[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

说明书

一种提取个体空时特征矢量与被试细分类的方法，属于生物医学信号处理领域。其充分挖掘“空间体素×时间×被试”形式多被试fMRI数据经Tucker分解所获取核张量中包含的高维耦合关系，针对空间稀疏约束Tucker分解方法所获取的核张量，提供一种各被试特有空时特征矢量的提取方法，并将这些空时特征矢量用于k‑means被试细分类。在10个健康被试任务态fMRI数据的个体空时特征矢量提取与被试细分类中，根据DMN成分对应的空间特征矩阵，将所有被试分为两组，组1各被试空间激活中IPL区域平均激活体素数比组2多109％；根据任务相关成分所对应的时间特征矩阵，将所有被试分为两组，组1任务态时间过程与参考成分的平均相关系数比组2高55.6％。这些个体空时差异能够为脑功能研究和脑疾病诊断提供新的客观依据。

技术领域

本发明属于生物医学信号处理领域，涉及到一种提取个体空时特征矢量与被试细分类的方法，具体是指从多被试功能磁共振成像(functional magnetic resonanceimaging，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。

背景技术

fMRI广泛应用于脑功能和神经精神类脑疾病研究。其优点在于高安全性、非侵入式以及毫米级高空间分辨率。多被试fMRI数据有5维，包括3维全脑数据、1维全脑扫描次数(即时间点个数)和1维被试个数。在进行盲源分离(blind source separation,BSS)时，通常将全脑数据展开成一维体素，此时的多被试fMRI数据“空间体素×时间×被试”也高达3维。

张量分解方法因其充分利用数据高维结构信息的优点，非常适合多被试fMRI数据的分析。Tucker分解是张量分解方法的一种，对于体现多被试fMRI数据高维空时结构的“空间体素×时间×被试”形式张量，既能分解出多被试共享的空间激活成分(spatial maps,SMs)和共享的时间过程成分(timecourses,TCs)，还能分解出蕴含各被试丰富个体信息的核张量。实际上，被试个体间存在认知功能、认知策略、年龄、性别等多方面的差异，在共享的空间激活成分之外，被试间存在着广泛的空间差异性和时间差异性。这些个体空时差异是对被试进行细分类的重要依据。与现有独立矢量分析(independent vector analysis，IVA)算法如IVA-GL(M.Anderson,T.Adali,X.L.Li,“Joint blind source separationwith multivariate Gaussian model:algorithms and performance analysis,”IEEETransactions on Signal Processing,vol.60,no.4,pp.1672-1683,2012)和组独立成分分析(groupindependent component analysis，GICA)方法(V.D.Calhoun,T.Adal₁,et al,“A method for making group inferences from functional MRI data usingindependent component analysis,”Human Brain Mapping,vol.14,no.3,pp.140-151,2001)所提取的单被试特有SM和单被试特有TC相比，Tucker分解核张量所蕴含的个体空间特征矢量和个体时间特征矢量与多被试共享SMs和共享TCs同时获取，完整代表了多被试共享SMs和共享TCs之外的个体空间差异性和时间差异性。而且，因为Tucker分解利用了多被试fMRI数据的高维结构，核张量中的个体空间特征矢量和个体时间特征矢量包括各被试特有SMs成分和特有TCs成分的高度压缩元素，当基于k-means算法对被试进行细分类时，能区分各被试之间空间激活和时间过程的形态差异。

然而，Tucker分解核张量目前很少被利用。目前仅限于在“1维/2维连接×时间×被试”形式(即3维/4维张量)中用于fMRI脑功能连接分析。对于“空间体素×时间×被试”形式的多被试fMRI数据，还没有对Tucker分解核张量进行研究利用的方法。

发明内容