【摘要】：大腦是人體存儲、處理、整合各種信號的中樞系統(tǒng),在腦科學(xué)的研究中,功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)技術(shù)是研究人類大腦認(rèn)知過程的有效手段,其不僅可以實現(xiàn)無創(chuàng)傷、精準(zhǔn)定位,并且具有分辨率高、可重復(fù)研究等優(yōu)點。通過fMRI技術(shù)可以采集到腦內(nèi)活動的大量數(shù)據(jù),從這些數(shù)據(jù)中獲取有效信息并進(jìn)行有效識別是腦科學(xué)研究中的重要手段之一。論文從特征提取及分類識別兩個角度出發(fā)對fMRI數(shù)據(jù)進(jìn)行研究,敘述了fMRI數(shù)據(jù)特征以及分類模型在腦認(rèn)知研究中的重要性,并對fMRI數(shù)據(jù)常用的特征提取方法、fMRI數(shù)據(jù)分類的基本過程以及常用的分類算法進(jìn)行簡要介紹。在快速獨立成分分析(Fast Independent Component Analysis,FastICA)基礎(chǔ)上,提出一種基于支持向量機(Support Vector Machine,SVM)的集成學(xué)習(xí)模型用于分析fMRI數(shù)據(jù)。論文的主要研究內(nèi)容如下:(1)針對fMRI數(shù)據(jù)的特征提取方法,實驗采用基于logcosh、exp、cube這三種負(fù)熵逼近函數(shù)的FastICA算法進(jìn)行特征提取,將這三種函數(shù)下提取的成分因素分別作為SVM的輸入進(jìn)行分類識別,實驗結(jié)果表明基于logcosh負(fù)熵逼近函數(shù)的FastICA算法在fMRI數(shù)據(jù)的特征提取上具有一定的優(yōu)勢。(2)針對fMRI數(shù)據(jù)的高維問題,利用SVM構(gòu)造集成分類模型,并與基于logcosh負(fù)熵逼近函數(shù)的FastICA特征提取算法相結(jié)合,得到一種新的fMRI數(shù)據(jù)分析模型。將通過FastICA算法提取的特征輸入該集成分類模型與SVM進(jìn)行分類識別,實驗結(jié)果表明集成分類模型可以更好地捕捉特征所包含的有用信息從而對fMRI數(shù)據(jù)表現(xiàn)出較好的分類性能,豐富了fMRI數(shù)據(jù)的分析方法。
【圖文】：

動的醫(yī)學(xué)成像技術(shù)。它是磁共振成像（Magnetic Resonance Imaging特殊應(yīng)用，它利用強磁場和無線電波產(chǎn)生器官、組織、骨骼和幾乎所圖像。MRI 掃描儀利用導(dǎo)線線圈通過電流產(chǎn)生磁場，掃描區(qū)原子內(nèi)的其他一些線圈發(fā)出無線電波脈沖，使質(zhì)子偏離排列，當(dāng)質(zhì)子恢復(fù)對齊電波，，可由掃描器記錄。fMRI 技術(shù)通過采集人腦的電磁信號，可以外界刺激時局部血流的變化情況，通過分析這些在神經(jīng)活動狀態(tài)下的大腦的認(rèn)知狀態(tài)。人體中的其他器官一樣，需要穩(wěn)定地供應(yīng)氧氣來進(jìn)行新陳代謝。氧氣白分子提供，神經(jīng)活動時需要消耗氧氣，因此大腦區(qū)域在激活時，血那之后，血液流量增加，給激活區(qū)域帶來更多的氧氣，這就補償了最在大約 6 秒后達(dá)到峰值，然后下降到刺激后的低谷，最后返回到基線活動的這種變化過程稱為血液動力學(xué)反應(yīng)(Hemodynamic Response, HLD 血流動力學(xué)響應(yīng)函數(shù)。

標(biāo)準(zhǔn)的 fMRI 實驗為一個被試（可以是更多的受試者）被要求躺在軟墊上認(rèn)知任務(wù)或刺激[9]，比如記憶、按幾個按鈕、看圖片、看電影、聽聲音等驗的主要流程以及相關(guān)術(shù)語如圖 1-2 所示，在實驗過程中每個參與實驗的次或者重復(fù)掃描[10]，掃描的速度很快（通常每兩到三秒一次），其中一次構(gòu)成一個 session，通過若干個時間段來劃分一個 session 的時間序列，每構(gòu)成一個run，一個run又由若干個腦圖像組成，每個腦圖像又稱為一個volfMRI 實驗中需要對被試的全腦進(jìn)行分層掃描，掃描后每個腦圖像會得到許片，每一層時間切片稱為一個 slice，每層時間片由多個體素構(gòu)成，體素是圖像，是分析 fMRI 的基石，我們可以從體素中提取到關(guān)于大腦活動強度體素都有一個對應(yīng)的空間位置，持續(xù)觀察這一體素可得到其活動強度隨時，從而提取出關(guān)于時間的活動強度信息，進(jìn)而關(guān)聯(lián)到每個被試的認(rèn)知狀態(tài)圖像信息。
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R445.2;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐繼偉;楊云;;集成學(xué)習(xí)方法:研究綜述[J];云南大學(xué)學(xué)報(自然科學(xué)版);2018年06期

2 武玉英;嚴(yán)勇;蔣國瑞;;基于動態(tài)選擇性集成學(xué)習(xí)的供應(yīng)鏈產(chǎn)銷協(xié)商優(yōu)化策略[J];計算機工程;2017年05期

3 張滄生;崔麗娟;楊剛;倪志宏;;集成學(xué)習(xí)算法的比較研究[J];河北大學(xué)學(xué)報(自然科學(xué)版);2007年05期

4 郭福亮;周鋼;;集成學(xué)習(xí)中預(yù)測精度的影響因素分析[J];兵工自動化;2019年01期

5 曾一平;;基于集成學(xué)習(xí)的小麥識別研究[J];現(xiàn)代商貿(mào)工業(yè);2019年17期

6 米碩;孫瑞彬;李欣;明曉;;集成學(xué)習(xí)在文本分類問題中的應(yīng)用[J];中國新通信;2018年09期

7 李曄;劉勝利;張兆林;;基于漂移檢測和集成學(xué)習(xí)的木馬檢測模型[J];信息工程大學(xué)學(xué)報;2017年06期

8 徐桂云;陳躍;張曉光;劉云楷;;基于選擇性集成學(xué)習(xí)的焊接缺陷識別研究[J];中國礦業(yè)大學(xué)學(xué)報;2011年06期

9 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計算機學(xué)報;2011年08期

10 饒峰;;核機器集成學(xué)習(xí)算法的誤差分析[J];重慶文理學(xué)院學(xué)報(自然科學(xué)版);2010年04期

相關(guān)會議論文 前10條

1 關(guān)鵬洲;王夢毫;李倩;;基于集成學(xué)習(xí)和深度學(xué)習(xí)的短期降雨預(yù)測模型[A];2017年（第五屆）全國大學(xué)生統(tǒng)計建模大賽獲獎?wù)撐倪x[C];2017年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學(xué)習(xí)[A];2011'中國西部聲學(xué)學(xué)術(shù)交流會論文集[C];2011年

3 倪志偉;張琛;倪麗萍;;基于螢火蟲群優(yōu)化算法的選擇性集成霾天氣預(yù)報方法[A];中國系統(tǒng)工程學(xué)會第十八屆學(xué)術(shù)年會論文集——A12系統(tǒng)科學(xué)與系統(tǒng)工程理論在各個領(lǐng)域中的應(yīng)用研究[C];2014年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機集成的故障診斷[A];第16屆中國過程控制學(xué)術(shù)年會暨第4屆全國故障診斷與安全性學(xué)術(shù)會議論文集[C];2005年

5 吳龍飛;孫浩;計科峰;;基于集成映射的半監(jiān)督圖像分類方法[A];第八屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議會刊[C];2014年

6 邱誠;倪子偉;陳珂;蘇旋;鄒權(quán);;基于聚類方法的基分類器選擇策略研究[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

7 張紅梅;;基于粗糙集特征約簡的SVM集成入侵檢測模型[A];2009中國控制與決策會議論文集（3）[C];2009年

8 程麗麗;張健沛;楊靜;馬駿;;一種提高支持向量機集成差異性的學(xué)習(xí)方法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（一）[C];2008年

9 劉錕;邢延;蔡延光;;一種針對交互式學(xué)習(xí)系統(tǒng)日志數(shù)據(jù)的輕型化挖掘方法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

10 劉伍穎;王挺;;一種多過濾器集成學(xué)習(xí)垃圾郵件過濾方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

相關(guān)重要報紙文章 前1條

1 本報記者 張曄;人腦比電腦更重要[N];科技日報;2008年

相關(guān)博士學(xué)位論文 前10條

1 李艷秋;基于集成學(xué)習(xí)的人臉識別研究[D];合肥工業(yè)大學(xué);2018年

2 趙鶴;面向高維大數(shù)據(jù)的子空間集成學(xué)習(xí)方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院);2017年

3 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

4 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

5 孫永宣;集成學(xué)習(xí)下的圖像分析關(guān)鍵問題研究[D];合肥工業(yè)大學(xué);2013年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

7 阿里木·賽買提(Alim.Samat);基于集成學(xué)習(xí)的全極化SAR圖像分類研究[D];南京大學(xué);2015年

8 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

9 鈕冰;基于集成學(xué)習(xí)算法的若干生物信息學(xué)問題研究[D];上海大學(xué);2009年

10 程麗麗;支持向量機集成學(xué)習(xí)算法研究[D];哈爾濱工程大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 王瑞峰;基于集成學(xué)習(xí)的胃鏡影像分析方法及移動醫(yī)療平臺的設(shè)計[D];天津理工大學(xué);2019年

2 張寶安;基于深度學(xué)習(xí)的入侵檢測研究與實現(xiàn)[D];北京郵電大學(xué);2019年

3 顧媛媛;基于集成學(xué)習(xí)算法的搜索廣告轉(zhuǎn)化率預(yù)測應(yīng)用研究[D];上海師范大學(xué);2019年

4 胡宸;基于集成學(xué)習(xí)的上市公司高送轉(zhuǎn)預(yù)測模型及投資策略設(shè)計[D];上海師范大學(xué);2019年

5 鄧景熹;基于集成學(xué)習(xí)的信用卡欺詐識別方法研究[D];蘭州大學(xué);2019年

6 張芳芳;基于獨立成分分析和集成學(xué)習(xí)的fMRI數(shù)據(jù)分類研究[D];太原理工大學(xué);2019年

7 常建芳;基于集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的太陽能輻照度預(yù)測方法[D];天津大學(xué);2018年

8 葉明;基于集成學(xué)習(xí)的疾病輔助診斷關(guān)鍵技術(shù)研究與實現(xiàn)[D];鄭州大學(xué);2019年

9 邸研哲;基于相似性方法的藥物—疾病相互作用關(guān)系預(yù)測[D];安徽大學(xué);2019年

10 雍振煌;基于評論極性與集成學(xué)習(xí)的微博謠言檢測研究[D];武漢理工大學(xué);2018年

本文編號：2601541