本文選題：獨立成分分析 + 功能核磁共振成像�。� 參考：《太原理工大學》2014年碩士論文

【摘要】：功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)是上世紀九十年代初發(fā)展起來的腦功能成像技術,由于其無放射性、無創(chuàng)傷性、可重復性,與其他非介入性腦功能定位技術相比較具有較高的時間分辨率和空間分辨率,所以很快就成為探測大腦活動最有效的技術。近些年來,功能磁共振成像技術得到了飛速的發(fā)展和廣泛的應用,尤其在腦科學、神經科學和認知科學中,已經從研究人類大腦的運動、感覺、視覺和聽覺等功能,擴展到研究人類的認知、情感、思維、智能、學習等功能。此外,功能磁共振成像主要還應用于臨床醫(yī)學診斷等。功能核磁共振成像數據的主要處理方法有模型驅動方法和數據驅動方法,獨立成分分析方法是常用的數據驅動方法。 本文研究任務態(tài)和靜息態(tài)下功能磁共振成像的獨立成分分析方法。首先將獨立成分分析方法應用于顏色和形狀的特征捆綁中,得出參與捆綁認知的各大腦區(qū)域的主要作用,為建立視覺特征捆綁的認知模型提供理論基礎。其次將獨立成分分析算法應用于抑郁癥的診斷和識別,分析抑郁癥患者和正常人的腦區(qū)之間的異常,為抑郁癥提供輔助診斷方法。主要工作如下： 1.針對研究目的,分析和比較常用的獨立成分提取算法,根據采集的fMRI數據選擇出最適合的算法,并對獨立成分的選取方法進行了說明。 2.研究任務態(tài)fMRI數據獨立成分分析方法,利用獨立成分分析方法研究顏色和形狀的特征捆綁問題。采集任務態(tài)fMRI數據,對預處理后的fMRI數據提取獨立成分,使用多元回歸分析方法和相關分析方法選取任務對應的獨立成分,使用認知減法進行獨立成分之間的計算,得出進行特征捆綁的主要大腦活動區(qū)域,進一步分析得出進行顏色和形狀特征捆綁任務時大腦區(qū)域的激活情況和認知過程,為揭示人的視覺感知過程奠定理論基礎,為建立視覺特征捆綁的認知模型提供理論支撐。 3.研究靜息態(tài)fMRI數據獨立成分分析方法,利用獨立成分分析方法研究抑郁癥患者和正常人的fMRI數據。采集靜息態(tài)下抑郁癥和正常人fMRI數據,將數據分為訓練組和測試組、訓練組又分為抑郁組和正常組,提取小組獨立成分,使用Greicius提出的默認網絡,分別選擇出抑郁組和正常組的參考成分,將測試組每個被試的參考成分和抑郁組、正常組的參考成分進行相關分析,實現正常人和抑郁癥的分類,并檢測抑郁癥與正常人腦功能網絡連接有顯著性差異的腦區(qū),為抑郁癥提供輔助診斷方法。 4.任務態(tài)和靜息態(tài)fMRI數據獨立成分分析方法比較。針對任務態(tài)和靜息態(tài)fMRI數據獨立成分分析方法,從實驗試用范圍、實驗的設計、獨立成分的提取和選擇、獨立成分分析的目的和結果進行比較。比較得出相關分析和回歸分析能有效提取任務態(tài)激活的腦區(qū),通過對默認網絡的分析提取出靜息態(tài)下神經或精神類疾病患者發(fā)生病變的腦區(qū),為不同狀態(tài)下fMRI數據的獨立成分分析方法選擇提供了可參考的依據。
[Abstract]:In recent years , functional magnetic resonance imaging has been widely used in the research of human cognition , emotion , thinking , intelligence , learning and so on .

In this paper , the independent component analysis method of functional magnetic resonance imaging in task state and resting state is studied . First , the independent component analysis method is applied to the characteristic binding of color and shape , and the main function of each brain region participating in binding recognition is obtained . The theory basis is provided for the cognitive model of the binding of visual characteristics . Secondly , the independent component analysis algorithm is applied to the diagnosis and identification of depression , which can provide auxiliary diagnosis method for depression . The main work is as follows :

1 . For the purpose of research , we analyze and compare the commonly used independent component extraction algorithm , choose the most suitable algorithm according to the data collected , and make a description of the selection method of the independent component .

2 . To study the method of independent component analysis of the data of task state , and study the characteristic binding problem of color and shape by using independent component analysis method . The independent component of the task is selected by using multiple regression analysis method and correlation analysis method . The main brain activity region of the characteristic binding is obtained by using multiple regression analysis method and correlation analysis method .

3 . The independent component analysis method was used to study the data between depression group and normal group . The data were divided into training group and test group . The data were divided into two groups : depression group and normal group .

4 . The independent component analysis method is compared between the task state and the data independent component analysis . The results are compared between the experimental trial range , the design of the experiment , the extraction and selection of the independent component , the purpose and the result of the independent component analysis . It is concluded that the correlation analysis and regression analysis can effectively extract the brain regions activated by the task state . By analyzing the analysis of the default network , the brain region of the lesion of the nerve or the mental diseases in the resting state can be extracted , and the reference basis is provided for the independent component analysis method selection of the MRI data in different states .

【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：R445.2;TN911.7

【參考文獻】

相關期刊論文 前10條

1 牛晨;張明;林盤;閔志剛;高磊;王茂德;金晨望;王淵;朱超;劉馨;劉麗華;;靜息態(tài)與任務態(tài)功能MRI在腦腫瘤患者術前運動皮層定位的研究[J];磁共振成像;2012年03期

2 范麗偉,唐煥文,唐一源;獨立成分分析應用于fMRI數據研究[J];大連理工大學學報;2003年04期

3 楊福生,洪波,唐慶玉;獨立分量分析及其在生物醫(yī)學工程中的應用[J];國外醫(yī)學.生物醫(yī)學工程分冊;2000年03期

4 翁曉光;王惠南;;改進的ICA算法及其在fMRI信號上的應用[J];華南理工大學學報(自然科學版);2009年05期

5 堯德中,曾敏,陳華富,S.Becker,卓彥,陳霖;一種新的fMRI數據處理方法:鄰域獨立成分相關法及其初步應用[J];中國科學E輯:技術科學;2002年05期

6 張波;謝松云;趙海濤;;一種改進ICA算法在腦功能區(qū)提取中的應用[J];計算機仿真;2010年01期

7 吳微;彭華;張帆;;FastICA和RobustICA算法在盲源分離中的性能分析[J];計算機應用研究;2014年01期

8 董云云;邢桂陽;鄧紅霞;李海芳;;基于ICA的譜聚類方法在特征捆綁中的應用[J];計算機工程與設計;2014年01期

9 陳彩琦,劉志華,金志成;特征捆綁機制的理論模型[J];心理科學進展;2003年06期

10 吳小培,馮煥清,周荷琴,王濤;基于獨立分量分析的圖象分離技術及應用[J];中國圖象圖形學報;2001年02期

相關博士學位論文 前4條

1 朱雪玲;首發(fā)未服藥青年重性抑郁癥腦網絡連接的磁共振成像研究[D];中南大學;2011年

2 翁曉光;靜息態(tài)腦功能磁共振數據分析方法及在弱視神經機制中的應用研究[D];南京航空航天大學;2010年

3 相潔;啟發(fā)式問題解決認知神經機制及fMRI數據分析方法研究[D];太原理工大學;2010年

4 趙永健;獨立分量分析算法及其在信號處理中的應用研究[D];山東大學;2012年

，

本文編號：1865870