發(fā)布時間：2017-04-27 12:06

  本文關(guān)鍵詞：fMRI數(shù)據(jù)分析方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：從上個世紀九十年代以來,腦功能成像技術(shù)得到了廣泛應(yīng)用和長足發(fā)展。腦功能成像技術(shù)最大的優(yōu)點就是無損傷,可以直接對人腦進行反復(fù)的非侵入性觀察測量。不同的功能成像技術(shù)各有其優(yōu)缺點,其中功能磁共振成像技術(shù)以其高空間分辨率的特點在人腦功能研究領(lǐng)域占據(jù)了重要的地位。針對不同的實驗?zāi)康?通過改變多種實驗條件,用功能磁共振成像技術(shù)對許多生理和生物物理參數(shù)進行測量,獲得了十分豐富的實驗數(shù)據(jù)。只有通過對這些數(shù)據(jù)進行分析,從大量噪聲中提取感興趣的信息,揭示出其中的規(guī)律,才能真正達到對人腦功能研究的目的。 對功能磁共振數(shù)據(jù)的分析有兩類方法:數(shù)據(jù)驅(qū)動分析法和模型驅(qū)動分析法。本論文在對功能磁共振數(shù)據(jù)的特點進行研究的基礎(chǔ)上,對這兩類數(shù)據(jù)分析方法都分別進行了研究,發(fā)展了系統(tǒng)聚類法和廣義線性模型法。對系統(tǒng)聚類法的發(fā)展包括兩點:首先,把符合生理事實的鄰域相關(guān)理論用于數(shù)據(jù)預(yù)處理,極大地降低了數(shù)據(jù)維數(shù),提高了數(shù)據(jù)的信噪比,突破了傳統(tǒng)系統(tǒng)聚類法計算量大、計算速度慢、要求存儲空間大的限制,使這一方法得以應(yīng)用于fMRI 數(shù)據(jù)分析;其次,為了充分考慮fMRI 數(shù)據(jù)的時空信息特性,提出了一種新的時空距離量度,從而發(fā)展了系統(tǒng)聚類分析方法,并在仿真和真實的實驗數(shù)據(jù)處理中都取得了較好的效果。 在分析廣義線性模型的基本原理的基礎(chǔ)上,結(jié)合功能BOLD 響應(yīng)的特點,提出了一個新的動力學(xué)響應(yīng)函數(shù),擴展了廣義線性模型,應(yīng)用于實際功能磁共振視覺刺激的數(shù)據(jù)處理,取得了與生理事實相一致的結(jié)果,從而驗證了該方法的有效性。 SPM 軟件是廣泛應(yīng)用于fMRI 數(shù)據(jù)分析的一個通用軟件。本論文對該軟件的基本原理和應(yīng)用進行了探討,并用該軟件處理了一批沖突效應(yīng)(stroop)數(shù)據(jù),對處理結(jié)果進行了分析,結(jié)果表明stroop 效應(yīng)主要在前額葉,頂枕區(qū)和扣帶回區(qū)域�！　　�
【關(guān)鍵詞】：功能磁共振成像 聚類分析 鄰域相關(guān) 時空距離量度 統(tǒng)計分析
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2005
【分類號】：R318
【目錄】：

• 中文摘要4-5
• ABSTRACT5-10
• 第一章 引言10-20
• 1.1 人腦的基本生理結(jié)構(gòu)11
• 1.2 腦功能成像技術(shù)11-14
• 1.2.1 腦功能成像技術(shù)11-12
• 1.2.2 腦功能成像技術(shù)的優(yōu)勢與不足12-13
• 1.2.3 三類研究腦的方法13-14
• 1.3 功能磁共振成像技術(shù)的發(fā)展及研究應(yīng)用14-18
• 1.3.1 功能磁共振成像的應(yīng)用研究15-16
• 1.3.2 功能磁共振成像特點16
• 1.3.3 腦功能磁共振成像信號特征16-18
• 1.4 功能磁共振數(shù)據(jù)處理方法18
• 1.5 本文所要解決的問題18
• 1.6 全文的結(jié)構(gòu)安排18-20
• 第二章 對功能磁共振成像(FMRI)數(shù)據(jù)的聚類分析20-35
• 2.1 數(shù)據(jù)驅(qū)動方法(data-driven)21-26
• 2.1.1 主成分分析(PCA, principle component analysis )基本原理21-22
• 2.1.2 獨立成分分析(ICA, independent component analysis)基本原理22-23
• 2.1.3 聚類分析(CA,clustering analysis)基本原理及算法23-26
• 2.2 一種新的系統(tǒng)聚類分析(HCA, hierarchical clustering analysis)26-27
• 2.2.1 預(yù)處理  鄰域相關(guān)26-27
• 2.2.2 時空量度27
• 2.3 數(shù)據(jù)獲取和數(shù)據(jù)處理27-29
• 2.3.1 構(gòu)造仿真數(shù)據(jù)27-28
• 2.3.2 實驗?zāi)Ｊ?/span>28-29
• 2.3.3 實驗數(shù)據(jù)檢測29
• 2.3.4 數(shù)據(jù)處理29
• 2.4 結(jié)果29-32
• 2.4.1 仿真結(jié)果29-31
• 2.4.1.1 鄰域相關(guān)預(yù)處理結(jié)果29-30
• 2.4.1.2 系統(tǒng)聚類結(jié)果30-31
• 2.4.2 視覺fMRI 實驗數(shù)據(jù)系統(tǒng)聚類結(jié)果31-32
• 2.5 討論32-34
• 2.5.1 仿真結(jié)果32-33
• 2.5.2 視覺fMRI 實驗結(jié)果33-34
• 2.5.3 動力學(xué)響應(yīng)差異34
• 2.6 結(jié)論34-35
• 第三章 基于動力學(xué)特性的FMRI的廣義線性模型35-42
• 3.1 引言35
• 3.2 基本原理35-38
• 3.2.1 廣義線性模型理論35-37
• 3.2.2 動力學(xué)卷積模型37-38
• 3.3 fMRI 的數(shù)據(jù)分析38-40
• 3.3.1 數(shù)據(jù)描述38
• 3.3.2 處理過程38-40
• 3.4 處理結(jié)果40-42
• 3.4.1 SPM 結(jié)果40
• 3.4.2 動力學(xué)卷積模型結(jié)果40-42
• 第四章 SPM軟件基本原理及一組實驗數(shù)據(jù)的處理結(jié)果42-55
• 4.1 SPM 解析過程及其原理概述42-48
• 4.1.1 空間預(yù)處理42-45
• 4.1.1.1 腦圖像配準43-44
• 4.1.1.2 圖像平滑44
• 4.1.1.3 腦整體血流量效應(yīng)的消除44-45
• 4.1.2 統(tǒng)計參數(shù)映射45-48
• 4.1.2.1 廣義線性模型46
• 4.1.2.2 統(tǒng)計推理和高斯隨機場理論46-47
• 4.1.2.3 受解剖約束的假設(shè)47-48
• 4.1.2.4 沒有解剖約束的假設(shè)和推理的水平48
• 4.2 用SPM 軟件處理一組實驗數(shù)據(jù)48-55
• 4.2.1 實驗背景48-49
• 4.2.2 數(shù)據(jù)處理49-50
• 4.2.2.1 模型設(shè)計49
• 4.2.2.2 數(shù)據(jù)輸入49
• 4.2.2.3 瀏覽設(shè)計的模型49
• 4.2.2.4 參數(shù)估計49-50
• 4.2.3 結(jié)果評價50-55
• 第五章 結(jié)論和展望55-56
• 5.1 本論文工作總結(jié)55
• 5.2 對今后工作的展望55-56
• 參考文獻56-60
• 致謝60-61
• 個人簡歷及研究生期間的研究成果61

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 馮寶;劉曉剛;;基于字典稀疏性的腦圖像數(shù)據(jù)盲分離方法[J];計算機工程;2015年12期

2 馮寶;劉曉剛;;基于先驗信息的腦圖像數(shù)據(jù)信息提取算法[J];計算機工程;2015年09期

3 馮寶;秦傳波;;基于凸優(yōu)化的腦圖像數(shù)據(jù)盲信號分離算法[J];計算機工程;2015年08期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 呂卓;謝松云;趙金;趙海濤;;基于SVM的手部運動fMRI圖像分類方法研究[A];中國生物醫(yī)學(xué)工程學(xué)會成立30周年紀念大會暨2010中國生物醫(yī)學(xué)工程學(xué)會學(xué)術(shù)大會青年優(yōu)秀論文[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 馮寶;基于凸分析與優(yōu)化的功能核磁共振成像數(shù)分析方法研究[D];華南理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 梁曉罡;面向圖像認知的fMRI數(shù)據(jù)的群組分析研究[D];大連海事大學(xué);2015年

2 田甜;基于層次隨機圖模型的復(fù)雜腦網(wǎng)絡(luò)鏈路預(yù)測研究[D];太原理工大學(xué);2015年

3 張兵;基于體素的fMRI數(shù)據(jù)分類研究及其應(yīng)用[D];太原理工大學(xué);2014年

4 朱月o

本文編號：330567