一、空间ICA在fMRI数据上的应用与分析（论文文献综述）
彭朋[1]（2020）在《多模态影像遗传学数据的信息提取方法研究》文中提出随着信息化在大脑神经科学领域的不断深入,多模态神经影像数据和基因数据急剧增加,融合多模态数据分析精神疾病致病机理并进一步应用于精准医疗已经成为全球科技界、卫生界和工业界关注的热点。影像遗传学是一门新兴的交叉学科。它主要运用脑影像技术将人类大脑的功能或结构作为内表型来评价基因对个体的影响,使得人们可以在脑的宏观水平上以更客观的测量方式探索基因对人的行为或精神疾病的影响。机器学习算法是分析影像遗传学数据的常用方法之一。通过建立稀疏模型,从多模态的影像遗传学数据中提取特征,这些特征对应的脑区和基因可以为辅助疾病的临床诊断与治疗。但从具有“高维度,小样本”特点的影像遗传数据中发现与精神疾病（例如精神分裂症）相关的风险基因与异常脑区仍具有挑战。因此,寻找能够从多模态影像遗传学数据中提取显着特征的相关分析方法非常重要。本论文主要利用MCIC数据集上的f MRI数据作为影像表型数据,SNP数据和DNA甲基化数据作为基因型数据,开展精神分裂症的影像遗传学数据研究。围绕“提取与精神分裂症有关的风险基因,表观遗传因子和异常大脑区域”问题,分别建立了三个数学模型,具体的工作总结如下。（1）由于影像遗传学数据具有“高维度,小样本”的特点,探索基因突变对脑区功能的影响仍然是一个具有挑战性的问题。传统的方法分别对影像数据和基因数据集进行降维处理后,再计算其相关性,然而这忽略了影像表型变量和基因变量中的结构信息对最终结果的影响。为了提高对精神分裂症风险基因和异常脑区的识别,提出了一种新的基于统计独立性和结构稀疏性的典型相关分析方法（ISCCA）。ISCCA模型在传统CCA模型的基础上引入了独立成分分析（ICA）以降低特征共线性效应,克服了传统CCA特征选择的歧义性。此外,还在CCA模型中引入拉普拉斯图形结构的正则化项,提高了传统CCA模型特征选择的准确性。模拟实验结果表明,与其他CCA模型相比,ISCCA模型在相关系数中取得了优异的性能。此外,将ISCCA应用于MCIC数据集上,一组相互作用的基因-ROI被提取出来,它们被验证在统计学和生物学上均具有显着性。（2）随着神经影像技术和基因检测技术的飞速发展,整合多模态影像数据和基因数据以探索精神分裂症的致病因子的工作仍然十分有限。为了解决这个问题,提出了一种新的正交子空间上组稀疏联合非负矩阵分解（GJNMFO）算法。该算法将单核苷酸多态性（SNP）数据,功能磁共振成像（f MRI）数据和表观遗传因子（DNA甲基化）三模态数据投影到一个公共的基础矩阵和三个不同的系数矩阵中以识别与精神分裂症有关的风险基因、表观遗传因子和异常大脑区域。具体来说,在基矩阵上引入正交约束,以删除系数矩阵行向量中不重要的特征。由于影像遗传数据具有丰富的分组结构信息,因此在三个系数矩阵上施加组稀疏约束,使选择的特征更加准确。模拟和真实的MCIC数据均被执行以验证模型的有效性。仿真结果表明,GJNMFO模型优于其它有竞争力的模型。通过MCIC数据集的实验,GJNMFO揭示了一组与精神分裂症有关的风险基因、表观遗传因子和异常的脑功能区域。（3）精神分裂症是一种复杂的精神疾病,其致病机理目前尚不清楚。利用稀疏表示和字典学习（SDL）算法分析精神分裂症的f MRI数据集是目前研究精神分裂症发病机制的常用方法。SDL方法将f MRI数据分解为稀疏编码矩阵X和字典矩阵D。然而,传统的SDL方法忽略了X中的群结构信息和D中的原子间的相干性。为了解决这个问题,基于SDL模型提出了一种GS2ISDL模型。该模型从f MRI和SNP数据中提取与精神分裂症相关的异常脑区和基因。具体来说,根据AAL解剖模板将f MRI数据进行分组,然后将这些分组信息作为先验用于指导编码矩阵实现组间稀疏。除此以外,还通过1L范数使得编码矩阵实现组内稀疏。此外,GS2ISDL算法还对字典矩阵D施加非相干约束,以减少D中原子之间的相干性,从而保证X的唯一性和原子的判别性。为了验证GS2ISDL模型的有效性和先进性,将其与IK-SVD和SDL算法在MCIC采集的f MRI数据上进行比较。定量结果表明,GS2ISDL的准确率为93.75%、精确率为94.23%、召回率为80.50%、MCC为88.19%,均优于IK-SVD和SDL。与IK-SVD算法相比,GS2ISDL算法的准确率、精确率、召回率和MCC值分别提高了5.5%、8.51%、5.28%和9.06%。与SDL算法相比,GS2ISDL算法的准确率、精确率、召回率和MCC值分别提高了6.24%、13.52%、7.65%和10.73%。本文分别构建了三个数学模型对精神分裂症的多模态影像遗传学数据进行信息提取研究,识别出了一些与精神分裂症有关的有关的风险基因,表观遗传因子和异常大脑区域,为精神疾病的预防、诊断和治疗提供了新的理论基础。
赵凡[2]（2020）在《基于改进ICA的阿尔茨海默症脑功能网络异常分析》文中研究指明随着静息态功能磁共振影像技术的不断发展,影像处理技术也日渐成熟。针对阿尔茨海默症（Alzheimer’s disease,AD）患者而言,从RS-fMRI影像中有效分离出有意义的神经信号并构建脑功能网络对其更早的病情预测具有重要的研究意义。独立成分分析算法（Independent Component Correlation Algorithm,ICA）是在RS-fMRI影像处理领域应用广泛的信号提取算法之一,但仍有不足之处。因此,本文对传统ICA进行了有效改进,并将其应用于阿尔茨海默症患者的脑网络分析。通过实验分析对比,有效说明了本文所提改进算法的有效性和鲁棒性。论文主要贡献如下:在经典ICA方法的基础上将对数据的噪声项进行假设,使其在原有无噪声的苛刻假设情况下进行扩展分析。通过调整主成分的噪声以增强ICA的鲁棒性,实现了一种稳健的独立成分分析算法（Confounding-robust Independent Component Algorithm,CRICA）。所提方法允许存在静态混杂噪声,可调整每组中不同的噪声将组间的变化合并在一起,对于防止组内的混杂具有鲁棒性,并且可用于跨组数据分析。将改进的CRICA算法分别与FastICA、GroupICA算法利用模拟数据和真实数据进行了对比。结果显示,CRICA方法在有组混杂和无混杂情况组成的模型中表现良好,CRICA方法可以通过调整组混淆以增强ICA鲁棒性。因此,在数据包含固定噪声或混淆时,CRICA会获得更好结果已达到所预期的判断。本文将CRICA算法应用于阿尔茨海默症脑网络研究,针对RS-fMRI影像数据,探究了30名健康对照（Healthy control,HC）、19名遗忘型轻度认知障碍（amnestic mild cognitive impairment,aMCl）患者以及22名AD患者的静息态网络（Resting state network,RSN）的统计学差异。在使用CRICA方法处理数据之后,本文分析得到的功能连接异常区域和之前的研究具有一致性,并且在额上回内侧、额上回背外侧以及双侧距状裂周围区域发现与之前不同的但与临床表现具有一致性的功能连接变化。
龚军辉[3]（2020）在《基于时空双稀疏表示的静息态脑网络构建及分析方法研究》文中提出人脑有上100亿个相互连接的神经元,是人类实现感知外界、控制身体运动、产生意识等功能的高级神经中枢。在过去几十年里,来自认知神经科学、解剖学、信息科学等领域的学者对大脑的结构和功能开展了卓有成效的研究工作。然而,大脑的神经元数目巨大、结构复杂,要完全理解人脑的功能机制,目前仍是一个挑战性科学难题。近年来,医学成像技术的快速发展为解决这一难题提供了有利条件。功能核磁共振技术（functional Magnetic Resonance Imaging,f MRI）不仅具有无创、高时空分辨的优点,而且可以基于f MRI数据来构建脑网络,有助于理解大脑的功能运行机制。然而,由于f MRI数据具有高维、高噪、小样本等特性,在脑网络构建及分析时仍存在一些有待解决的难题,例如,脑网络构建方法鲁棒性能不理想、构建的个体特性脑网络定性分析与识别困难、现有脑网络的重测重现性量化指标存在局限性等。因此,针对以上问题,深入研究静息态脑网络的构建及分析方法,具有重要的理论意义和应用前景。本文依托国家自然科学基金项目（81571341）和湖南省研究生创新项目（CX2016B127）,以人脑静息态f MRI数据为研究对象,首先采用一种简化的线性组合模型来描述固有连接网络之间的非线性动态耦合机制,在此基础上提出了一种基于时空双稀疏表示（Dual Temporal and Spatial Sparse Representation,DTSSR）的脑网络构建方法,从f MRI静息态数据中构建出个体特性脑网络和组水平脑网络;然后,提出了一种新的脑网络相似性量化评估指标,实现了多个脑网络的重测重现性量化评估;最后,将所提脑网络构建方法应用于成人注意力缺陷多动障碍症（Attention Deficit Hyperactivity Disorder,ADHD）患者的静息态f MRI数据分析中。论文完成的主要工作及创新点如下:1、研究了基于稀疏表示的静息态f MRI个体特性脑网络构建方法。针对传统的独立成分分析方法在处理静息态f MRI数据时源成分独立假设缺乏神经生理学基础的问题,本文采用了具有神经生理学基础的稀疏表示方法,从个体静息态f MRI数据中构建个体特性脑网络。首先,对原始的静息态f MRI数据进行一系列预处理,以提高信号的信噪比;然后,采用基于在线字典学习算法的稀疏表示,对预处理后的个体时域f MRI信号矩阵进行分解,获得了个体特性脑网络;最后,将获得的个体特性脑网络与已有研究中报道的脑网络进行了匹配和分析。采用静息态f MRI公开数据集Leiden＿2180对所提出的方法进行了实验测试,结果显示,所构建的个体特性脑网络与现有文献报道中的常见脑网络相关系数为0.24-0.76,相应的显着相关性检验P值都小于10-5,说明稀疏表示算法能有效地构建出个体特性脑网络。2、提出了一种基于时空双稀疏表示的组水平脑网络构建方法。针对个体特性脑网络定性分析与识别困难的问题,本文根据脑网络分层耦合机制的特性,采用了一种简化的线性组合数学模型来描述固有连接网络（Intrinsic Connectivity Network,ICN）之间的非线性动态耦合机制。依据上述模型,提出了一种基于时空双稀疏表示的脑网络构建方法,获得了具有组共性的组水平ICN及ICN的耦合参数矩阵。在公开数据集Leiden＿2180、Leiden＿2200以及本文采集的数据集上的实验测试结果表明:采用DTSSR可以方便地识别和定性分析个体特性脑网络;所获得的组水平ICN能在脑科学上有合理的解释;与传统的时域串联组ICA方法（Temporally Concatenation Group ICA,TC-GICA）相比,DTSSR方法具有更好的鲁棒性。3、提出了一种脑网络重测重现性评估新指标。针对传统的相似度评估指标不能直接评估三次及以上重测数据的重测重现性能的局限性,本文提出了一种基于Z标准化和组内相关系数的多变量相关系数（Zero-mean normalization and Intraclass Correlation Coefficient,Z-ICC）作为脑网络相似性评估指标,并对多次重测的f MRI数据上构建的组水平脑网络进行了重测重现性能的量化评估。在公开的静息态重测数据集NYU＿TRT上的实验结果表明:（1）采用所提的Z-ICC指标,能有效地对三次重测的f MRI数据上获得的组水平脑网络进行重测重现性的量化评估;（2）与其他指标相比,采用Z-ICC获得的结果与人工观察结果更为一致;（3）相比TC-GICA方法,本文所提出的DTSSR方法具有更优越的重测重现性能。4、将本文所提出的DTSSR方法应用于成人ADHD患者的f MRI数据分析中,获得了ADHD相关脑网络;并以此为基础设计了基于支持向量机的ADHD计算机辅助诊断分类方法。在公开数据集New York＿a＿ADHD上的实验结果发现,所检测出的ADHD相关网络为注意网络和执行控制网络,这两个脑网络涉及到与ADHD相关的注意控制、行为抑制、情绪控制等功能,所包含的脑区在现有的脑科学研究结果中也能得到应证。在公开的成人ADHD数据集（New York＿a＿ADHD）及健康控制组数据集（New York＿a）上进行计算机辅助分类测试,获得了97.9%的准确率,能为成人ADHD的临床诊断提供有价值的参考信息。
李甜甜[4]（2019）在《有监督的多模态脑影像融合方法及其在自闭症中的应用》文中指出自闭症是一组以交流、语言障碍和行为异常为特征的神经发育障碍疾病总称,研究表明自闭谱系障碍各亚型共有的核心症状便是社交及交流障碍,其症状表现首要来自于社交动机和社交认知的缺陷和损伤。而现有的对自闭症的研究大多是基于单模态的,或者基于无监督的数据挖掘方式。在核磁共振脑影像分析当中,与单模态相比,多模态融合分析能够结合不同模态的特点,并且充分利用其互补性,来挖掘针对特定脑疾病的多模态共变损伤脑网络。目前已经有较多的脑影像学研究尝试从数据驱动的方式出发,来挖掘精神疾病神经影像学异变模式,如精神分裂症、抑郁症等,但是多模态影像融合在自闭症中的研究尚未开展。所以本文以寻找多模态共变影像学标记为主要目的,基于有监督的多模态融合方法,对引起自闭症社交损伤的病变脑区展开深入探索。本文研究的主要内容和所做工作如下:首先,基于spm8,对数据进行预处理,查看其影像质量是否符合实验标准,去除噪声,提高所找到的差异脑区的准确度。基于功能和结构磁共振影像数据计算三种输入特征:功能磁共振（低频振荡振幅）,功能磁共振（局部一致性）,结构磁共振（皮层厚度）;接着,基于一种有监督的多模态融合方法,参考信息指导的多变量a典型相关分析+独立成分分析（MCCAR+jICA）,进一步分离三模态特征,分离得到的三模态共变激活脑区中,自闭症组与正常被试组存在显着组间差异,并且与社交损伤显着相关;最后,在独立验证集上重复预处理、计算特征、统计学分析和多模态融合分析,对得到的激活脑区的稳定性进行实验验证。
李璇[5]（2019）在《基于模式分解的脑功能网络的构建及分类研究》文中进行了进一步梳理网络连接为理解大脑的复杂功能系统提供了重要的研究手段。如何准确地构造脑功能网络并刻画其潜在的网络结构已成为神经科学领域的核心问题之一。功能磁共振成像（functional magnetic resonance imaging,fMRI）等无创的神经成像技术为研究大脑功能提供了有效的手段。然而,由于神经成像数据通常具有较高的时空复杂性以及较低的信噪比,针对脑功能网络的研究仍极具挑战性。因此,为脑功能网络的构建和分析提出有效的新方法具有十分重要的意义。数据驱动的方法为脑功能网络的研究开辟了全新的领域,本文引入基于数据驱动的多种模式分解（pattern decomposition）技术,以静息态fMRI数据为载体,进行脑功能网络的研究。具体地说,基于模式分解技术,本文提出了构建脑功能网络和进行网络结构分析的新方法,并对脑功能网络的社团结构进行了从非重叠到重叠、从个体水平到跨被试水平的研究。此外,还将这些方法应用于疾病人群的脑功能网络及其社团结构的研究中。本文主要进行了以下四方面的研究:1.针对脑功能网络的构造,提出了基于稀疏表示和聚类的功能连接计算与分析方法。本文将自适应稀疏表示（adaptive sparse representation,ASR）这种模式分解技术应用于功能连接的计算,更准确地构造脑功能网络,并应用近邻传播（affinity propagation,AP）聚类算法检测脑功能网络的非重叠社团结构。基于模拟fMRI数据的实验结果表明,ASR方法计算功能连接的敏感度高达90.6%,且基于ASR与AP算法的社团结构检测准确率达到74.8%,优于其他对比算法。基于真实fMRI数据的实验结果表明,利用ASR方法构造的脑功能网络具有更高的重测可靠性和模块性,并且其社团结构具有较高的聚类质量和较强的可解释性,进一步体现了ASR方法在刻画脑功能网络结构上的有效性和合理性。2.针对脑功能网络的社团检测,提出了基于非负矩阵分解的重叠社团结构检测方法。本文基于对称非负矩阵分解（symmetric non-negative matrix factoriztion,symNMF）这一模式分解技术,通过增加?1范数正则项形式的稀疏约束提出了稀疏对称非负矩阵分解（sparse symmetric non-negative matrix factorization,ssNMF）方法,用于检测脑功能网络中的重叠社团结构。同时,通过对ASR算法增加非负约束提出了非负自适应稀疏表示法（non-negative adaptive sparse representation,NASR）,进一步明确所计算的功能连接的物理意义。模拟实验结果表明,对于具有重叠或非重叠社团结构的脑功能网络,ssNMF方法均能够更准确地检测其社团结构,且所得的社团结构具有更高的稳定性。基于真实fMRI数据的实验结果表明,ssNMF检测的重叠社团具有较高的可重复性和良好的神经生理学意义,且与之前研究发现的静息态子网络具有较好的一致性,进一步体现了ssNMF方法在重叠社团结构检测上的有效性和合理性。3.针对跨被试水平重叠社团结构的检测,提出了基于聚集方式的检测方法。本文提出了聚集稀疏对称非负矩阵分解方法（collective sparse symmetric NMF,cssNMF）,在检测所有被试共同拥有的组水平重叠社团结构的同时,将被试间个体差异以社团强度的形式加以保留。模拟实验结果表明,cssNMF在组水平重叠社团结构的检测上达到了94.4%的准确率,远优于其它对比算法。同时,cssNMF刻画的社团强度与真实标准相比能达到90.0%以上的相似度,表明cssNMF能够有效地保留个体差异。基于真实fMRI数据的实验结果表明,cssNMF所检测的社团结构具有较高的跨时段、跨被试及跨数据集稳定性,并且具有良好的神经生理学意义。其检测的重叠节点主要位于额叶、顶叶及额顶网络中,与之前研究具有较好的一致性。另外,cssNMF在个体水平检测的社团强度具有良好的重测可靠性。这些结果证明了cssNMF方法在重叠社团检测上的有效性和在个体识别上的潜在应用价值。4.为阿尔兹海默症（Alzheimer’s disease,AD）脑功能网络社团结构的研究提供了新的研究框架,并构建了个体水平的AD检测模型。本文基于NASR构造脑功能网络,结合cssNMF与凝聚层次聚类（agglomerative hierarchical clustering）,在组水平上研究了AD病人与健康被试在不同尺度的重叠社团结构与社团层级结构上的差异。同时,基于cssNMF获得的社团强度在个体水平上构建了AD检测模型。组水平的比较发现,AD病人不同尺度的重叠社团结构与社团层级结构存在明显改变,且其重叠社团结构在精细尺度下的稳定性、脑功能网络功能分化能力与节点的功能多样性均明显下降。此外,基底神经节-丘脑及默认模式网络这两个社团的社团强度与认知能力存在显着的正相关关系。而在个体水平上,基于社团强度构造的AD检测模型能够对AD病人进行有效识别。通过使用最近邻分类器并将低维的社团强度作为分类特征,该AD检测模型的分类准确率、敏感度和特异度分别可达到64.7%、70.0%和60.0%,且其分类准确率具有显着的统计学意义（p<0.05）。这些实验结果为AD生物学标记的确立提供了补充依据。
徐同林[6]（2019）在《基于梯度和流形学习的超校准方法及其应用研究》文中进行了进一步梳理目前神经科学和机器学习相结合研究人类大脑的工作机理已经成为一种重要趋势。功能性磁共振成像作为一种成像技术在人脑研究领域取得了重大进展,它通过测量神经活动获得影像数据,不仅可以帮助人们了解大脑每个区域的功能,而且可以揭示大脑每个区域的信息编码方式。目前,人们在研究神经活动的解码方面已经取得了重大的进展,然而多被试者fMRI数据的功能校准仍然是长期存在的重要挑战之一。多被试者fMRI数据的典型特点是大样本、高维和非线性,此外由于不同被试者之间大脑生理结构和功能结构的差异性导致在进行分类分析之前必须对数据进行生理结构校准和功能校准。针对这些特点,恰当的功能校准方法和良好的特征选择算法是解决问题的有效途径。本文据此提出两种不同的功能校准算法解决上述问题,主要贡献可概括如下:1.针对多被试fMRI数据分析中的大样本、高维问题,提出了一种基于梯度的超校准方法,称为梯度超校准。超校准算法是目前最有效的功能校准算法之一,它可以大幅度提高分类精度。与大多数采用典型相关分析求解的超校准方法不同,梯度超校准采用独立成分分析求解超校准问题。独立成分分析算法本身就是一种有效的特征选择算法,它通过选择相互独立的特征来提高分类精度和运行效率,而梯度超校准算法吸收了独立成分分析方法的这些优点。另外,由于多被试者fMRI数据集具有大样本、高维度的特点,传统的功能校准方法具有很高的运行时间和内存占用,为了解决这个问题,梯度超校准算法使用随机梯度上升进行优化。通过结合独立成分分析和随机梯度上升两种算法,梯度超校准算法在大型数据集上运行时间较低。实验结果表明,梯度超校准算法可以有效地减少运行时间并且提高预测精度。2.针对多被试fMRI数据分析中的非线性、高维问题,提出了一种基于流形学习的超校准方法,称为流形超校准。多被试fMRI数据通常是高维的和非线性的,因此传统的线性超校准方法不适用于非线性数据。核超校准算法采用核方法处理非线性问题,然而这种方法忽略了数据本身的分布特性,因此流形超校准算法使用流形学习来对高维数据进行降维,由于大多数fMRI数据都属于视觉神经数据,从理论上来说这些数据符合流形特性,因此流形超校准可以更好地实现高维数据到低维流形的转换,从而提高分类预测精度。同样地,为了解决数据中大样本的问题,流形超校准使用随机梯度上升进行优化。因此,流形超校准在大型数据集上运行时间较低。实验结果表明,流形超校准可以有效地减少运行时间并且提高预测精度。3.创建了一个基于图形用户界面的工具箱使得研究易于重现,该工具箱可以运行包括本文提出的方法在内的许多前沿的基于任务的fMRI脑影像分析方法。
任玉丹[7]（2019）在《基于自然刺激磁共振成像的大脑功能网络特性研究》文中研究说明随着现代磁共振技术的发展,人类能够利用非侵入式的成像方法获取大脑的结构图像。更加振奋人心的是,研究者利用功能磁共振图像能够测量和记录人类大脑的功能活动。这些先进的成像技术成为探索大脑功能网络及其特性的坚实技术基础。其中大脑功能网络表达是大脑功能构架和特性的研究热点。目前的功能磁共振成像研究主要基于传统的任务态或者是静息态设计。然而,任务态范式通常采用人为设计的简单刺激,与日常生活中的大脑活动相去甚远。因此,神经科学家提出了一种新兴的神经影像范式——自然刺激,这种范式可以极大地还原日常生活中的各种活动,且适用于感知、认知和语言等方面的研究,同时能轻松地应用于病人群体。然而,自然刺激的动态性和无约束性对准确定义各种认知过程的神经活动造成极大的挑战。因此,需要提出新兴的针对自然刺激功能磁共振成像的研究方法。本文针对此难点,提出稀疏编码、Inter-subject Functional Correlation以及动态因果模型等方法以探究自然刺激条件下大脑的功能网络特性。本论文的主要研究工作和贡献总结如下:1.基于稀疏表达算法的脑功能网络分析基于稀疏表达算法的静息态脑功能网络分析及其在疾病诊断上的应用。长久以来,稀疏编码方法在自然图像领域得到广泛运用,但鲜有研究将其应用在功能磁共振图像研究中。神经科学研究表明稀疏性是神经元活动的特点,不同的神经元稀疏的组合可以实现不同的功能。为了探究在功能磁共振图像级别上神经活动是否表现出同样的稀疏性,稀疏编码方法是否能够有效地应用于功能磁共振图像上以得到有意义的大脑功能网络,我们将稀疏表达方法应用于全脑的静息态功能磁共振成像并将其应用于病人群体中。我们的结果显示稀疏表达方法可以有效地识别可靠的静息态脑功能网络。基于稀疏表达算法的自然范式脑功能网络图谱研究。基于自然刺激的固有特性——不同人在相同自然刺激下的脑功能活动趋于一致,我们提出了群组级别的稀疏表达方法,旨在学习不同个体之间一致的脑功能网络。通过研究发现,群组稀疏表达方法可将全脑的自然刺激f MRI信号分解成很多个体间一致的有意义脑网络。为了探究这些脑网络的可靠性,以及过拟合问题和不同的稀疏编码参数对脑网络带来的影响,我们进行了重复性实验,同时测量了不同稀疏编码参数下各个脑功能网络的重测信度,以及过拟合问题对稀疏编码结果的影响。除此之外,我们还将群组稀疏编码方法与多种群组独立成分分析方法进行全面比较,发现稀疏编码方法在定义大脑功能网络、网络可靠性等方面表现出优越性。2.基于稀疏表达算法的自然范式脑功能网络的拓展研究与应用自然刺激脑功能网络在情感认知下的群组差异性研究。群组稀疏表达可以在个体间找到一致的功能网络,于是我们希望探究这种方法是否可用来研究不同群组的脑功能网络差异。我们将群组稀疏表达方法应用于自然刺激f MRI数据,以学习不同性别的群体在情感认知方面的差异,发现稀疏表达方法可以非常有效地检测在情感处理相关脑功能网络中不同性别群体的差异。自然刺激条件下的大脑功能网络在临床方面的应用。我们的结果显示群组稀疏表达方法可以有效地检测正常群体之间的脑功能差异,于是我们期望这种方法能够应用于疾病群体的分析。于是,我们在可卡因依赖和病态赌博患者的多种自然刺激f MRI数据上应用了群组稀疏表达方法,结果显示群组稀疏表达方法有效地检测到病人群体在脑功能网络中的异常。3.基于自然刺激的大脑功能构架研究自然刺激下大脑功能的层级结构。神经科学研究表明外部世界的感官信息首先在初级感觉皮层中表达,随后到达次级感觉皮层,最后到达高阶感觉皮层。但长久以来,鲜少有研究具体地定义这种大脑的功能层级结构。Inter-subject Correlation方法是一种常用于描述相同自然刺激条件下不同个体间的一致神经活动的方法,被用于划分大脑的功能层级结构。但以往基于这种方法对大脑的二元分割会过度简化大脑层级结构。为了解决上述问题,基于此方法,我们提出了一种新方法——Inter-subject Functional Correlation,旨在定义不同个体间各个脑区的功能交互,从而对大脑外在-内在功能系统进行定义。我们的结果揭示了大脑处理外源和内源性信息的层级结构,并且给传统外在和内在系统的二元分布的观点带来了新的见解。基于自然刺激下大脑功能层级结构的个体差异性研究。基于定义的大脑外在-内在功能层级系统,我们探究了大脑功能层级系统与个体间脑功能差异之间的关系。我们的研究表明,负责处理内源性信息的内在系统对于个体独特的经历至关重要。这项工作对研究现实生活情境下大脑的功能组织有着重要的意义。4.基于改进的自然刺激范式的脑网络研究改进的自然范式与传统任务范式在脑网络分析方面的比较。由于自然刺激的动态性和无约束性,模型驱动方法一直很难应用于自然刺激数据。为了解决这个问题,我们将传统自然刺激与任务态设计相结合,得到改进的自然刺激范式。我们对改进的自然刺激范式与任务态范式在描述大脑功能网络方面进行比较。基于改进的自然刺激范式的有效连接研究。基于改进的自然刺激设计,我们利用动态因果模型方法,研究各个脑区间的有效连接,同时将有效连接与行为数据进行相关性分析。
邝利丹[8]（2018）在《多被试复数fMRI数据组分析的盲源分离方法研究》文中研究说明功能磁共振成像（fMRI）是一种重要的医学影像技术,以其毫米级高空间分辨率及非侵入等优势,广泛应用于脑科学研究。多被试fMRI数据的组分析能够获得多被试间的共有信息或差异信息,为脑功能研究或脑疾病诊断提供群体性特征。盲源分离方法属于数据驱动方法,只需已知观测信号就能估计出源信号及其混合参数,适于分析脑认知程度有限的fMRI数据。独立成分分析（ICA）、独立向量分析（IVA）和张量分解在组分析上是三种性能互补的盲源分离方法,分别提供被试间平均、差异或共享的脑空间激活图和时间过程信息。然而,fMRI数据本质上是复数数据,被试间存在着较大的空时成分差异,而且模型阶数对复数fMRI数据组分析的影响未知,这些问题导致现有方法性能受限。为此,本文的创新性研究工作如下:（1）针对复数fMRI数据存在的不同独立源成分向量分布差异大、噪声严重和非圆性等问题,提出了一种基于多维广义高斯分布的复数自适应定点IVA算法。首先,构建了一个基于多维广义高斯分布的非线性函数,通过极大似然估计实时更新其形状参数,从而自适应地匹配各源成分向量的分布。然后,在主导子空间更新该非线性函数,实现消噪。最后,在解混矩阵更新中嵌入了混合数据的伪协方差阵,进而引入了复数fMRI数据的非圆性。仿真和实际数据的实验结果表明,该算法显着优于现有方法,特别是在信噪比较低和空时差异变化较大的情况下,获取了更优的空时信息。复数IVA较之幅值IVA提取了更多感兴趣体素（任务相关成分和默认网络成分都增加约三倍之多）。针对现有后处理相位消噪的相位范围固定的问题,基于先验空间成分和相关最大化原则,提出了一种相位范围自适应选取方法,该方法适于任务态数据和静息态数据的后处理消噪,也验证了固定相位范围±π/4的正确性。（2）针对现有张量分解方法不能同时解决被试间空时差异性的问题,提出了两种新算法。其一,以时间移不变CPD引入时间成分的差异性,以ICA引入空间差异性约束,提出了一种时间移不变典范因子分解（CPD）和ICA相结合的算法。该方法先对多被试幅值fMRI数据进行ICA,获取联合混合矩阵;再对该矩阵进行时间移不变秩一估计,获得共享时间成分和各被试特有的时延和强度信息,并由此重构联合混合矩阵,进而采用最小二乘法获得共享空间成分。其二,提出了一种空间源相位稀疏约束的复数时间移不变CPD算法。将实数域时间移不变CPD算法拓展到复数域,引入复数时间成分的差异性;利用复数空间成分所特有的小相位特性,采用一种l0范数平滑函数对大相位体素进行稀疏化,引入空间差异性约束。仿真和实际数据的实验结果表明,这两种算法在空时差异性较大和噪声较大的情况下,均显着优于现有算法。复数张量分解方法较之幅值方法多获得了约两倍的任务相关体素。（3）研究了复数fMRI数据组分析中模型阶数的影响及其成因。首先,提出了一种从多次ICA结果中选取bestrun的改进方法,利用了多成分性能平均和显着性检验综合策略。实际数据的实验结果表明,该方法在所有模型阶数下均优于现有方法。其次,采用所提出的best run选取方法,研究了复数fMRI数据组分析中模型阶数的影响,发现了从低阶到高阶一直存在的复数完整成分,与现有幅值成分在高阶发生分裂的结论迥异。接着,探究了复数完整成分的形成原因,检测了相位数据的模型阶数影响,分析了相位数据的特征值分布,证实了相位数据对幅值数据的补全作用。最后,以默认网络为例,探索了高阶复数完整成分的作用。与高阶幅值成分相比,高阶复数完整成分在健康对照组和精神分裂症患者区分上体现出更为显着的差异,具有作为生物标识的潜力。
彭尧,熊馨[9]（2018）在《一种改进的FastICA算法及其在fMRI数据中的仿真应用》文中研究说明为了更有效地去除功能磁共振成像（functional magnetic resonance imaging,fMRI）数据中所包含的大量噪声信号,研究了快速独立分量分析（Fast Independent Component Analysis,FastICA）算法,针对该算法在处理低信噪比的fMRI数据时估计精度降低问题,采用修正白化矩阵方法改进FastICA算法,与传统的FastICA算法分别对fMRI数据进行去噪仿真分析。对比两种方法去噪结果,发现改进的FastICA算法能更有效地去除fMRI数据中的噪声信号,为剔除fMRI伪迹,提高fMRI数据预处理效果奠定了坚实的科学基础。
崔俊伟[10]（2014）在《静息状态功能磁共振图像的独立成分分析及应用研究》文中认为静息状态功能磁共振成像是一种新兴的脑功能研究技术。在诸多静息状态功能磁共振成像数据的分析方法中,独立成分分析以其独特的盲源分离特性在该领域占有重要地位。本研究从三个方面系统分析了独立成分分析在静息状态功能磁共振图像分析方面的应用。首先,本研究分析了独立成分分析在静息状态功能磁共振图像噪声提取方面的应用。实验结果表明,独立成分分析能有效提取并进而去除诸如眼动、呼吸、心跳、头动等因素引发的噪声,同时也表明基于群组数据的独立成分分析对噪声成分的分辨能力明显优于基于个体数据的独立成分分析。其次,本研究分析了不同的分析策略对最终获取的独立脑功能网络图谱的影响。通过分析不同成分数的设定对独立脑功能网络图谱的影响,发现当样本量较小时,成分数设定对独立脑功能网络图谱有较大影响。通过分析基于个体的独立成分分析和基于群组的独立成分分析对个体独立脑功能网络图谱的影响,发现基于群组的独立成分分析效果明显优于基于个体的独立成分分析。最后,本研究以正常人群的利手评分为研究对象,基于静息状态功能磁共振图像分析了个体左右利手评分差异的脑功能网络机制。实验结果表明,人群的利手评分与人脑的初级运动、注意等网络存在显着相关关系。综上所述,独立成分分析在静息状态功能磁共振图像数据分析方面具有独到优势,该方法不仅能同时提取多个独立脑功能网络,而且能够有效地提取进而去除图像噪声。在进行基于独立成分分析的静息状态功能磁共振图像数据分析时,须留意不同的分析策略对最终获取的独立脑功能网络图谱的影响。静息状态功能磁共振图像的独立成分分析可以作为正常人脑功能研究的有效手段。
二、空间ICA在fMRI数据上的应用与分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、空间ICA在fMRI数据上的应用与分析（论文提纲范文）
（1）多模态影像遗传学数据的信息提取方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 影像遗传学研究现状 |
| 1.2.1 单变量分析方法 |
| 1.2.2 多变量分析方法 |
| 1.3 主要研究内容及章节安排 |
| 1.3.1 论文研究内容和技术路线 |
| 1.3.2 论文章节安排 |
| 1.4 本章小结 |
| 第二章 数据预处理与稀疏表达 |
| 2.1 多模态影像遗传学数据处理 |
| 2.1.1 fMRI数据及预处理 |
| 2.1.2 SNP数据及预处理 |
| 2.1.3 DNA甲基化数据及预处理 |
| 2.2 稀疏表示和线性回归模型 |
| 2.3 正则化稀疏模型 |
| 2.3.1 Lasso与岭回归 |
| 2.3.2 弹性网络和Fused Lasso |
| 2.3.3 L21正则化 |
| 2.4 本章小结 |
| 第三章 基于统计独立性和结构稀疏性的典型相关分析方法研究 |
| 3.1 引言 |
| 3.2 典型变量相关分析算法 |
| 3.2.1 典型相关分析问题刻画 |
| 3.2.2 典型相关分析问题求解 |
| 3.3 基于统计独立性和结构稀疏性的典型相关算法 |
| 3.3.1 权重选择方法 |
| 3.3.2 ISCCA模型求解 |
| 3.4 仿真实验测试 |
| 3.4.1 模拟数据构造 |
| 3.4.2 参数选择 |
| 3.4.3 仿真实验结果 |
| 3.5 真实数据测试 |
| 3.5.1 统计显着性 |
| 3.5.2 真实数据实验结果 |
| 3.6 本章小结 |
| 第四章 在正交空间上组稀疏联合非负矩阵分解方法研究 |
| 4.1 引言 |
| 4.2 非负矩阵模型及其扩展 |
| 4.2.1 非负矩阵分解模型 |
| 4.2.2 联合非负矩阵分解模型 |
| 4.3 正交空间上的组稀疏联合非负矩阵分解 |
| 4.4 参数选择和性能估计 |
| 4.4.1 显着性估计 |
| 4.4.2 参数优化 |
| 4.5 仿真与测试结果 |
| 4.5.1 构建模拟数据 |
| 4.5.2 仿真结果及分析 |
| 4.6 GSJNMFO算法分析精神分裂症多模态影像遗传学数据的结果 |
| 4.6.1 参数选择 |
| 4.6.2 GJNMFO算法作用在影像遗传学数据上的结果及分析 |
| 4.7 本章小结 |
| 第五章 改进的稀疏表示和字典学习算法在fMRI数据上的研究 |
| 5.1 引言 |
| 5.2 稀疏表示与字典学习模型 |
| 5.2.1 SDL模型理论基础 |
| 5.2.2 GS2ISDL模型框架 |
| 5.2.3 引入组稀疏和非相干性的SDL模型 |
| 5.3 特异性模式提取和参数估计 |
| 5.3.1 特异性模式提取 |
| 5.3.2 模型参数选择 |
| 5.4 实验结果的定量比较 |
| 5.4.1 模型性能评估指标 |
| 5.4.2 GS2ISDL算法作用在f MRI数据集上的分类结果 |
| 5.4.3 GS2ISDL算法作用在SNP数据集上的分类结果 |
| 5.5 实验结果的定性分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 论文主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间取得的学术成果及参与完成的课题 |
| 致谢 |
（2）基于改进ICA的阿尔茨海默症脑功能网络异常分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 阿尔茨海默症研究现状 |
| 1.2.2 脑网络研究现状 |
| 1.3 研究技术背景 |
| 1.3.1 脑结构功能研究技术 |
| 1.3.2 Rs-fMRI数据处理方法分类 |
| 1.3.3 ICA技术简介 |
| 1.4 本文主要研究内容及结构安排 |
| 第二章 传统ICA方法介绍 |
| 2.1 ICA基础模型简介 |
| 2.2 传统ICA方法简介 |
| 2.2.1 FastICA |
| 2.2.2 GroupICA |
| 2.3 本章小结 |
| 第三章 改进的CRICA及与传统ICA方法对比 |
| 3.1 基于基础ICA的方法改进 |
| 3.1.1 CRICA模型 |
| 3.1.2 基于CRICA模型的两种信号源分析 |
| 3.1.3 CRICA模型的实现流程及优点 |
| 3.2 CRICA与基础ICA模型区别 |
| 3.3 CRICA与传统ICA方法的对比 |
| 3.3.1 基于模拟数据对比 |
| 3.3.2 CRICA分离样本性能分析 |
| 3.3.3 基于真实数据对比 |
| 3.4 本章小结 |
| 第四章 基于CRICA的脑功能网络异常分析 |
| 4.1 实验设计 |
| 4.1.1 实验方案 |
| 4.1.2 实验对象 |
| 4.1.3 实验数据采集 |
| 4.2 预处理 |
| 4.2.1 数据格式转换 |
| 4.2.2 时间层矫正 |
| 4.2.3 头动矫正与图像配准 |
| 4.2.4 空间标准化与平滑 |
| 4.3 统计分析方法 |
| 4.4 统计分析结果 |
| 4.4.1 各组RSN的空间分布情况 |
| 4.4.2 aMCI患者的RSN异常情况 |
| 4.4.3 AD患者的RSN异常情况 |
| 4.4.4 结果讨论 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（3）基于时空双稀疏表示的静息态脑网络构建及分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 功能磁共振成像技术与原理 |
| 1.2.1 磁共振成像技术与原理 |
| 1.2.2 功能磁共振成像原理 |
| 1.3 早期fMRI研究与数据分析流程 |
| 1.4 静息态fMRI数据分析方法与数据共享平台 |
| 1.5 静息态fMRI脑网络研究现状 |
| 1.5.1 静息态脑网络构建方法研究现状 |
| 1.5.2 静息态脑网络重测重现性能研究现状 |
| 1.5.3 基于静息态fMRI的精神疾病研究现状 |
| 1.6 论文主要研究目标和研究内容 |
| 第2章 基于稀疏表示的静息态个体特性脑网络构建 |
| 2.1 引言 |
| 2.2 被测试个体与数据 |
| 2.3 稀疏表示与在线字典学习 |
| 2.3.1 稀疏表示的神经生理学基础和数学描述 |
| 2.3.2 稀疏编码与字典学习 |
| 2.3.3 在线字典学习及稀疏编码算法 |
| 2.4 个体特性脑网络构建方法 |
| 2.4.1 方法框架 |
| 2.4.2 静息态fMRI数据预处理 |
| 2.4.3 个体时域BOLD信号的稀疏表示 |
| 2.4.4 脑网络激活体素检测 |
| 2.4.5 相似脑网络对检测 |
| 2.4.6 稀疏表示参数设置 |
| 2.5 实验结果与分析 |
| 2.5.1 激活体素检测 |
| 2.5.2 个体特性脑网络中的常见脑网络分析 |
| 2.6 本章小结 |
| 第3章 脑网络耦合机制建模及组水平脑网络构建 |
| 3.1 引言 |
| 3.2 脑网络耦合机制的稀疏建模 |
| 3.3 组水平脑网络构建方法 |
| 3.3.1 方法框架 |
| 3.3.2 脑网络空间标准化 |
| 3.3.3 个体特性脑网络的稀疏表示 |
| 3.3.4 稀疏表示模型评估及参数设置 |
| 3.3.5 基于时域串联组ICA的组水平脑网络构建 |
| 3.4 实验结果与分析 |
| 3.4.1 组水平脑网络构建结果与分析 |
| 3.4.2 构建的组水平脑网络与常见脑网络的相似性量化对比 |
| 3.4.3 与组水平脑网络相似的个体特性脑网络的识别 |
| 3.4.4 稀疏表示模型的评估结果 |
| 3.4.5 时空双稀疏表示方法的鲁棒性分析 |
| 3.4.6 组水平脑网络构建方法对比分析 |
| 3.4.7 脑网络共有脑区分析 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第4章 组水平脑网络的重现性量化评估与分析 |
| 4.1 引言 |
| 4.2 被测试个体与数据 |
| 4.3 多变量相关系数Z-ICC计算方法及性能分析 |
| 4.3.1 Z-ICC计算方法 |
| 4.3.2 Z-ICC性能分析 |
| 4.4 基于Z-ICC的组水平脑网络重测重现性量化评估方法 |
| 4.4.1 方法框架 |
| 4.4.2 可重现组水平脑网络评估准则及假设检验 |
| 4.5 实验结果与分析 |
| 4.5.1 Z-ICC在合成数据上的实验结果分析 |
| 4.5.2 重测数据集组水平脑网络构建结果 |
| 4.5.3 基于时空双稀疏表示的可重现组水平脑网络识别结果 |
| 4.5.4 可重现组水平脑网络识别结果对比分析 |
| 4.5.5 Z-ICC与组内相关系数对比分析 |
| 4.6 讨论 |
| 4.7 本章小结 |
| 第5章 成人注意力缺陷多动障碍的脑网络分析研究 |
| 5.1 引言 |
| 5.2 被测试个体与数据 |
| 5.3 基于脑网络的成人ADHD静息态f MRI数据分析 |
| 5.3.1 成人ADHD相关静息态脑网络的检测与分析 |
| 5.3.2 基于SVM的成人ADHD计算机辅助诊断分类方法 |
| 5.4 实验结果与分析 |
| 5.4.1 成人ADHD数据集组水平脑网络结果 |
| 5.4.2 成人ADHD相关静息态脑网络检测结果与分析 |
| 5.4.3 成人ADHD相关脑网络检测方法鲁棒性分析 |
| 5.4.4 计算机辅助诊断分类实验结果及分析 |
| 5.4.5 ADHD计算机辅助诊断分类方法结果比较 |
| 5.5 本章小结 |
| 总结与展望 |
| 总结 |
| 未来工作展望 |
| 参考文献 |
| 附录A 攻读博士学位期间发表论文和参与项目 |
| 致谢 |
（4）有监督的多模态脑影像融合方法及其在自闭症中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多模态融合方法的研究现状 |
| 1.2.2 自闭症的研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 多模态融合方法及数据的预处理 |
| 2.1 引言 |
| 2.2 多模态融合方法 |
| 2.3 被试信息 |
| 2.4 多模态数据预处理、特征计算及协变量回归 |
| 2.5 本章小结 |
| 第3章 有监督的多模态融合在自闭症中的分析 |
| 3.1 引言 |
| 3.2 有监督的多模态融合方法 |
| 3.2.1 有监督的多变量典型相关分析MCCAR |
| 3.2.2 联合独立变量分析jICA |
| 3.2.3 有监督的多变量典型相关分析+联合独立变量分析 |
| 3.3 Post-hoc统计分析 |
| 3.4 与社交障碍相关的融合结果 |
| 3.5 本章小结 |
| 第4章 有监督的多模态融合在独立数据集上的验证 |
| 4.1 引言 |
| 4.2 有监督的多模态融合分析结果讨论 |
| 4.3 独立站点验证结果 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（5）基于模式分解的脑功能网络的构建及分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 本文专用术语注释表 |
| 第一章 绪论 |
| 1.1 脑功能网络的研究背景 |
| 1.2 脑功能网络的研究意义 |
| 1.3 脑功能网络的研究现状 |
| 1.3.1 脑功能网络的构造方法 |
| 1.3.2 脑功能网络结构的研究方法 |
| 1.3.3 脑功能网络的应用研究 |
| 1.4 现有研究存在的主要问题 |
| 1.5 模式分解技术 |
| 1.6 本文的创新点 |
| 1.7 本文的主要工作 |
| 1.8 本文的组织结构 |
| 第二章 基于自适应稀疏表示的脑功能网络构造 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 数据集描述 |
| 2.2.2 数据预处理 |
| 2.2.3 基于自适应稀疏表示计算功能连接 |
| 2.2.4 基于近邻传播聚类算法检测社团结构 |
| 2.2.5 评价指标 |
| 2.3 结果 |
| 2.3.1 模拟实验结果 |
| 2.3.2 全脑功能网络 |
| 2.3.3 脑功能网络的社团结构 |
| 2.3.4 脑功能网络的重测可靠性 |
| 2.4 讨论 |
| 2.5 本章小结 |
| 第三章 基于稀疏对称非负矩阵分解的脑功能网络重叠社团结构检测 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 数据集描述 |
| 3.2.2 数据预处理 |
| 3.2.3 基于非负自适应稀疏表示构造脑功能网络 |
| 3.2.4 基于稀疏对称非负矩阵分解检测重叠社团结构 |
| 3.2.5 对比算法 |
| 3.2.6 参数设置 |
| 3.2.7 评价指标 |
| 3.3 结果 |
| 3.3.1 模拟实验结果 |
| 3.3.2 脑功能网络社团结构的聚类质量 |
| 3.3.3 脑功能网络社团结构的可重复性 |
| 3.3.4 脑功能网络社团结构的神经生理学意义 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第四章 基于聚集稀疏对称非负矩阵分解的跨被试重叠社团结构检测 |
| 4.1 引言 |
| 4.2 研究框架 |
| 4.3 材料与方法 |
| 4.3.1 数据集及数据预处理 |
| 4.3.2 基于聚集稀疏对称非负矩阵分解检测跨被试的重叠社团结构 |
| 4.3.3 参数选择 |
| 4.3.4 对比算法 |
| 4.3.5 评价指标 |
| 4.4 结果 |
| 4.4.1 模拟实验结果 |
| 4.4.2 脑功能网络的组水平社团结构 |
| 4.4.3 脑功能网络社团结构的可重复性 |
| 4.4.4 脑功能网络社团结构的神经生理学意义 |
| 4.4.5 社团强度的重测可靠性 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 阿尔兹海默症的社团结构及分类 |
| 5.1 引言 |
| 5.2 研究框架 |
| 5.3 材料与方法 |
| 5.3.1 数据集描述 |
| 5.3.2 数据预处理 |
| 5.3.3 社团结构组间差异的分析方法 |
| 5.3.4 社团强度与MMSE分数的回归分析 |
| 5.3.5 基于社团强度的分类模型 |
| 5.4 结果 |
| 5.4.1 参数选择 |
| 5.4.2 社团结构的稳定性 |
| 5.4.3 社团结构的组间对比 |
| 5.4.4 节点功能多样性与全脑功能分化 |
| 5.4.5 社团强度与认知水平 |
| 5.4.6 基于社团强度的分类结果 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）基于梯度和流形学习的超校准方法及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的内容安排 |
| 第二章 相关研究背景 |
| 2.1 表征空间 |
| 2.2 功能校准 |
| 2.2.1 基本超校准 |
| 2.2.2 核超校准 |
| 2.2.3 奇异值分解超校准 |
| 2.2.4 正则化超校准 |
| 2.2.5 局部判别超校准 |
| 2.2.6 深度超校准 |
| 2.2.7 共享响应模型 |
| 第三章 基于多被试者fMRI数据的梯度超校准方法 |
| 3.1 引言 |
| 3.2 超校准 |
| 3.3 梯度超校准 |
| 3.4 优化方法 |
| 3.5 实验与结果分析 |
| 3.5.1 数据集分析 |
| 3.5.2 使用特征选择的分类分析 |
| 3.5.3 改变批大小的分类分析 |
| 3.5.4 改变迭代次数的分类分析 |
| 3.5.5 运行时间分析 |
| 3.6 本章小结 |
| 第四章 基于多被试者fMRI数据的流形超校准方法 |
| 4.1 引言 |
| 4.2 流形学习介绍 |
| 4.2.1 流形学习的含义 |
| 4.2.2 常见的流形学习方法 |
| 4.3 流形超校准算法 |
| 4.4 实验与结果分析 |
| 4.4.1 数据集分析 |
| 4.4.2 使用特征选择的分类分析 |
| 4.4.3 改变批大小的分类分析 |
| 4.4.4 改变迭代次数的分类分析 |
| 4.4.5 运行时间分析 |
| 4.5 本章小结 |
| 第五章 多被试fMRI数据处理软件实现 |
| 5.1 引言 |
| 5.2 fMRI数据处理软件的实现 |
| 5.2.1 数据预处理 |
| 5.2.2 特征分析 |
| 5.2.3 模型分析 |
| 5.2.4 可视化 |
| 5.3 本章小结 |
| 第六章 总结和展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）基于自然刺激磁共振成像的大脑功能网络特性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 基于自然范式的大脑功能研究进展 |
| 1.1.1 功能磁共振成像研究 |
| 1.1.2 脑电图和脑磁成像研究 |
| 1.1.3 自然刺激范式的临床应用 |
| 1.2 大脑功能特性描述的适用模型是功能网络表达 |
| 1.3 自然刺激下大脑功能网络研究面临的挑战 |
| 1.4 本论文的研究内容和主要贡献 |
| 1.5 论文章节安排 |
| 第2章 成像原理与数据分析方法 |
| 2.1 核磁共振成像原理 |
| 2.1.1 核磁共振成像原理 |
| 2.1.2 功能核磁共振图像 |
| 2.1.3 自然刺激功能核磁共振图像 |
| 2.2 图像预处理方法 |
| 2.2.1 fMRI图像预处理方法 |
| 2.3 自然刺激fMRI图像分析方法 |
| 2.3.1 Inter-subject Correlation |
| 2.3.2 Inter-subject Functional Correlation |
| 2.3.3 独立成分分析 |
| 2.3.4 一般线性模型(GLM) |
| 2.3.5 动态因果模型 |
| 2.4 字典学习与稀疏编码 |
| 2.4.1 字典学习与稀疏编码方法 |
| 2.4.2 在线字典学习与稀疏编码算法 |
| 2.5 本章小结 |
| 第3章 基于稀疏表达算法的脑功能网络分析 |
| 3.1 基于稀疏表达算法的静息态脑功能网络分析及其在疾病诊断上的应用 |
| 3.1.1 引言 |
| 3.1.2 数据和处理 |
| 3.1.3 方法 |
| 3.1.4 结果 |
| 3.1.5 结论与讨论 |
| 3.2 基于稀疏表达算法的自然范式脑功能网络图谱 |
| 3.2.1 引言 |
| 3.2.2 数据与处理 |
| 3.2.3 方法 |
| 3.2.4 结果 |
| 3.2.5 结论及讨论 |
| 3.3 本章小结 |
| 第4章 基于稀疏表达算法的自然范式脑功能网络的拓展研究及其应用 |
| 4.1 自然刺激脑功能网络在情感认知下的群组差异性研究 |
| 4.1.1 引言 |
| 4.1.2 数据与处理 |
| 4.1.3 方法 |
| 4.1.4 结果 |
| 4.1.5 结论及讨论 |
| 4.2 自然刺激脑功能网络在疾病诊断上的应用 |
| 4.2.1 引言 |
| 4.2.2 数据与处理 |
| 4.2.3 方法 |
| 4.2.4 结果 |
| 4.2.5 结论及讨论 |
| 4.3 本章小结 |
| 第5章 基于自然刺激的大脑功能构架研究 |
| 5.1 引言 |
| 5.2 实验设计和分析方法 |
| 5.2.1 实验数据采集与预处理 |
| 5.2.2 功能连接分析 |
| 5.2.3 Inter-subject Correlation和Inter-subject Functional Correlation分析 |
| 5.2.4 .连接矩阵的图论分析 |
| 5.2.5 .统计分析与内-外系统的划分 |
| 5.2.6 .个体间可变性分析 |
| 5.3 实验结果与分析 |
| 5.3.1 Inter-subject Functional Correlation的网络分析 |
| 5.3.2 个体内与个体间中心度的对比 |
| 5.3.3 自然刺激下内-外系统的划分 |
| 5.3.4 内在系统具有更高的个体间可变性 |
| 5.3.5 内在系统优先代表个体特征 |
| 5.3.6 阈值与模板选择对结果的影响 |
| 5.4 结论与讨论 |
| 5.4.1 内部驱动大脑活动 |
| 5.4.2 大脑的层级结构 |
| 5.4.3 大脑的内部系统和静息态网络 |
| 5.4.4 未来工作展望 |
| 5.5 本章小结 |
| 第6章 基于改进的自然刺激范式的脑网络研究 |
| 6.1 引言 |
| 6.2 实验设计和分析方法 |
| 6.2.1 实验设计和刺激视频的选取 |
| 6.2.2 大脑响应数据的采集和预处理 |
| 6.2.3 体素级别的Inter-subject Correlation分析 |
| 6.2.4 功能图像的一般线性模型分析 |
| 6.2.5 自然刺激功能图像的动态因果模型 |
| 6.2.6 动态因果模型参数与行为数据的相关性分析 |
| 6.3 实验结果与分析 |
| 6.3.1 自然刺激功能图像的Inter-subject Correlation分析 |
| 6.3.2 自然刺激与任务态功能图像的一般线性模型分析 |
| 6.3.3 情景记忆网络的有效连接分析 |
| 6.3.4 动态因果模型参数对行为数据的预测 |
| 6.4 结论与讨论 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文工作展望 |
| 参考文献 |
| 致谢 |
| 博士期间的工作成果 |
（8）多被试复数fMRI数据组分析的盲源分离方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略语 |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 独立成分分析(ICA)与多被试平均信息提取 |
| 1.2.2 独立向量分析(IVA)与多被试差异信息提取 |
| 1.2.3 张量分解与多被试共享信息提取 |
| 1.2.4 不同模型阶数下空间成分的变化 |
| 1.3 本文主要研究内容与结构安排 |
| 2 复数fMRI数据介绍与后处理相位消噪研究 |
| 2.1 引言 |
| 2.2 复数fMRI数据介绍 |
| 2.2.1 复数fMRI数据产生原理 |
| 2.2.2 相位fMRI数据的高噪声性与独有信息 |
| 2.3 本文的多被试复数fMRI数据介绍 |
| 2.3.1 敲击手指的任务态fMRI数据 |
| 2.3.2 精神分裂症患者的静息态fMRI数据 |
| 2.3.3 感兴趣成分选取及其参考成分的构建 |
| 2.4 独立成分分析 |
| 2.4.1 单被试fMRI数据的ICA分析 |
| 2.4.2 多被试fMRI数据的ICA分析 |
| 2.5 复数数据后处理消噪的相位范围自适应选取方法研究 |
| 2.5.1 算法原理 |
| 2.5.2 实际fMRI数据实验与结果分析 |
| 2.6 本章小结 |
| 3 基于多维广义高斯分布的复数自适应定点IVA算法研究 |
| 3.1 引言 |
| 3.2 算法原理 |
| 3.2.1 IVA模型和代价函数 |
| 3.2.2 基于多维广义高斯分布的非线性函数 |
| 3.2.3 主导子空间消噪方案 |
| 3.2.4 非圆性的嵌入 |
| 3.3 仿真fMRI数据实验设计与结果分析 |
| 3.3.1 实验设计 |
| 3.3.2 性能指标 |
| 3.3.3 噪声影响 |
| 3.3.4 形状参数估计 |
| 3.3.5 模型阶数对IVA算法性能影响 |
| 3.4 实际fMRI数据实验与结果分析 |
| 3.4.1 模型阶数选取 |
| 3.4.2 T-map结果 |
| 3.4.3 形状参数估计 |
| 3.4.4 与实数IVA算法对比分析 |
| 3.5 本章小结 |
| 4 嵌入空时约束的CPD算法研究 |
| 4.1 引言 |
| 4.2 典范因子分解(CPD)算法 |
| 4.2.1 无约束CPD算法 |
| 4.2.2 时间移不变CPD算法 |
| 4.3 时间移不变CPD和ICA相结合的算法研究 |
| 4.3.1 算法原理 |
| 4.3.2 仿真fMRI数据实验设计与结果分析 |
| 4.3.3 实际fMRI数据实验与结果分析 |
| 4.4 空间源相位稀疏约束的复数时间移不变CPD算法研究 |
| 4.4.1 复数时间移不变CPD算法 |
| 4.4.2 基于空间源相位稀疏的空间约束 |
| 4.4.3 仿真fMRI数据实验设计与结果分析 |
| 4.4.4 实际fMRI数据实验与结果分析 |
| 4.5 本章小结 |
| 5 模型阶数影响研究与精神分裂症患者脑区差异性检测 |
| 5.1 引言 |
| 5.2 Best run选取方法 |
| 5.2.1 算法原理 |
| 5.2.2 实际fMRI数据实验和结果分析 |
| 5.3 模型阶数对静息态fMRI数据分析的影响 |
| 5.3.1 成分分裂或成分合成情况分析 |
| 5.3.2 激活体素数目分析 |
| 5.3.3 稳定性分析 |
| 5.3.4 相位fMRI数据的特征值分布研究 |
| 5.4 健康对照组和精神分裂症患者的脑区差异性检测 |
| 5.4.1 脑区差异性衡量指标 |
| 5.4.2 实际fMRI数据实验与结果分析 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录A 非整数时延的估计 |
| 附录B 公式(4.34)的证明 |
| 附录C 公式(4.39)的证明 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（9）一种改进的FastICA算法及其在fMRI数据中的仿真应用（论文提纲范文）
| 0 引言 |
| 1 ICA原理 |
| 2 Fast ICA算法 |
| 3 改进的FastICA算法 |
| 4 仿真应用 |
| 5 结语 |
（10）静息状态功能磁共振图像的独立成分分析及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 静息状态功能磁共振成像 |
| 1.3 静息状态功能磁共振图像的分析 |
| 1.3.1 图像预处理 |
| 1.3.2 常用分析方法 |
| 1.4 静息状态功能磁共振图像的独立成分分析 |
| 1.4.1 ICA及其基本模型 |
| 1.4.2 ICA的应用现状 |
| 1.5 本研究章节安排 |
| 2 基于ICA的RS-fMRI的噪声提取 |
| 2.1 背景及原理 |
| 2.2 实验过程 |
| 2.3 实验结果和分析 |
| 2.3.1 基于个体RS-fMRI数据的ICA噪声提取 |
| 2.3.2 基于群组RS-fMRI数据的ICA噪声提取 |
| 2.4 本章小结 |
| 3 分析策略对独立脑功能网络图谱的影响 |
| 3.1 引言 |
| 3.2 独立成分数对独立脑功能网络图谱的影响 |
| 3.2.1 背景及原理 |
| 3.2.2 实验过程 |
| 3.2.3 实验结果和分析 |
| 3.3 分析方法对个体独立脑功能网络图谱的影响 |
| 3.3.1 背景及原理 |
| 3.3.2 实验过程 |
| 3.3.3 实验结果和分析 |
| 3.4 本章小结 |
| 4 基于ICA的利手个体差异的脑功能网络机制 |
| 4.1 背景及原理 |
| 4.1.1 利手个体差异 |
| 4.1.2 广义线性模型 |
| 4.1.3 随机排列检验 |
| 4.2 实验过程 |
| 4.3 实验结果和分析 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、空间ICA在fMRI数据上的应用与分析（论文参考文献）
- [1]多模态影像遗传学数据的信息提取方法研究[D]. 彭朋. 长安大学, 2020(06)
- [2]基于改进ICA的阿尔茨海默症脑功能网络异常分析[D]. 赵凡. 河北大学, 2020(08)
- [3]基于时空双稀疏表示的静息态脑网络构建及分析方法研究[D]. 龚军辉. 湖南大学, 2020(12)
- [4]有监督的多模态脑影像融合方法及其在自闭症中的应用[D]. 李甜甜. 哈尔滨理工大学, 2019(03)
- [5]基于模式分解的脑功能网络的构建及分类研究[D]. 李璇. 东南大学, 2019
- [6]基于梯度和流形学习的超校准方法及其应用研究[D]. 徐同林. 南京航空航天大学, 2019(02)
- [7]基于自然刺激磁共振成像的大脑功能网络特性研究[D]. 任玉丹. 西北工业大学, 2019(04)
- [8]多被试复数fMRI数据组分析的盲源分离方法研究[D]. 邝利丹. 大连理工大学, 2018(06)
- [9]一种改进的FastICA算法及其在fMRI数据中的仿真应用[J]. 彭尧,熊馨. 软件导刊, 2018(04)
- [10]静息状态功能磁共振图像的独立成分分析及应用研究[D]. 崔俊伟. 北京交通大学, 2014(03)