应用图像融合的fMRI数据处理方法的研究

提出了一种新的fMRI数据处理方法,融合了统计参数图（SPM）、独立成分分析(ICA)所提取的特征信息,实现脑功能激活区的准确提取。首先通过时段设计实验获取了反应不同握力条件下手运动相关皮层活动的fMRI数据,并且进行相应的预处理;然后采用SPM和ICA方法分别提取脑功能信息;研究了一种基于主成分分析的图像融合算法。最后,应用图像融合算法对SPM和ICA方法分别提取的脑功能信息进行融合。结果表明,该方法弥补了SPM和ICA两种方式的不足,是一种进行功能区定位更加有效的方法。     

基于fMRI瞬时功率的独立成分分析

独立成分分析(independent component analysis,ICA)采用一种统计隐变量模型,假设信号是由各信源线性叠加构成.为了解决功能磁共振数据(functional magnetic resonance imaging,fMRI)中由于信源非线性叠加造成的ICA检测误差,提出了基于瞬时功率的ICA方法.首先,由电流能量形式将fMRI数据推广为fMRI能量信号;然后,由血氧水平依赖(blood oxygenation level dependent,BOLD)信号与T2*信号的关系,给出了两种反映BOLD能量变化的瞬时功率fMRI信号;最后,采用空间ICA分析fMRI瞬时功率信号,得到与各脑部活跃区域能量相关的独立成分.从理论和仿真试验两个方面阐明了新方法的合理性和优越性,同时应用于实际癫痫fMRI数据,经与传统ICA方法比较,该方法能够在静息态下鲁棒地检测脑部能量异常区域.     

功能磁共振图像处理的ICA方法综述

能够进行无损伤探测的功能核磁共振成像(functional magnetic resonance imaging，fMRI)技术使人们又多了一种研究神经活动的有力工具，但传统的数据分析方法还不能很好地揭示fMRI数据中所包含的丰富信息，而独立分量分析(indepenctent component analysis，ICA)作为一种新近出现的数据处理方法，则不仅可以从fMRI数据分析中得出一些传统方法所未发现的结果，并且这种方法不需要传统方法的那种预先假设的先验模型，只依赖于数据本身即可提取其中所包含的信息。为了使人们对这一技术有一概略了解，首先对ICA方法的基本原理及其在fMRI数据处理中的应用进行了综述，并针对不同特点的fMRI数据详细讨论了如何选择不同的算法；然后ICA方法与传统方法相比存在的优越性进行了介绍，最后提出了此方法当前存在的一些问题及处理思路，并展望了其在fMRI数据处理中的发展趋势，可以认为，ICA是一种很有发展潜力的功能磁共振数据处理新方法。     

基于凸分析的盲分解方法及在脑功能磁共振 成像数据分析中的应用

盲分解(blind source separation,BSS)是经典的功能磁共振成像(functional magnetic resonance imaging,fMRI)数据驱动类分析方法.独立成分分析(independent component analysis,ICA)是fMRI数据盲分解的常用方法之一,主要利用源分量的独立性假设来从fMRI数据中提取持续任务相关(consistent task related,CTR)成分.然而在实际fMRI数据处理中发现源分量的独立性假设很难完全满足.为了提高CTR成分提取准确率,利用CTR分量空间稀疏性特点,引入基于凸分析的盲分解技术来分析fMRI数据.新方法包含两个步骤,首先利用fMRI观测数据构建一个凸集合,将源分量定位问题转化为在几何上确定凸集合端点;其次,通过体积最大法来确定凸集合端点.数值结果表明该方法可以从fMRI数据中提取更多有用信息,提高了CTR分量获取的准确率,有利于定位与任务相关的脑激活区.     

基于凸分析的盲分解方法及在脑功能磁共振成像数据分析中的应用（英文）

盲分解(blind source separation,BSS)是经典的功能磁共振成像(functional magnetic resonance imaging,fMRI)数据驱动类分析方法.独立成分分析(independent component analysis,ICA)是fMRI数据盲分解的常用方法之一,主要利用源分量的独立性假设来从fMRI数据中提取持续任务相关(consistent task related,CTR)成分.然而在实际fMRI数据处理中发现源分量的独立性假设很难完全满足.为了提高CTR成分提取准确率,利用CTR分量空间稀疏性特点,引入基于凸分析的盲分解技术来分析fMRI数据.新方法包含两个步骤,首先利用fMRI观测数据构建一个凸集合,将源分量定位问题转化为在几何上确定凸集合端点;其次,通过体积最大法来确定凸集合端点.数值结果表明该方法可以从fMRI数据中提取更多有用信息,提高了CTR分量获取的准确率,有利于定位与任务相关的脑激活区.     

基于独立成分分析及其扩展模型的工业过程监测方法综述

独立成分分析(independent component analysis, ICA)是一种多变量统计分析方法,常用于非高斯过程监测,它能够有效利用信号的高阶统计信息(三阶以上)提取相互独立的独立成分,在工业过程监测中得到了广泛的应用,是当前国际过程监测领域的研究热点.鉴于此,介绍经典ICA模型、改进ICA模型及其在工业过程的过程监测技术.首先,对经典ICA模型进行介绍,在此基础上对经典ICA模型进行分类并指出其优缺点;其次,针对经典ICA模型存在的缺陷,从ICA自身存在的问题、噪声和离群值3方面梳理改进ICA模型的发展;然后,以工业过程为主要应用背景,介绍ICA的过程监测技术如何从简单工业过程衍变至复杂工业过程,以及面向工业过程运行数据的单一特性和混合特性,综述ICA及其扩展模型在工业过程监测中的研究现状;最后,探讨该研究领域亟需解决的问题和未来的发展方向.     

基于独立成分分析的fMRI数据分类

针对功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)数据分类方法中多余的预测变量和实验噪声等导致无法准确提取数据的有效特征,影响分类准确率的问题,提出将独立成分分析(Independent Component Analysis,ICA)算法与Adaboost数据分类方法相结合用于分析fMRI数据。利用ICA算法通过线性变换将体素信息分解为统计独立的源信号的线性组合;不断更新分离矩阵提取脑组织边缘变化的特征信息;利用ICA算法得到的特征信息训练Adaboost分类器。实验结果显示该方法得到的平均分类准确率达到84.72%,表明其有助于对大脑中形成的视觉图像信息进行分类,为解码fMRI数据提供了一种方法。     

ICA及其在事件相关电位P3中的应用

针对事件相关电位(Event-related Potential ,ERP)P3复合波中的亚成分较难分离的问题,运用近年新兴起来的独立分量分析(Independent Component Analysis ,ICA)算法对多道事件相关电位P3复合波进行了分解.实验结果表明:利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,成功地分离出了P3复合波的各亚成分,从而表明了ICA在分离P3亚成分中的应用是一个值得注意的研究方向.     

ICA及其在事件相关电位P3中的应用

针对事件相关电位(Event-relatedPotential,ERP)P3复合波中的亚成分较难分离的问题,运用近年新兴起来的独立分量分析(IndependentComponentAnalysis,ICA)算法对多道事件相关电位P3复合波进行了分解。实验结果表明:利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,成功地分离出了P3复合波的各亚成分,从而表明了ICA在分离P3亚成分中的应用是一个值得注意的研究方向。     

基于WT/ICA和神经网络的人脸识别方法

提出了一种基于WT/ICA和神经网络的人脸识别方法.首先利用小波分析提取原始图像的低频子图,然后利用独立分量分析(ICA)进行特征提取,最后采用径向基函数(RBF)神经网络进行分类和识别.实验表明该方法提高了人脸的识别率.     

Multi-channel fusion convolutional neural network to classify syntactic anomaly from language-related ERP components

Event-Related Potential (ERP) analyses have revealed several language-related components in sentence processing literature. More recently, researchers attempted to apply machine-learning techniques to classify the language-structure dependent ERP signals in a more reliable and efficient way. The purpose of the current paper is to propose a classification technique based on data-driven approach to detect syntactic anomaly from language-related ERP components. We specifically examined whether sentences with syntactic violations elicited differential patterns of ERP signals and the abnormal patterns can be reliably classified by machine-learning techniques. The specific aim of the study is to develop a multi-channel fusion convolutional neural network (MCF-CNN) including two branches of CNNs and a trunk merged by an intermediate fusion layer to obtain trained linguistic features from the raw data and perform the classification. We extracted different linguistic ERP components from syntactic violations and put them in the fusion. As a next procedure we combined the features in the fusion layer of the proposed neural network architecture. Experimental results demonstrate that the proposed method provides more than 92% classification accuracy.     

ICA,kernel methods and nonnegativity: New paradigms for dynamical component analysis of fMRI data

In the last decades, functional magnetic resonance imaging (fMRI) has been introduced into clinical practice. As a consequence of this advanced noninvasive medical imaging technique, the analysis and visualization of medical image time-series data poses a new challenge to both research and medical application. But often, the model data for a regression or generalized linear model-based analysis are not available. Hence exploratory data-driven techniques, i.e. blind source separation (BSS) methods are very popular in functional nuclear magnetic resonance imaging (fMRI) data analysis since they are neither based on explicit signal models nor on a priori knowledge of the underlying physiological process. The independent component analysis (ICA) represents a main BSS method which searches for stochastically independent signals from the multivariate observations. In this paper, we introduce a new kernel-based nonlinear ICA method and compare it to standard BSS techniques. This kernel nonlinear ICA (kICA) overcomes the restrictions of linearity of the mixing process usually encountered with ICA. Dimension reduction is an important preprocessing step for this nonlinear technique and is performed in a novel way: a genetic algorithm is designed which determines the optimal number of basis vectors for a reduced-order feature space representation as an optimization problem of the condition number of the resulting basis. For the fMRI data, a comparative quantitative evaluation is performed between kICA with different kernels, nonnegative matrix factorization (NMF) and other BSS algorithms. The comparative results are evaluated by task-related activation maps, associated time courses and ROC study. The comparison is performed on fMRI data from experiments with 10 subjects. The external stimulus was a visual pattern presentation in a block design. The most important obtained results in this paper represent that kICA and sparse NMF (sNMF) are able to identify signal components with high correlation to the fMRI stimulus, and kICA with a Gaussian kernel is comparable to standard ICA algorithms and even more, it yields spatially focused results.     

基于滑动窗口的独立分量分析算法

针对时变混合模型的独立分量分析(ICA)问题,提出了基于滑动窗口的ICA算法.给出了基于滑动窗的分离矩阵递归学习算法,提高了算法的运算效率,因此可应用于独立分量的在线提取和动态独立分量分析等应用场合另外,针对独立分量排序不确定性所带来的问题,提出了利用峭度值大小对输出信号进行动态排序的思路.仿真实验证明了这一思路是可行的.对窗函数长度的选择问题还进行了探讨,得出了一些有参考价值的结论.实验结果表明,基于滑动窗ICA算法能较好地应用于时变混合模型的独立分量提取,具有良好的盲分离性能.     

fMRI动态功能网络构建及其在脑部疾病识别中的应用

如何从复杂的fMRI数据中提取 丰富的大脑信息是提高脑部疾病识别精度的关键。传统的静息态功能磁共振成像分析中,功能连接网络被认为是稳定不变的。提出一种基于成组独立成分分析的构建动态功能连接网络的方法,并通过该网络来获取功能网络本身的动态特性。首先,利用成组独立成分分析法提取fMRI数据的空间独立成分作为网络节点,并通过滑动时间窗的方法获取窗口时间序列,构建动态功能连接网络。以动态功能网络作为特征,对精神分裂症患者和正常被试数据进行分类识别。实验结果表明,该方法能够获取fMRI数据的时间维度信息,提高识别效果,在一定程度上能为临床诊断提供客观参照。     

独立成分相关分析的自适应故障监测方法

工业过程数据具有动态、非高斯等特性.独立成分分析(independent component analysis, ICA)既可以分析数据的非高斯形式,又可以极大地去除多变量间的耦合且满足独立性要求.本文引入粒子群算法优化ICA模型参数,自适应地确定独立成分个数.同时,提出一种基于隐马尔科夫链模型(hidden Markov model, HMM)的自适应检测限设计方法,将时间相关数据块的特征信息变化作为过程故障的检测依据.首先利用由时间窗方法确定的独立成分组成监测矩阵来训练HMM模型,旨在提高独立成分间相关性水平的表示能力;然后将得到的HMM模型对监测矩阵进行相关性评估,并在一定容许裕度的基础上设计评估值的自适应因子及检测限,并据此监测特征信息变化,动态地进行在线故障检测.最后, Tennessee Eastman (TE)仿真平台的实验结果表明了所提方法的有效性.     

结合纯像元提取和ICA的高光谱降维方法*

摘要：为了实现高光谱降维并保留重要的光谱特征,通过独立分量分析（Independent Component Analysis, ICA）混合模型和高光谱线性模型的对比分析,提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(Virtual Dimensionality, VD)确定特征个数,采用自动目标生成过程（Automatic Target Generation Process, ATGP）从原始数据中提取纯像元向量,作为ICA算法的初始化向量,以负熵为目标函数产生独立分量,并通过高阶统计量筛选实现高光谱数据的降维。分类实验结果表明,该方法不仅解决了传统ICA的随机排序问题,而且与经典降维算法主分量分析（Principal Components Analysis, PCA）相比,分类精度提高了6.83%,在大大降低高光谱数据量的情况下很好的保留了高光谱数据的特征,有利于数据的后续分析和应用。     

A model for selecting an ERP system based on linguistic information processing

An enterprise resource planning (ERP) is an enterprise-wide application software package that integrates all necessary business functions into a single system with a common database. In order to implement an ERP project successfully in an organization, it is necessary to select a suitable ERP system. This paper presents a new model, which is based on linguistic information processing, for dealing with such a problem. In the study, a similarity degree based algorithm is proposed to aggregate the objective information about ERP systems from some external professional organizations, which may be expressed by different linguistic term sets. The consistency and inconsistency indices are defined by considering the subject information obtained from internal interviews with ERP vendors, and then a linear programming model is established for selecting the most suitable ERP system. Finally, a numerical example is given to demonstrate the application of the proposed method.     

A new method for fMRI data processing: Neighborhood independent component correlation algorithm and its preliminary application

Independent component analysis (ICA) is a newly developed promising technique in signal processing applications. The effective separation and discrimination of functional Magnetic Resonance Imaging (fMRI) signals is an area of active research and widespread interest. Therefore, the development of an ICA based fMRI data processing method is of obvious value both theoretically and in potential applications. In this paper, analyzed firstly is the drawback of the extant popular ICA-fMRI method where the adopted signal model assumes the independence of spatial distributions of the signals and noise. Then presented is a new fMRI signal model, which assumes the independence of temporal courses of signal and noise in a tiny spatial domain. Consequently we get a novel fMRI data processing method: Neighborhood independent component correlation algorithm. The effectiveness is elucidated through theoretical analysis and simulation tests, and finally a real fMRI data test is presented.     

脑图像数据中的独立分量分析方法

针对脑功能磁共振成像在处理数据时空间维数较大的问题,提出一种空间独立分量分析(ICA)方法。研究空间ICA方法的基本模型结构和空间ICA的3种常见算法,即Infomax算法、Fixed-Point算法和Orth-Infomax算法。设计中文词义辨别实验,并使用线性相关方法进行算法比较。实验结果表明,与Infomax算法、Fixed-Point算法相比,Orth-Infomax算法任务相关分量的时间序列与参考函数的平均相关系数最大,具有较高的求解质量和求解效率,能够有效处理脑功能磁共振成像系统中存在的大量数据。