Fast ICA及其在静息态fMRI数据中仿真应用.docVIP

Fast ICA及其在静息态fMRI数据中仿真应用 　　摘要：功能性磁共振成像（fMRI，functional magnetic resonance imaging）作为研究人脑功能的一种成像方法，具有无创、时间和空间分辨率高等特点，被广泛应用于神经科学的多个领域。为了揭示fMRI数据中包含的大量生理信息，需要使用各种数据分析方法，其中，产生于信号处理领域中的Fast ICA（Independent Component Analysis）方法，因具有分离效果好、收敛速度快等特点，成为分析fMRI数据的一种很有效的方法。文章介绍了Fast ICA算法的原理、程序实现及其在fMRI数据中的仿真应用。 　　Abstract： As an imaging method of researching the function of human brain， functional magnetic resonance imaging（fMRI） is widely used in many fields of neuroscience with the characteristics of noninvasive， time and spatial resolution. In order to reveal a large amount of physiological information contained in the fMRI data， a variety of data analysis methods are needed. Among them， the Fast ICA （Independent Component Analysis） method which comes from the field of signal processing was used as a very effective method to analyze fMRI data because of its good separation effect， fast convergence speed. This paper introduces the principle of Fast ICA algorithm， program， and its application in fMRI data simulation. 　　关键词：功能性磁共振成像；Fast ICA；仿真 　　Key words： functional magnetic resonance imaging；fast independent component analysis；simulation 　　中图分类号：R445.2 文献标识码：A 文章编号：1006-4311（2016）16-0174-04 　　0 引言 　　功能性磁共振成像（fMRI，functional magnetic resonance imaging）是研究脑功能的一种非常有效的无创技术，已经成为最广泛使用的脑功能研究手段。随着近几年基于fMRI技术进行的各种研究迅速发展，如何处理利用fMRI技术采集到的数据，怎样提取fMRI数据中所包含的丰富信息，已成为人们关注的一个焦点[1]。在信号处理领域中新近发展起来的独立分量分析（ICA）算法是解决这个问题的很好的方法之一[2]。 　　独立分量分析（ICA）是信号处理领域在20世纪90年代后期发展起来的一项处理方法[3]。ICA的研究基于信息论准则的迭代估计方法和基于统计学的代数方法，利用了源信号的独立性和非高斯性，可以在源信号和传输通道参数未知的情况下把观测信号分解成若干个互相独立的成分，现已成为信号处理领域，神经网络，统计学的研究热点[4]。McKeown等把脑神经活动信号和非自然信号看成是相互独立的信号，最早将ICA应用在fMRI领域。 　　近几年来，学者们纷纷探索利用ICA算法来分离fMRI信号。目前，利用用ICA算法可以有效地抑制fMRI图像中的随机噪声及其生理信号[5]，实现fMRI信号的盲源分离[6]，使用的ICA算法有Orth-Infomax算法[7]、Fast ICA算法、空间独立分量分析算法、Group-ICA算法[8]、Orth-ExtBS算法、牛顿型算法等。文章将对广泛使用的Fast ICA算法进行了原理及程序实现介绍，并将其应用在fMRI数据中的仿真分析中。 　　1 ICA的原理及其分类 　　独立分量分析（ICA）起源于信号分离中的经典问题“鸡尾酒会问题”[9]，其算法过程如图1所示：在混合矩阵A未知的情况下，由已知的观察信号X（t）求源信号S（t）。计算公式为Y（t）=WAS（t）=WX（t），W是一个