独立成分分析应用在fMRI数据上的探讨研究.pdf

摘 要 独立成分分析法 (ICA)是一种基于数据驱动的分析方法，能够将混合数据分解 成各种独立分量;其中空间独立成分分析法 ((SICA)已经被成功地应用于分析功能 核磁共振成像(fMRI)数据。与目前广泛使用的基于假设驱动的广义线性模型(GLM) 方法比较，我们发现，这两种方法在处理单任务的认知实验数据中会得到极为相似的 结果，但在处理多任务的认知实验数据时，ICA的分析方法可以得到GLM所无法分 离出来的单个任务的激活分量。 目前流行的ICA算法中，InfomaxICA应用的比较广泛。InfomaxICA算法是通 过最大化从非线性传输单元出来的信息量来实现 ICA分离的。在这个算法中，非线 性传输函数为固定的Logistic函数，本文中我们提出了一个ImprovedInfomaxICA算 法，通过根据输入数据自适应地调整非线性传输函数中的参数，使得传输函数更好的 与不同输入数据匹配。实验证明，在结果的精度上，我们提出的ImprovedInfomaxICA 算法在处理模拟数据和fMRI数据上要优于InfomaxICA算法。 ICA可以把fMRI数据分离为CTR(consistentlytask-related)分量和数个TIM (transientlytask-related)分量aCTR分量和数个TTR分量对任务分量的贡献是不同， 因此应该用不同的权重来组合CTR和TTR分量的激活脑图，然后得到最后的任务分 量激活脑图。在本文中，我们提出了一个ICA分析的后处理方法。首先用线性回归 方法得到(TR和TTR分量各自对应的权重，然后用T检验来除去不重要的TTR分 量，最后根据不同的权重将CTR分量和TIR分量组合成总的任务分量，得到任务分 量的激活脑图。实验结果显示，经过后处理得到的任务分量激活脑图更精确。 关键词:独立成分分析(ICA)，功能核磁共振成像(fMRI),InfomaxICA,Improved InfomaxICA，后处理方法 ABSTRACT Independentcomponentanalysis(ICA)isatechniquebasedondatadriving,whichattemptstoseparate dataintomaximallyindependentgroups.Spatial-ICA(SICA)hasbeensuccessfullyemployedto decomposefunctionalMR1(fMRI)time-seriesintosetsofactivationmapsandassociatedtime-courses. Comparedwiththegenerallinearmodel(GLM),whichisbasedonhypothesisdriving,ICAcanfindthe similarresultwhenthedatacamefromsingletaskcognitiveexperiment.Whenappliedtothedatarfom multitaskcognitiveexperiment,ICAcanfnidthesingletask-relatedcomponent,whichcantbefound byGLM. AmongtheICAalgorithmsappliedtofMRIdata,theInfamaxalgorithmhasbeenusedmorewidelyso far.ThetransferfunctionintheInfomaxalgorithmisafxiedLogisticfunction.Inthispaper,wepropose animprovedInfomaxalgorithm.btheimprovedalgorithm,weaddachangeableparametertothe Logisticfunctionandestimatetheparameterinthetransferfunction.Sothetransferfunctioncanbe changedaccordingtothedistributionofinputdata,thetransferfunctionwillmatchvariousinputdata better.WeapplytheimprovedInfomaxalgorithmtotheprocessingofsimulateddataandfMRIdata, andtheresultsshowthattheimp