空間源相位是由數(shù)據(jù)驅動的盲源分離算法,如獨立成分分析(independent component analysis,ICA),從復數(shù)功能磁共振成像(functional magnetic resonance imaging,fMRI)數(shù)據(jù)中提取到的空間激活圖(spatial map,SM)的相位信息,具有極為突出的消噪能力。然而,空間源相位中蘊含的獨特信息在識別病人與健康人的組差異及二者的單被試分類方面的研究尚屬空白。為此,本文基于包括精神分裂癥患者(schizophrenia,SZ)和健康對照(healthy control,HC)共82名被試的復數(shù)靜息態(tài)fMRI(resting-state fMRI,rs-fMRI)數(shù)據(jù),開展了以下新穎的研究工作:(1)針對空間源相位在識別組差異方面性能未知的問題,提出了基于體素級方差分析的空間差異識別方法和基于重采樣的組差異驗證方法。首先,根據(jù)空間源相位的變化性,構建了體素級SZ與HC空間源相位向量,結合方差齊性檢驗(F-test),生成了SZ-HC方差差異圖。進而,定義了方差差異系數(shù),以衡量和突顯SZ-HC腦區(qū)空間差異。最后,設計了兩種重采樣方...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 fMRI相位研究現(xiàn)狀
        1.2.2 fMRI在疾病分類任務中的應用
    1.3 主要研究工作及結構安排
2 功能磁共振成像信號及其分析方法
    2.1 復數(shù)fMRI介紹
        2.1.1 fMRI原理及采集
        2.1.2 本文數(shù)據(jù)及預處理
    2.2 ICA算法介紹
    2.3 感興趣成分選擇與識別
    2.4 空間源相位預處理
    2.5 best-run提取
    2.6 本章小結
3 基于體素級方差分析的組差異識別與驗證
    3.1 引言
    3.2 基于體素級方差分析的組差異識別方法
    3.3 基于重采樣的組差異驗證方法
        3.3.1 bootstrap驗證
        3.3.2 組內與組間差異驗證
    3.4 實驗結果與分析
        3.4.1 組差異識別結果
        3.4.2 bootstrap驗證結果
        3.4.3 組內與組間差異驗證結果
    3.5 本章小結
4 單成分ICA-CNN分類框架
    4.1 引言
    4.2 基于ICA的樣本集構建
        4.2.1 ICA切片提取與預處理
        4.2.2 數(shù)據(jù)增廣
    4.3 CNN網(wǎng)絡構建
        4.3.1 網(wǎng)絡結構
        4.3.2 決策方法
        4.3.3 評價指標
    4.4 實驗結果與分析
        4.4.1 與相關方法結果對比
        4.4.2 復數(shù)fMRI與幅值fMRI分類結果對比
        4.4.3 數(shù)據(jù)增廣影響分析
    4.5 本章小結
5 多成分ICA-CNN分類框架
    5.1 引言
    5.2 ICA后融合策略
    5.3 CNN后融合策略
        5.3.1 特征融合
        5.3.2 投票決策
    5.4 實驗結果與分析
        5.4.1 ICA后融合結果
        5.4.2 CNN后特征融合結果
        5.4.3 CNN后投票決策結果
    5.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：3904269