專利名稱：功能核磁共振掃描下功能響應(yīng)信號(hào)的甄別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及功能核磁共振(預(yù)RI)信號(hào)的提取，特別涉及一種功能核磁共振 (預(yù)RI)掃描下功能響應(yīng)信號(hào)的甄別方法，屬于圖像處理及頻譜分析等技術(shù)領(lǐng)域。
背景技術(shù)：
功能核磁共振(預(yù)RI)信號(hào)靈敏度很高，在時(shí)間圖像的采集過(guò)程中，受試者的微小 頭動(dòng)、心臟跳動(dòng)、眼動(dòng)和一些不相關(guān)的肌肉運(yùn)動(dòng)引起的生理信號(hào)也混雜在預(yù)RI信號(hào)中，構(gòu) 成了腦功能信號(hào)中的噪聲信號(hào)。要想提取外部剌激下的功能響應(yīng)信號(hào)，必須將這些噪音信 號(hào)與腦功能信號(hào)分離開來(lái)。目前廣泛采用的方法是利用血氧飽和濃度(BOLD)信號(hào)的血液 動(dòng)力學(xué)響應(yīng)函數(shù)(HRF)，這種方法依賴現(xiàn)有的固定模型以及對(duì)信號(hào)分布的假設(shè)，很難發(fā)現(xiàn)個(gè) 體之間的差異，對(duì)非功能信號(hào)的甄別也不夠魯棒。近年來(lái)也陸續(xù)發(fā)展了數(shù)據(jù)驅(qū)動(dòng)的方法來(lái) 獲得功能響應(yīng)信號(hào)(以Martin提出的獨(dú)立成分分形方法最為典型，見(jiàn)Martin J. M. ， Scott M. ， Greg G. B. et. al， Analysis of fMRI Data by Blind Separation into Independent SpatialComponents， Human Brain Mapping, 1998，6 :160-188)，但是方法本身只能分解出 各個(gè)無(wú)序的信號(hào)成分，其中的腦功能信號(hào)只能通過(guò)成份波的形狀來(lái)辨別。鑒于此，這些方法 更加適用于有典型功能響應(yīng)信號(hào)波形的數(shù)據(jù)，如組塊設(shè)計(jì)下的實(shí)驗(yàn)數(shù)據(jù)，而對(duì)于最近應(yīng)用 越來(lái)越廣泛的事件相關(guān)設(shè)計(jì)下的實(shí)驗(yàn)數(shù)據(jù)卻顯得無(wú)能為力。

發(fā)明內(nèi)容
為克服現(xiàn)有技術(shù)之不足，如何不依靠模型，提取功能核磁共振(預(yù)RI)信號(hào)中的功 能信號(hào)成分。關(guān)鍵技術(shù)難題涉及到l.如何融合龐大的任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)；2.如何 在無(wú)典型波形情況下甄別功能信號(hào)成分。 本發(fā)明提供一種功能核磁共振(預(yù)RI)掃描下功能響應(yīng)信號(hào)的甄別方法，技術(shù)方 案如下一種功能核磁共振掃描下功能響應(yīng)信號(hào)的甄別方法，其特征在于
(1)利用核磁共振儀獲得任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)，然后利用功能核磁共振分析軟件 SPM對(duì)任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)進(jìn)行空間和時(shí)間上的預(yù)處理，得到數(shù)據(jù)集； (2)利用現(xiàn)有的主成分分析方法PCA，降低任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的維度，保留 主要信息，即保留構(gòu)成任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)各自90%以上信息能量的特征向量，重新構(gòu)建 任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)；然后利用現(xiàn)有的時(shí)間域上的獨(dú)立成分分析方法ICA，分別提取出兩 種數(shù)據(jù)各自的獨(dú)立成分，包括機(jī)器噪聲信號(hào)成分、非神經(jīng)性生理噪聲成分和神經(jīng)性功能信 號(hào)響應(yīng)成分； (3)通過(guò)在兩種數(shù)據(jù)的各獨(dú)立成分之間做相關(guān)遍歷的方法，在任務(wù)態(tài)數(shù)據(jù)成分中 找出功能信號(hào)成分的范圍，得到包含功能信號(hào)成分的信號(hào)集； (4)對(duì)信號(hào)集中的每一個(gè)信號(hào)進(jìn)行頻譜分析，剔除在頻域空間上沒(méi)有顯著能量峰
值的成分，剩余成分中選取首成分，即為主要功能響應(yīng)信號(hào)。 上述(2) 、 (3) 、 (4)可采用以下具體步驟
4
第一步，應(yīng)用主成分分析方法PCA，將任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的變量分別重新組
合成一組新的互相無(wú)關(guān)的綜合變量； (1)計(jì)算兩種數(shù)據(jù)矩陣各自的協(xié)方差矩陣S ; (2)計(jì)算各自協(xié)方差矩陣S的特征向量的特征值，按照特征值按大到小排序，選取 前面特征，保留兩種數(shù)據(jù)各自> 90%以上的信息； (3)投影兩種數(shù)據(jù)到由各自對(duì)應(yīng)特征向量組成的新空間，實(shí)現(xiàn)數(shù)據(jù)壓縮；
第二步，進(jìn)行獨(dú)立成分分析ICA，先對(duì)兩種數(shù)據(jù)各自進(jìn)行中心化和白化預(yù)處理，從 白化樣本優(yōu)化求解出解混矩陣，得到各自的獨(dú)立基向量，即時(shí)間域上獨(dú)立信號(hào)成分，實(shí)際測(cè) 量到的時(shí)域信號(hào)便是這些獨(dú)立成分的線性組合；對(duì)任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)分別進(jìn)行以 上過(guò)程，設(shè)定分別保留25個(gè)成分，包括噪聲、非神經(jīng)功能生理信號(hào)和神經(jīng)功能信號(hào)在內(nèi)的 主要信息的新信號(hào)，獲得兩類數(shù)據(jù)的獨(dú)立成分集合，分別記為SEjt) (i = 1，2，…，25)和 SRjt) (i = 1，2，…，25); 在分解出來(lái)的靜息態(tài)獨(dú)立成分SEi (t)和任務(wù)態(tài)獨(dú)立成分(t)之間兩兩結(jié)合，計(jì) 算相關(guān)系數(shù)
S<formula>formula see original document page 5</formula>
其中，i = 1，2， ".，25 ;j = 1，2， ".，25 ;SEjt)為任務(wù)態(tài)數(shù)據(jù)獨(dú)立成分，鳳(t) 為該獨(dú)立成分在時(shí)間軸上的平均值；SRj(t)為靜息態(tài)數(shù)據(jù)獨(dú)立成分，Mj為該獨(dú)立成分在時(shí) 間軸上的平均值。通過(guò)下式選擇任務(wù)態(tài)數(shù)據(jù)前3個(gè)獨(dú)立成分 <formula>formula see original document page 5</formula>
第三步，通過(guò)觀察頻譜圖，將選取的噪聲、非神經(jīng)功能生理信號(hào)和神經(jīng)功能信號(hào)3
個(gè)任務(wù)態(tài)數(shù)據(jù)獨(dú)立成分進(jìn)行頻譜分析，剔除在頻域空間上沒(méi)有顯著能量峰值的成分，剩余
成分中選取首成分，即按照第二步方法挑選順序排列的，滿足第三步有分值能量要求的第
一個(gè)信號(hào)為主要功能響應(yīng)信號(hào)。其余成分為含有剩余功能響應(yīng)信號(hào)能量的成分，根據(jù)實(shí)際
應(yīng)用需求，做輔助使用。
本發(fā)明的優(yōu)點(diǎn)及顯著效果 (1)本發(fā)明方法可以將功能核磁共振(預(yù)RI)掃描下的任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù) 結(jié)合起來(lái)，在沒(méi)有任何先驗(yàn)知識(shí)的條件下，提取神經(jīng)活動(dòng)的功能信號(hào)成分，無(wú)需先驗(yàn)?zāi)Ｐ停?
(2)由于結(jié)合同一個(gè)體的任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)，通過(guò)靜息態(tài)數(shù)據(jù)的基底信號(hào) 特性，比較兩種類型數(shù)據(jù)不同成分之間的相關(guān)系數(shù)dij的大小(i = 1，2，…，25;j = 1， 2，…，25)，可以甄別含有功能信號(hào)能量比較高的成份，從而不需要通過(guò)功能信號(hào)本身的波 形特性來(lái)甄別它。使得該技術(shù)可廣泛用于非組塊設(shè)計(jì)的實(shí)驗(yàn)數(shù)據(jù)中，不局限于組塊設(shè)計(jì)的 數(shù)據(jù)分析； (3)由于任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)從不同的角度反映了同一個(gè)體當(dāng)前的不同模 態(tài)，它們之間的比較相比較于原有的方法(基于模型的方法和采用單一類型信號(hào)的方法)，更加能夠體現(xiàn)神經(jīng)活動(dòng)的個(gè)體差異；此外，方法中通過(guò)頻譜性能對(duì)成分的篩選也能更好的 消除噪聲的影響。提取出來(lái)的功能響應(yīng)信號(hào)更加能體現(xiàn)個(gè)體情況。


圖1是本發(fā)明方法流程圖； 圖2是某一個(gè)體根據(jù)圖1流程計(jì)算獲得相關(guān)系數(shù)排序后的前3個(gè)成分； 圖3是圖2中各信號(hào)對(duì)應(yīng)的頻譜圖； 圖4是各種方法提取的功能響應(yīng)信號(hào)的應(yīng)用性能比較。
具體實(shí)施例方式
受i式者在中國(guó)面部表'瞎,見(jiàn)頻系纟充(Chinese Facial Expression Video System, CFEVS)剌激下，掃描獲得任務(wù)態(tài)數(shù)據(jù)，之后掃描獲得靜息態(tài)數(shù)據(jù)。利用預(yù)RI分析軟件SPM對(duì) 數(shù)據(jù)進(jìn)行空間和時(shí)間上的預(yù)處理，包括頭動(dòng)校正、空間標(biāo)準(zhǔn)化、高斯平滑濾波，時(shí)間標(biāo)準(zhǔn)化 和高通濾波去除低頻噪音，操作后，得到數(shù)據(jù)集。利用主成分分析PCA(Tipping M，BishopC. Mixtures of probabilistic principal component analyzers. NeuralComputation， 1999,11 :443-482)降低任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的維度，保留主要信息；然后利用時(shí)間域 上的獨(dú)立成分分析(ICA)分別提取出兩種數(shù)據(jù)各25個(gè)獨(dú)立成分；再通過(guò)在兩種數(shù)據(jù)的獨(dú)立 成分之間做相關(guān)遍歷的方法，找出功能信號(hào)成分的范圍，得到包含功能信號(hào)成分的信號(hào)集， 如圖1所示；對(duì)信號(hào)集中的每一個(gè)信號(hào)進(jìn)行頻譜分析，其頻譜圖如圖2所示，其橫軸和縱軸 分別代表頻率和對(duì)應(yīng)頻率下的能量。按照公式(2)的推導(dǎo)，圖2中的第一個(gè)信號(hào)極有可能 包含了大量神經(jīng)活動(dòng)特征的功能信號(hào)成分，也有可能是噪音成分。圖3的第一幅圖顯示了 這個(gè)信號(hào)的頻譜圖，從該信號(hào)的頻譜圖上看，各頻率成分的能量呈不均勻分布，可以排除這 個(gè)信號(hào)為噪音信號(hào)的可能性，認(rèn)為該信號(hào)是包含了大量神經(jīng)活動(dòng)特征的功能信號(hào)成分。圖2 中第二個(gè)信號(hào)，在相關(guān)遍歷中，與靜息態(tài)各獨(dú)立成分的相關(guān)系數(shù)絕對(duì)值也很小，圖3中第二 幅圖是該信號(hào)的頻譜圖，由圖可知，該信號(hào)各頻率成分的能量分布呈均勻分布，可能是因?yàn)?混雜較多噪音導(dǎo)致，為確保采集的信號(hào)為功能信號(hào)成分，我們將其剔除。第三個(gè)信號(hào)的頻譜 也呈不均勻分布，可見(jiàn)，該信號(hào)含有部分剩余功能響應(yīng)信號(hào)能量，可以留用做輔佐應(yīng)用。
為了進(jìn)一步分析被提取的功能信號(hào)的有效性，可以把提取出來(lái)功能信號(hào)做為特 征，通過(guò)檢查對(duì)同一任務(wù)下功能異常個(gè)體的識(shí)別能力來(lái)驗(yàn)證。收集13名女性抑郁癥患者 和9名健康者，重復(fù)上述過(guò)程，獲得每個(gè)個(gè)體的功能響應(yīng)信號(hào)，以此為特征，進(jìn)入貝葉斯分 類器，觀察分類效果。為了驗(yàn)證性能，還采用了其他兩個(gè)典型方法獲得的功能信號(hào)，分別 作為識(shí)別特征。它們分別是1)利用Martin為代表的分析方法獲得的功能信號(hào)作為分 類特征(Martin J. M. ， Scott M. ， Greg G. B. et. al， Analysis of皿I Data by Blind Separation intolnd印endent Spatial Components, Human Brain Mapping,1998，6 : 160-188) ;2)利用血液動(dòng)力學(xué)響應(yīng)函數(shù)(HRF)優(yōu)化獲得的功能信號(hào)作為分類特征(Cynthia H.Y. Fu， JanainaMourao—Miranda， Sergi G. Costafreda et. al.Pattern Classification of Sad Facial Processing :Toward the Development of Neurobiological Markers in D印ression. BiologicalPsychiatry, 2008， 63 :656-662)。我們用整體準(zhǔn)確率，患者準(zhǔn)確率 和健康者準(zhǔn)確率來(lái)評(píng)價(jià)分類性能，分類結(jié)果如圖4。圖4表格中方法一是利用本方法的功能信號(hào)作為分類特征；方法二是利用Martin為代表的分析方法獲得的功能信號(hào)作為分類特 征(事件相關(guān)實(shí)驗(yàn)的數(shù)據(jù)沒(méi)有典型的功能信號(hào)波形可供參考，故該辦法對(duì)這批實(shí)驗(yàn)數(shù)據(jù)失 效)；方法三是利用血液動(dòng)力學(xué)響應(yīng)函數(shù)(HRF)優(yōu)化獲得的功能信號(hào)作為分類特征。
由圖4可見(jiàn)，本發(fā)明方法雖然和基于先驗(yàn)?zāi)Ｐ偷姆椒ㄗ隽送瑯拥氖虑?如表中方 法三)，都是提取大腦中與神經(jīng)活動(dòng)相關(guān)的功能信號(hào)成分，但本發(fā)明提出的方法沒(méi)有任何先 驗(yàn)?zāi)Ｐ偷膮⑴c，卻得到了相對(duì)較好的分類結(jié)果。結(jié)果的優(yōu)越性可能來(lái)自于，脫離了模型，通 過(guò)對(duì)個(gè)體本身的多態(tài)信號(hào)的比較，能很好的體現(xiàn)個(gè)體的特異性，同時(shí)也能較好的消除噪聲
的影響。文中的數(shù)據(jù)為事件相關(guān)設(shè)計(jì)實(shí)驗(yàn)的數(shù)據(jù)，而非組塊設(shè)計(jì)實(shí)驗(yàn)的數(shù)據(jù)。這種剌激設(shè) 計(jì)的優(yōu)點(diǎn)在于將單個(gè)剌激分別開來(lái)，能夠更好的展現(xiàn)出大腦對(duì)剌激的響應(yīng)過(guò)程，但與此同 時(shí)，也增加了數(shù)據(jù)分析的難度，表中的方法二從波形上很難辨別哪個(gè)信號(hào)成分為功能信號(hào) 成分，因此無(wú)法完成識(shí)別任務(wù)。
權(quán)利要求
一種功能核磁共振掃描下功能響應(yīng)信號(hào)的甄別方法，其特征在于(1)利用核磁共振儀獲得任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)，然后利用功能核磁共振分析軟件SPM對(duì)任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)進(jìn)行空間和時(shí)間上的預(yù)處理，得到數(shù)據(jù)集；(2)利用現(xiàn)有的主成分分析方法PCA，降低任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的維度，保留主要信息，即保留構(gòu)成任務(wù)態(tài)和靜息態(tài)數(shù)據(jù)各自90％以上信息能量的特征向量，重新構(gòu)建任務(wù)態(tài)和靜息態(tài)兩種數(shù)據(jù)；然后利用現(xiàn)有的時(shí)間域上的獨(dú)立成分分析方法ICA，分別提取出兩種數(shù)據(jù)各自的獨(dú)立成分，包括機(jī)器噪聲信號(hào)成分、非神經(jīng)性生理噪聲成分和神經(jīng)性功能信號(hào)響應(yīng)成分；(3)通過(guò)在兩種數(shù)據(jù)的各獨(dú)立成分之間做相關(guān)遍歷的方法，在任務(wù)態(tài)數(shù)據(jù)成分中找出功能信號(hào)成分的范圍，得到包含功能信號(hào)成分的信號(hào)集；(4)對(duì)信號(hào)集中的每一個(gè)信號(hào)進(jìn)行頻譜分析，剔除在頻域空間上沒(méi)有顯著能量峰值的成分，剩余成分中選取首成分，即為主要功能響應(yīng)信號(hào)。
2. 根據(jù)權(quán)利要求1所述功能核磁共振掃描下功能響應(yīng)信號(hào)的甄別方法，其特征在于 (2) 、 (3) 、 (4)具體步驟是:第一步，應(yīng)用主成分分析方法PCA，將任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的變量分別重新組合成 一組新的互相無(wú)關(guān)的綜合變量；(1) 計(jì)算兩種數(shù)據(jù)矩陣各自的協(xié)方差矩陣S ;(2) 計(jì)算各自協(xié)方差矩陣S的特征向量的特征值，按照特征值按大到小排序，選取前面 特征，保留兩種數(shù)據(jù)各自> 90%以上的信息；(3) 投影兩種數(shù)據(jù)到由各自對(duì)應(yīng)特征向量組成的新空間，實(shí)現(xiàn)數(shù)據(jù)壓縮；第二步，進(jìn)行獨(dú)立成分分析ICA，先對(duì)兩種數(shù)據(jù)各自進(jìn)行中心化和白化預(yù)處理，從白化 樣本優(yōu)化求解出解混矩陣，得到各自的獨(dú)立基向量，即時(shí)間域上獨(dú)立信號(hào)成分，實(shí)際測(cè)量到 的時(shí)域信號(hào)便是這些獨(dú)立成分的線性組合；對(duì)任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)分別進(jìn)行以上過(guò) 程，設(shè)定分別保留25個(gè)成分，包括噪聲、非神經(jīng)功能生理信號(hào)和神經(jīng)功能信號(hào)在內(nèi)的主要 信息的新信號(hào)，獲得兩類數(shù)據(jù)的獨(dú)立成分集合，分別記為SEjt) (i = 1，2，…，25)和SRjt) (i = 1，2，…，25);在分解出來(lái)的靜息態(tài)獨(dú)立成分SEi (t)和任務(wù)態(tài)獨(dú)立成分SRi (t)之間兩兩結(jié)合，計(jì)算相 關(guān)系數(shù)<formula>formula see original document page 2</formula>其中，i = 1，2， ".，25 ;j = 1，2， ".，25 ;SEi(t)為任務(wù)態(tài)數(shù)據(jù)獨(dú)立成分，玩i (t)為該 獨(dú)立成分在時(shí)間軸上的平均值；SRj(t)為靜息態(tài)數(shù)據(jù)獨(dú)立成分，Mj為該獨(dú)立成分在時(shí)間軸 上的平均值。通過(guò)下式選擇任務(wù)態(tài)數(shù)據(jù)前3個(gè)獨(dú)立成分見(jiàn)<formula>formula see original document page 2</formula>第三步，通過(guò)觀察頻譜圖，將選取的噪聲、非神經(jīng)功能生理信號(hào)和神經(jīng)功能信號(hào)3個(gè)任務(wù)態(tài)數(shù)據(jù)獨(dú)立成分進(jìn)行頻譜分析，剔除在頻域空間上沒(méi)有顯著能量峰值的成分，剩余成分 中選取首成分，即按照第二歩方法挑選順序排列的，滿足第三歩有分值能量要求的第一個(gè) 信號(hào)為主要功能響應(yīng)信號(hào)。
全文摘要
一種功能核磁共振掃描下功能響應(yīng)信號(hào)的甄別方法，(1)利用核磁共振儀獲得任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)，然后利用功能核磁共振分析軟件SPM對(duì)數(shù)據(jù)進(jìn)行空間和時(shí)間上的處理，得到數(shù)據(jù)集；(2)利用現(xiàn)有的主成分分析方法PCA，降低任務(wù)態(tài)數(shù)據(jù)和靜息態(tài)數(shù)據(jù)的維度，保留主要信息，即保留構(gòu)成據(jù)數(shù)據(jù)90％以上信息能量的特征向量，重新構(gòu)建數(shù)據(jù)；然后利用現(xiàn)有的時(shí)間域上的獨(dú)立成分分析方法ICA，分別提取出兩種數(shù)據(jù)各自的獨(dú)立成分，包括機(jī)器噪聲信號(hào)成分、非神經(jīng)性生理噪聲成分和神經(jīng)性功能信號(hào)響應(yīng)成分；(3)通過(guò)在兩種數(shù)據(jù)的各獨(dú)立成分之間做相關(guān)遍歷的方法，找出功能信號(hào)成分的范圍，得到包含功能信號(hào)成分的信號(hào)集；(4)對(duì)信號(hào)集中的每一個(gè)信號(hào)進(jìn)行頻譜分析，剔除在頻域空間上沒(méi)有顯著能量峰值的成分，剩余成分中選取首成分，即為主要功能響應(yīng)信號(hào)。
文檔編號(hào)G01R33/56GK101788656SQ20101010359
公開日2010年7月28日 申請(qǐng)日期2010年1月29日 優(yōu)先權(quán)日2010年1月29日
發(fā)明者劉剛, 盧青, 姚志劍 申請(qǐng)人:東南大學(xué);南京醫(yī)科大學(xué)附屬腦科醫(yī)院