论文部分内容阅读
功能磁共振成像(Functional Magnetic Resonance Imaging, fMRI)数据具有空间分辨率高、对人体无损伤等特点。通过对多被试fMRI数据进行分析,又称为组分析(GroupAnalysis),可以获取脑功能研究和临床诊断中所需要的脑功能成分。独立向量分析(Independent Vector Analysis, IVA)和GroupICA (Group Independent Component Analysis)是两种数据驱动的fMRI数据组分析方法。但在幅值fMRI和复数fMRI数据的组分析中均存在一定的不足。为此,本文开展了以下工作：(1)针对现有IVA算法假设SCV (Source Component Vector, SCV)的概率模型固定且已知的局限,提出了一种自适应IVA算法。该算法利用了可变的多维概率密度EP (Exponential Power, EP)模型,用于实时匹配SCV分布,因此对源数据的概率分布不设要求,适用范围广。同时,综合利用了SCV的二阶统计量和高阶统计量,以进一步提高分离性能。基于仿真和实际fMRI数据的实验结果验证了该算法的有效性；(2)针对现有IVA算法在复数fMRI数据分析中的性能不足问题,提出了一种改进的复数IVA算法。通过在现有实数IVA-L算法的基础上,加入基于非环形性和非高斯性的稳定性量度,并将EP分布作为多维概率密度模型,本文将性能较优的实数IVA-L算法拓展到了复数域。基于仿真和实际fMRI数据的实验结果表明,本文算法的分离性能优于现有的复数IVA-G算法；(3)将相位校正算法引入GroupICA算法中,有效提高了GroupICA算法在复数fMRI数据中的组分析性能。ICA固有相位模糊性,并在一定程度上影响组分析性能。为此,本文根据fMRI数据的相位特性,在现有的GroupICA算法中加入了相位校正环节,以期最大限度地统一多被试相同成分的相位,进而提升SCV的质量。实验结果验证了相位校正的有效性；(4)比较了不同IVA算法和Group-ICA算法分别对功能连接分析的影响。结果表明,算法的分离性能不但影响功能连接分析的准确度,也会因算法分离中存在的相位模糊问题而造成对功能区激活顺序的错误判断。