[发明专利]一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法

说明书

一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法，属于生物医学信号处理领域。其在RKCA低秩约束Tucker分解模型中引入了空间稀疏约束，解决了“空间体素×时间×被试”形式多被试fMRI数据的高噪性问题，匹配了多被试共享空间成分的稀疏性，从中有效提取了多被试的共享空间成分、共享时间成分，以及含有丰富被试个体信息的核张量。在10个健康被试任务态fMRI数据分解中，与RKCA方法相比，所提取任务态和默认网络的共享空时成分与参考成分的相关系数分别提升了58.3％和29.6％以及31.7％和31.9％，在空间参考内的激活体素数目分别增加了51.1％和26.0％，为脑认知和脑疾病研究提供了新方法。

技术领域

本发明属于生物医学信号处理领域，涉及到一种引入空间稀疏约束的多被试功能磁共振成像(functional magnetic resonance imaging，fMRI)数据Tucker分解方法。

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。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，能够从中提取多被试共享的空间激活成分(spatial maps,SMs)及其对应的多被试共享时间过程(timecourses,TCs)。Tucker分解是张量分解方法的一种，既能分解出多被试共享SMs和共享TCs，还能分解出核张量。核张量中包含了丰富而压缩的原始数据信息，反映了输入高维数据在各个维度上的紧密联系，从中可提取各被试特有的强度信息和特有的空时特征。因此，Tucker分解方法是脑功能研究或脑疾病诊断的重要方法论之一，在保持原始高维数据结构的优势下，同时提供多被试群体性与个体性空时脑功能信息。

常用Tucker分解方法有高阶正交迭代(higher-order orthogonal iteration，HOOI)算法和高阶奇异值分解(higher-order SVD，HOSVD)算法。然而，对于“空间体素×时间×被试”形式的多被试fMRI高维数据张量，这些Tucker分解算法均不能提供令人满意的性能。主要原因在于，多被试fMRI数据具有高噪性，而且多被试共享SMs具有空间稀疏性。这些特性在现有Tucker分解模型中均未得到考虑。

针对这一问题，本发明采用Bahri等人在2019年文章(M.Bahri,Y.Panagakis,andS.Zafeiriou,“Robust Kronecker component analysis,”IEEE Transactions onPattern Analysis and Machine Intelligence,vol.41,no.10,pp.2365–2379,2019)中提出的一种在光学图像降噪中取得优越性能的低秩约束模型Robust Kronecker componentanalysis(RKCA)用于“空间体素×时间×被试”fMRI张量的降噪；在RKCA的低秩约束基础上，继续引入空间稀疏约束，解决RKCA算法只适合不具有空间稀疏性的光学图像降噪，而不适于具有空间稀疏性的fMRI数据分析问题；提供一种适用于“空间体素×时间×被试”张量的多被试fMRI高维数据Tucker分解方法，为脑功能研究或脑疾病诊断同时提供群体性与个体性脑功能信息。

发明内容

本发明提供了一种引入空间稀疏约束的多被试fMRI数据Tucker分解方法，能有效地从“空间体素×时间×被试”形式的多被试fMRI数据中提取共享SM、共享TC和核张量，显著提升Tucker分解在多被试fMRI数据分析中的性能。

本发明采用的技术方案如下：