的索引；基于与感兴趣成分的参考成分相关系数最大的原则，从B＝[b₁,b₂,...,b_N]中提取共享TC的感兴趣成分得到其索引j∈{1,2,...,N}，其中b_j＝B(:,j)；从S＝[s₁,s₂,...,s_N]中提取共享SM感兴趣成分得到其索引i∈{1,2,...,N}，其中s_i＝S(:,i)；“:”表示取矩阵对应维的所有元素；

第五步：根据共享TC和共享SM感兴趣成分的索引j和i，提取包含所有被试N个特征的空间特征矩阵和时间特征矩阵

G_S＝[G(:,j,1),G(:,j,2),...,G(:,j,K)] (3)

G_B＝[G(i,:,1),G(i,:,2),...,G(i,:,K)] (4)

其中“:”表示取张量对应维的所有元素；G_S和G_B的每一列元素分别对应每个被试的N个空间特征矢量和时间特征矢量；

第六步：根据空间特征矩阵G_S和时间特征矩阵G_B，利用k-means算法对K个被试进行细分类；重写式(3)和式(4)如下：

G_S＝[g_s1,g_s2,...,g_sK] (5)

G_B＝[g_b1,g_b2,...,g_bK] (6)

其中，和分别为被试k对应的空间特征矢量和时间特征矢量，k＝1,2,…,K；利用k-means算法，分别对所有K个被试的空间特征矢量g_s1,g_s2,...,g_sK和时间特征矢量g_b1,g_b2,...,g_bK进行聚类；聚类数目由肘部法则决定，聚类的结果即为被试空间特征细分类结果和时间特征细分类结果；

第七步：输出空间特征矩阵G_S、时间特征矩阵G_B、被试空间特征细分类和时间特征细分类结果。