基于fMRI的大脑功能连接动态分析系统

摘要

目前，已有越来越多的研究者应用计算的方法来研究脑功能，脑科学已经成为发展最快的学科之一。大脑功能连接的研究是脑科学领域里一个极为热门的课题，有助于人类深入了解人脑功能和工作机制，进一步认识和开发人脑，同时有助于对各类大脑疾病的诊断和治疗，因此对神经科学和临床医学有着重要意义。 以大脑功能连接的动态分析为背景，本文提出了大脑功能连接动态分析的研究框架，利用机器学习的相关方法来研究大脑功能连接动态性，本文有如下主要工作: 1)对贝叶斯连接转换点模型、基于Fisher判别准则的时序序列切分方法、k均值和谱聚类方法应用于大脑功能核磁共振成像数据的效果进行比较与评估。实验结果表明比于聚类分析方法，贝叶斯连接转换点模型和基于Fisher判别准则的方法在核磁共振成像数据集上明显有更好的效果，并且不会检测出过多的转换点。 2)设计了一种新颖的基于二进制编码的局部特征提取方法LBEM。在真实的注意缺陷/多动障碍患者和正常对照组的数据集上，同缺少LBEM局部特征特征提取这一步的方法进行比较。实验结果表明，LBEM能有效地提取大脑感兴趣区域(ROI)的，具有可鉴别性的局部特征。 3)详细介绍了极限学习机(ELM)算法和引入了核函数的KELM算法。在同一研究框架下，分类器分别使用ELM和KELM，在ADHD数据集上进行分类实验。实验表明，KELM分类器比ELM分类器的分类精度和稳定性更好，速度没有ELM快。 4)设计并实现了一种集图像预处理、动态性检测、特征提取和分类器的大脑功能连接模式识别系统.

目录

声明

摘要

1绪论

1．1研究背景和意义

1．2国内外研究现状及发展趋势

1．2．1大脑功能网络的节点定义

1．2．2大脑功能网络的边定义

1．2．3大脑功能连接的动态性

1．2．4特征提取与分类在大脑功能性连接上的应用

1．3本文框架与主要内容

1．3．1大脑功能连接动态分析总体研究框架

1．3．2论文的主要工作及内容安排

1．4本章小结

2 fMRI成像原理与预处理

2．1 fMRI成像原理

2．2 fMRI预处理

2．2．1数据转换

2．2．2时间层校正

2．2．3头动校正

2．2．4配准

2．2．5空间标准化

2．2．6平滑

2．2．7 ROI提取

3大脑功能连接动态性检测

3．1贝叶斯连接转换点模型

3．2基于Fisher判别准则的时间序列切分方法

3．2．1 Fisher判别准则

3．2．2遗传算法

3．2．3算法步骤

3．3 K均值聚类算法

3．3．1算法原理

3．3．2算法步骤

3．4谱聚类算法

3．4．1算法概述

3．4．2图的概念

3．4．3图的拉普拉斯矩阵

3．4．4最优化准则

3．4．5算法步骤

3．5对比实验

3．5．1实验目的

3．5．2实验数据

3．5．3实验设计

3．5．4实验结果与分析

4基于LBEM和ELM的脑功能连接动态分析模型

4．1模型结构

4．2二进制编码局部特征提取方法

4．3基于极限学习机的有监督分类

4．3．1 ELM

4．3．2 KELM

4．4对比实验

4．4．1实验目的

4．4．2实验数据

4．4．3实验设计

4．4．4实验结果与分析

5大脑功能连接模式识别系统

5．1引言

5．2系统概述

5．2．1系统简介

5．2．2开发环境

5．2．3主要开发语言及平台

5．2．4系统流程图

5．2．5系统模块设计

5．2．6用户界面设计

5．3 系统各模块技术分析

5．3．1预处理模块

5．3．2动态性检测模块

5．3．3特征提取模块

5．3．4分类与结果显示模块

5．3．5数据导出模块

5．4系统测试

5．4．1关键参数设置

5．4．2测试结果

6结论

致谢

参考文献

附录