本文關鍵詞：獨立成分分析算法應用于功能磁共振成像數(shù)據(jù)中，由筆耕文化傳播整理發(fā)布。

【摘要】：人類的大腦是非常復雜的，多年來人們一直試圖了解它。發(fā)展的腦成像技術,使人們對大腦的研究已經從最初的解剖定位發(fā)展到大腦活動基本過程進一步檢測。功能性磁共振成像(fMRI)是二十世紀九十年代發(fā)展起來的一種基于血氧水平依賴成像技術和血流敏感性的技術。功能性磁共振成像已無輻射、無創(chuàng)傷性、高分辨率、時間和空間可以重復操作,和許多其他的優(yōu)勢。所以近年來,它已經成為研究大腦的方式行動的首選方法。本文主要是使用一個新的獨立分量分析方法分析到功能磁共振成像數(shù)據(jù)。 之前的對功能磁共振成像數(shù)據(jù)進行的研究都是在時間序列預先知道的情況下,使用相關分析得到大腦的激活區(qū)。如果大腦收集時間序列未知,激活大腦及其影響因素是未知的,所以這意味著信號源和混合矩陣是未知的,這是典型的盲源分離問題。解決盲源分離問題,我們可以選擇最常用的獨立分量分析方法。通過獨立分量分析的方法對功能磁共振成像數(shù)據(jù)進行混合分離并提取與任務相關的成分。 本文首先介紹了用獨立成分分析方法處理fMRI數(shù)據(jù)的一些估計算法；通過介紹常用的FastICA算法引進了一種新的算法---------基于峭度的RobustICA算法；按實驗目的設計了相關的實驗，在得到數(shù)據(jù)后對fMRI數(shù)據(jù)進行了數(shù)據(jù)分析和處理。本文用SPM軟件對數(shù)據(jù)進行了預處理；分別用獨立成分分析方法（RobustICA算法和FastICA算法對fMRI數(shù)據(jù)進行了成分的分離。通過和FastICA算法對數(shù)據(jù)的分析比較發(fā)現(xiàn)，，新的算法較以前常用的FastICA算法在某些有了很大的改進，其優(yōu)點有以下幾點：1）該算法可以提升當信號存在壞點時的魯棒性。2）該算法在一定的程度上適當?shù)奶岣吡擞嬎愕乃俣取?）用新的算法結合組成分分析方法對成組的fMRI數(shù)據(jù)進行了分析，發(fā)現(xiàn)有明顯的優(yōu)勢。
【關鍵詞】：核磁共振成像 盲源分離 獨立成分分析 RobustICA算法
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：R310
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 第1章 緒論10-17
• 1.1 課題背景和意義10-11
• 1.2 本文研究領域現(xiàn)狀11-15
• 1.2.1 國外研究現(xiàn)狀12-13
• 1.2.2 國內研究現(xiàn)狀13-15
• 1.3 本文主要研究的內容和方法15
• 1.4 文章結構安排15-16
• 1.5 本章小結16-17
• 第2章 功能磁共振成像17-21
• 2.1 FMRI 簡介17
• 2.2 FMRI 的物理基礎17-18
• 2.3 FMRI 的原理18-19
• 2.4 fMRI 的應用19-20
• 2.5 功能磁共振成像的特點20
• 2.6 本章小結20-21
• 第3章 獨立成分分析算法21-26
• 3.1 獨立成分分析算法的簡介21
• 3.2 獨立成分分析的基本模型21-25
• 3.2.1 極大化非高斯性的 ICA 估計方法21-22
• 3.2.2 極小化互信息的 ICA 估計方法22-23
• 3.2.3 基于張量的 ICA 估計方法23
• 3.2.4 ICA 的極大似然估計方法23-24
• 3.2.5 基于非線性去相關和非線性 PCA 的 ICA 估計方法24-25
• 3.3 本章小結25-26
• 第4章 一種新的算法——基于峭度的 RobustICA26-38
• 4.1 幾種常用算法的回顧26-28
• 4.1.1 FASTICA 的回顧26-27
• 4.1.2 INFORMAX 算法27-28
• 4.2 RobustICA 算法28-32
• 4.2.1 RobustICA 算法的理論研究28-29
• 4.2.2 ROBUSTICA 算法29-32
• 4.3 RobustICA 算法的優(yōu)點32-33
• 4.4 實驗結果分析33-36
• 4.5 本章小結36-38
• 第5章 RobustICA 算法在 fMRI 數(shù)據(jù)中的應用38-47
• 5.1 fMRI 實驗設計的模式38-41
• 5.1.1 實驗方案39
• 5.1.2 受試者的選擇39-40
• 5.1.3 實驗儀器的參數(shù)設置40
• 5.1.4 實驗前的準備工作40-41
• 5.2 數(shù)據(jù)預處理（SPM）41-43
• 5.2.1 SPM 簡介41
• 5.2.2 利用 SPM 處理 fMRI 數(shù)據(jù)41-43
• 5.3 實驗的結果與對比分析43-46
• 5.3.1 RobustICA 和 FastICA 算法處理 fMRI 數(shù)據(jù)43-44
• 5.3.2 提取成分分析44-46
• 5.4 本章小結46-47
• 第6章 新的算法結合 GROUPICA 分析 fMRI 數(shù)據(jù)47-50
• 6.1 GROUPICA 方法的意義47
• 6.2 GROUPICA 的幾種方法47-48
• 6.3 RobustICA 算法結合 GROUPICA 處理 fMRI 數(shù)據(jù)48-49
• 6.4 實驗結果及分析49
• 6.5 本章小結49-50
• 第7章 結論與展望50-52
• 7.1 本文小結50
• 7.2 對今后工作的展望50-52
• 參考文獻52-56
• 作者簡介及在學期間所取得的科研成果56-57
• 后記和致謝57

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 范麗偉,唐煥文,唐一源;獨立成分分析應用于fMRI數(shù)據(jù)研究[J];大連理工大學學報;2003年04期

2 汪軍;基于高階譜的信號盲分離[J];東南大學學報(自然科學版);1996年05期

3 劉琚,梅良模,何振亞;一種盲信號分離的信息理論方法[J];山東大學學報(自然科學版);1998年04期

4 武振華,史振威,唐煥文,唐一源;新的獨立成分分析算法實現(xiàn)功能磁共振成像信號的盲分離[J];生物物理學報;2004年03期

5 王娟,羅述謙;獨立變量分析及其在腦功能可視化中應用[J];系統(tǒng)仿真學報;2001年S2期

6 吳小培,詹長安,周荷琴,馮煥清;采用獨立分量分析方法消除信號中的工頻干擾[J];中國科學技術大學學報;2000年06期

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 朱連云;獨立成分分析在fMRI數(shù)據(jù)處理中的應用[D];浙江大學;2008年

2 楊竹青;獨立成分分析及在fMRI腦圖像序列中的應用[D];國防科學技術大學;2002年

3 潘麗麗;獨立成分分析及其在腦功能磁共振成像中的應用[D];大連理工大學;2005年

4 權松民;獨立成分分析方法在兒童鎮(zhèn)靜狀態(tài)下視覺刺激fMRI中的應用[D];中國醫(yī)科大學;2006年

5 趙陶鈺;獨立成分分析算法在fMRI數(shù)據(jù)中的應用[D];太原理工大學;2012年

  本文關鍵詞：獨立成分分析算法應用于功能磁共振成像數(shù)據(jù)中，由筆耕文化傳播整理發(fā)布。

本文編號：261260