• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩四星过滤: 一种基于自适应熵投影聚类算法的FMRI特征提取及分类方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201510132205.X

    申请日:

    2015.03.23

    公开号:

    CN104700120A

    公开日:

    2015.06.10

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06K 9/62申请日:20150323|||公开
    IPC分类号: G06K9/62; G06K9/46 主分类号: G06K9/62
    申请人: 南京工业大学
    发明人: 梅雪; 李微微; 马士林; 黄嘉爽
    地址: 211816江苏省南京市浦口区浦珠南路30号南京工业大学
    优先权:
    专利代理机构: 代理人:
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510132205.X

    授权公告号:

    ||||||

    法律状态公告日:

    2018.11.13|||2015.07.08|||2015.06.10

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明公开了一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法。该方法首先采用滑动时间窗方法构建动态功能连接矩阵,然后运用自适应熵的投影聚类算法(Adaptive Entropy Algorithm for Projective Clustering,AEPC)分别对甲类和乙类试验参与者的动态功能连接矩阵聚类,形成多个聚类中心,随后计算每个试验参与者的功能连接矩阵与每个聚类中心的相似性构成相似性矩阵,最后提取相似性矩阵中的元素作为特征,训练SVM分类器对脑部数据进行分类。本发明不仅提高了数据分类模型的泛化能力,而且可以提取丰富的脑部动态结构信息,并可应用于生物信息技术的研究中自动处理与分类脑部数据。

    权利要求书

    权利要求书
    1.  一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法,包括如下步骤:
    (1)对获取到的静息态fMRI数据进行预处理,消除外界干扰信号并将所有采集到的实 验数据标准化到统一的时间和空间域;所述的预处理过程通过SPM8软件实现,包括时间层 校准,头动校正,空间标准化和空间平滑;
    (2)构建甲类功能连接矩阵A,乙类功能连接矩阵B;
    (3)构建甲类动态功能连接矩阵DA,乙类动态功能连接矩阵DB;
    (4)对甲类动态功能连接矩阵和乙类动态功能连接矩阵分别进行聚类,形成两组聚类中 心Sa和Rb;
    (5)构建甲类试验参与者的相似性矩阵Ga,乙类试验参与者的相似性矩阵Gb;
    (6)提取Ga中a×k元素作为甲类试验参与者的特征,并提取Gb中b×k元素作为乙类试 验参与者的特征,训练SVM分类器,用于识别甲、乙两类脑部状态。

    2.  根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法, 其特征在于,所述步骤(2)中的构成功能连接矩阵是指:预处理后的图像,对照解剖学标签 模板(Anatomical Automatic Labeling,AAL),获取90个脑区的平均体素时间序列,求取各脑 区间的皮尔逊相关系数,则甲类有a个90×90的功能连接矩阵A,乙类有b个90×90的功能 连接矩阵B。

    3.  根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法, 其特征在于,所述步骤(3)中的构成动态功能连接矩阵是指:设定时间序列总长度为l,单 个滑动窗口大小为r,滑动步长为v,则表示由时间序列l划分得到的滑动窗口个数 m,每个滑动窗口为一个90×90的矩阵,每个试验参与者有m个90×90动态功能连接矩阵, 故甲类试验参与者有a×m个90×90的动态功能连接矩阵,乙类试验参与者b×m个90×90的 动态功能连接矩阵。

    4.  根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法, 其特征在于,所述步骤(4)中的聚类中心Sa和Rb是指:提出一种自适应熵的投影聚类算法, 即AEPC,对a×m个甲类试验参与者的动态功能连接矩阵采用AEPC进行聚类,形成k个 90×90的矩阵,聚类中心矩阵表示为Sa;对b×m个乙类试验参与者的动态功能连接矩阵用 AEPC聚类,也形成k个90×90的矩阵,聚类中心矩阵表示为Rb。

    5.  根据权利要求1所述的一种基于自适应熵投影聚类算法的fMRI特征提取及分类方 法,其特征在于,所属步骤(5)中的相似性矩阵Ga和Gb是指:计算每个甲类试验参与者的 功能连接矩阵与每个甲类试验参与者聚类中心Sa之间的欧式距离,形成相似性矩阵Ga;计算 每个乙类试验参与者的功能连接矩阵与每个乙类试验参与者聚类中心Rb之间的欧式距离,形 成相似性矩阵Gb。

    说明书

    说明书一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法
    技术领域
    本发明涉及一种脑功能核磁共振成像(functional Magnetic Resonance Imaging,fMRI)的 自动处理与分类方法,具体涉及一种基于自适应熵投影聚类算法的fMRI特征提取及分类方 法,该方法涉及数字图像处理、动态功能连接矩阵、自适应熵的投影聚类算法(Adaptive Entropy  Algorithm for Projective Clustering,AEPC)和支持向量机(Support Vector Machine,SVM)等 知识领域。
    技术背景
    近年来,随着科学技术的不断发展,观测大脑活动的设备和仪器不断增多,无创的脑功 能活动测量方法极大地促进了脑神经功能学的发展。目前用于研究脑活动的途径主要有:脑 磁图(MEG)、脑电图(EEG)、单光子发射断层扫描(SPECT)、电子发射断层扫描(PET)、功能磁 共振成像(fMRI)等。其中fMRI因其时空分辨率较高、具有准确定位激活脑区的能力、采用无 创非侵入式测量方式,成为目前最常用、最有效的测量手段。
    目前静息态fMRI已被广泛应用于生物信息技术、材料科学等领域。然而针对生物组织 和生物活体的脑部功能与活动等一些非稳态特征的脑部状态,研究者正逐步从关注传统的稳 态功能连接转为关注脑区间的动态功能连接。动态功能连接矩阵揭示了不同时间片段脑区间 的活动状况,为处理脑部数据提供了更丰富的脑部信息。
    非监督学习方法以自适应的方式对高维无标记数据进行分类,动态功能连接矩阵正是无 标记的高维数据集,所以非监督学习方法适用于分析高维的脑部数据。聚类作为一种常用的 非监督学习方法,可以简化计算、加快收敛速度。受“维度效应”的影响,传统聚类方法在 对高维数据进行聚类时,较之在低维数据的表现,其性能往往大为降低,聚类精度大幅度下 降。投影聚类算法为高维数据聚类的主要方法,但传统的投影聚类算法大多要求预设一些重 要参数,也未能考虑聚类中心投影子空间的优化问题。
    为此,本发明应用了一种改进的优化目标函数,在聚类中心内紧凑度最小化的同时,优 化每个聚类中心所在的子空间。这种方法能有效地降低无关或冗余属性对聚类的影响,从而 提升算法对高维数据的聚类能力,获得高质量的聚类结果,有利于提取精确的数据特征应用 于脑部状态的分类中。
    发明内容
    1.发明要解决的技术问题
    本发明针对fMRI数据特征提取与识别问题,提出一种基于自适应熵投影聚类算法的 fMRI特征提取及分类方法,解决了在针对高维的动态功能连接矩阵数据聚类识别时,使用传 统聚类方法聚类效果不佳以及受操作者主观因素影响的问题。更为重要的是,本发明解决了 传统方法无法选择出最优聚类结果的问题,可有效得出最优聚类中心作为特征。用该方法提 取脑部数据特征应用于脑部状态的分类与识别中,避免了对时序性的考虑,物理意义明确, 能较好地揭示静息态fMRI数据的内部结构和规律。
    2.技术方案
    首先利用滑动时间窗方法构建动态功能连接矩阵,然后用AEPC方法对动态功能连接矩 阵进行聚类,计算每个试验参与者的功能连接矩阵与每个聚类中心的相似性,最后提取相似 性矩阵的元素作为特征,训练SVM分类器进行分类。
    本发明具体内容、流程如图1所示,当目标为甲、乙两类(如成人和儿童、醉酒和清醒、 悲伤与喜悦、撒谎与未撒谎等)时,实现步骤如下:
    (1)对获取到的a组甲类试验参与者和b组乙类试验参与者的静息态fMRI试验数据进 行预处理,消除外界干扰信号并将所有试验参与者的数据标准化到统一的时间和空间域;所 述的预处理过程通过SPM8软件实现,预处理过程包括头动校正,时间层校准,空间标准化 和空间平滑等步骤;
    (2)预处理后的fMRI数据,对照解剖学标签模板(本发明选用Anatomical Automatic  Labeling,AAL)将除去小脑部分的区域划分成90个功能脑区,并求取单个脑区的各体素的平 均时间序列hu={hu,1,hu,2,...,hu,l},其中l为时间长度,u为脑区标号(1≤u≤90),hu,l为第u个 脑区的体素在时间l上的灰度值,于是有全脑90个脑区的全脑时间序列H={h1,h2,....h90};
    (3)利用滑动时间窗方法(见图2说明),将原始长度为l的时间序列,通过设定单个滑 动窗口大小r及相对应的步长v,划分为m个有重叠的窗口序列其中且1≤n≤m,1≤i,j≤90,为原全脑时间序列l中的一 个滑动时间窗片段,其中且为第n个片段的单脑区的平均体素时间序 列;
    根据公式计算各脑区时间序列间的皮尔逊相关系数,其中为同 一试验参与者在第n个片段窗口下的第i脑区和第j脑区的平均体素时间序列,和分别 表示两个脑区平均体素时间序列和的标准差,为两个脑区平均体素时间序列 和的协方差。皮尔逊系数常用来表示两个连续变量的线性相关性,且ρni,j反映了第i脑 区和第j脑区的功能连接情况,即对应脑区活动的相似程度;共有90个脑区,因此单个试验 参与者的功能连接矩阵为则甲类试验参与者有a个90×90的功 能连接矩阵Dn,记为甲类试验参与者的功能连接矩阵即为A;同理,记乙类试验参与者的功 能连接矩阵即为B;
    (4)共有m个有重叠的窗口时间序列,由此得到m个90×90的功能连接矩阵构成动态 功能连接矩阵。则甲类试验参与者有a×m个90×90的功能连接矩阵Dn构成的动态功能连接 矩阵DA,乙类试验参与者有b×m个90×90的功能连接矩阵Dn构成的动态功能连接矩阵DB;
    (5)用AEPC分别对甲类和乙类试验参与者的a×m个90×90,以及b×m个90×90动态 功能连接矩阵分别进行聚类,形成聚类中心,最终得到两组试验参与者各K个90×90的矩阵 Sa,Rb。AEPC详细算法如下:定义DA={x1,x2,...,xi,...,xa}为甲类试验参与者集, DB={y1,y2,...,yi,...,yb}为乙类试验参与者集,其中xi=(xi1,xi2,...,xij,...,xim), yi=(yi1,yi2,...,yij,...,yim)都是m维的数据向量,xij表示xi的第j维属性(j=1,2,...,m),yij表 示yi的第j维属性(j=1,2,...,m)。利用AEPC将DA划分为K个聚类中心的集 合;Sa={s1,s2,...,sk};将DB划分为K个聚类中心的集合Rb={r1,r2,...,rk},且满足聚类中心两 两间的交集为空集。其中sk表示DA中的第k个聚类中心;rk表示DB中的第k个聚类中心 (k=1,2,...,k);聚类中心数K(1<K<a,b)为用户设置;
    (6)AEPC的具体执行步骤描述如下:

    (7)同理,输入数据集DB,聚类中心数K,运用上述AEPC算法,将DB划分为K个聚 类中心的集合Rb={r1,r2,...,rk};
    (8)计算a个甲类试验参与者的功能连接矩阵A与每个聚类中心Sa之间的欧氏距离,形
    成一个a×k的相似性矩阵其中ge,f表示第f个(1≤f≤a)甲类试 验参与者与第e个(1≤e≤k)聚类中心的相似性;如上所述,计算b个乙类的功能连接矩阵B与 每个聚类中心Rb之间的欧式距离,形成一个b×k的相似性矩阵Gb;
    (9)提取相似性矩阵Ga中a×k个元素作为甲类试验参与者的特征,Gb中的b×k个元素 作为乙类试验参与者的特征,用来训练SVM分类器,对甲类和乙类脑部数据进行分类。
    3.有益效果
    本发明提出一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法,应用于脑部 数据的研究。本发明应用的自适应熵投影聚类算法无需用户事先设定额外参数,克服了传统 聚类方法受人的主观因素影响,可以有效降低无关属性和冗余属性对聚类的影响,一定程度 上解决了对最优聚类结果的客观选择问题,从而提升算法对高维数据的聚类能力。且算法避 免了对时序性的考虑,物理意义明确,有利于特征提取,能较好地揭示静息态fMRI数据的 内部结构和规律。
    附图说明
    图1是本发明方法流程示意图。
    图2是滑动时间窗方法的示意图。其中l为时间序列总长度,r为单个滑动窗口大小,v 为滑动步长,表示由时间序列l划分得到的滑动窗口个数。
    具体实施方式
    为了使本发明的目的、技术方案更加清楚,以下结合附图和具体实施例对本发明作具体 的介绍。用磁共振仪器以静息态扫描模式采集两组年龄、教育背景类似的甲类及乙类试验参 与者的大脑功能磁共振数据。假设目前有试验参与者中脑部状态为甲类有30人,脑部状态为 乙类的试验参与者有30人,所有被试均是右利手,且通过同一台仪器扫描脑功能图像数据, 扫描序列数为224。为测试算法有效性,将甲类与乙类被试数据分别取出一半作为训练集数 据,余下一半作为测试集。参照图1,一种基于自适应熵投影聚类算法的fMRI特征提取及分 类方法,包括以下步骤:
    步骤一:采集数据
    为了使结果更加精准,对采集到的数据进行预处理。该预处理的步骤包括:
    1、首先通过SPM8软件对fMRI原始数据去除前10个非稳定状态扫描序列,随后进行时 间层校正,
    2、对时间校正后的数据进行头动校正、平滑
    根据图像信息衡量试验参与者头动范围,去掉头动过大试验参与者部分,并通过算法消 除头动影响。
    3、对头动校正后的数据进行空间标准化
    由于有多个试验参与者,而参与者间的大脑形状又存在一定的差异,为了后续的分析, 需进行大脑形状的归一化,将试验参与者的大脑配准归一化到标准的大脑模板上,即需对头 动校正后的数据进行空间标准化处理。
    4、对空间标准化后的数据进行空间平滑
    为降低噪声、提高信噪比及消除不同试验参与者脑结构之间的细微差别,对空间标准化 后的数据进行平滑处理。
    步骤二:分别对甲类和乙类试验参与者构建脑功能连接矩阵A和B
    1、预处理后的fMRI数据,对照AAL模板将大脑划分成90个功能脑区
    2、并对属于同一时间点的各个脑区体素值求取其平均,由此得到单个脑区的平均体素时 间序列,于是有全脑90脑区的平均体素时间序列集。
    3、如图2所示,利用滑动时间窗方法将获取的全脑时间序列窗口化,即划分为若干个窗 口时间序列。每个窗口长度大小固定为30个扫描序列,每次滑动步长更新2个扫描序列,最 终得到92个互有重叠的窗口时间序列,其中为原全脑时间序列的一个片段。
    4、利用皮尔逊相关公式计算各脑区间的皮尔逊相关系数。皮尔逊相 关系数体现了在同一窗时间下两脑区活动的一致性,一致性越高,相关系数越高。ρni,j反映 了第i脑区和第j脑区的功能连接情况,即对应脑区活动的相似程度;共有90个脑区,因此 单个窗口的对角连接矩阵为则甲类试验参与者有15个90×90的 功能连接矩阵Dn,记为甲类试验参与者的功能连接矩阵即为A,同理,乙类试验参与者的功 能连接矩阵即为B。
    步骤三:结合图2方法分别对甲类和乙类试验参与者构建动态功能连接矩阵DA和DB
    因为共有92个有重叠的窗口时间序列,由此得到92个90×90的功能连接矩阵构成动态 功能连接矩阵,则甲类试验参与者有15×92个90×90的功能连接矩阵构成的动态功能连接矩 阵DA,乙类试验参与者有15×92个90×90功能连接矩阵构成的动态功能连接矩阵DB。
    步骤四:分别对甲类,乙类试验参与者的动态功能连接矩阵聚类,形成聚类中心矩阵 Sa,Rb。
    1、AEPC分别对甲类和乙类试验参与者的15×92个90×90的动态功能连接矩阵,以及 15×92个90×90的动态功能连接矩阵进行聚类,形成聚类中心。


    2、最终可以得到两组试验参与者各7个90×90的聚类中心矩阵Sa,Rb。
    步骤五:计算相似性矩阵GA和GB
    1、计算15个甲类试验参与者的功能连接矩阵A与Sa中每个聚类中心之间的欧氏距离, 形成一个15×7的相似性矩阵其中ge,f表示第f个(1≤f≤15)甲 类试验参与者与第e个(1≤e≤7)聚类中心的相似性。
    2、如上所述,计算15个乙类的功能连接矩阵B与Rb中每个聚类中心之间的欧式距离, 形成一个15×7的相似性矩阵Gb。
    步骤六:训练SVM分类器,用来区分甲类和乙类脑部数据
    提取相似性矩阵Ga中15×7个元素作为甲类试验参与者的特征,Gb中的l5×7个元素作 为乙类试验参与者的特征,用来训练SVM分类器,达到分类甲类与乙类脑部数据的目的。
    步骤七:使用训练好的模型,对测试集数据进行分类,即可实现本发明应用于不同脑部 状态进行分类与识别中。

    关 键 词:
    一种 基于 自适应 投影 算法 FMRI 特征 提取 分类 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种基于自适应熵投影聚类算法的FMRI特征提取及分类方法.pdf
    链接地址://www.4mum.com.cn/p-5890425.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03