ICA及脑功能磁共振成像fMRI.pptVIP

独立成份分析(ICA) 及脑功能磁共振成像(fMRI) 生物医学信息检测与智能信息处理重点实验室 研究的主要方向 独立成份分析理论，算法和应用研究。 fMRI脑高分辩成像的技术研究。 fMRI图像配准技术的研究。 fMRI的血流动力学模型的研究。 fMRI数据处理方法研究，重点是ICA在fMRI的应用研究。 基于fMRI的脑功能定位技术及应用研究。 * * 尧德中 陈华富 等 电子科技大学生命科学与技术学院 1.ICA模型 X=As 设无噪声信号模型为 A 为信号混合矩阵, x是 N维观测信号向量, s是 M (NM) 维原始信号向量。 由（1）可见，信号S放大 k 倍与A的相应列缩小k倍的结果相同,从而决定了ICA得到的信号存在强度的不确定性。为此, 在求解时往往把观测信号先转化为有单位协方差的信号,即在ICA之前先有一个白化过程[2]。 设信号向量y的联合概率密度为p(y)，而每一个信号成分的概率密度为p(yi），则信号向量的互信息可以表示为： (2) 当各个信号成份相互独立时, 则 I(y)=0 。 (3) p(y)=∏Mi=1p(yi) ICA的目的是：在我们不知道混合矩阵的情况下,寻找线性映射w，从观测信号中提取不能被直接观测的原信号,　这里把它记为: y=wx=wAs （4） 2. ICA理论： (1)互信息极小判据 互信息极小简化成了四阶累积量最大,从而可以通过对四阶累积量的计算,实现独立成份的分离。 （5） （2）信息极大判据 理论分析表明, 如果把完成ICA的过程用一个运算网络表示，并在此网络的输出端, 引入相应的信源的累积分布函数为变换函数的一个非线性环节, 把转化为,则的熵最大就等效于式(5)互信息极小 （3）极大似然估计判据 当N足够大时，其对数似然概率收敛于它的期望 式可改写为： 极大似然估计的目的是通过对观测模型式x=As进行估计，得到潜在的信号S,利用 即，可通过极大似然估计判据 提取独立成份 （6） （7） （8） (1) 成对旋转法 ：利用Givens旋转,将中的独立成份两两成对旋转直到独立性判据目标函数收敛为止 (2) 固定点算法: (i)（四阶累积量） （3）自然梯度学习算法 (ii) Newton法 3.常用ICA算法 （9） （10） （11） 原始信号 混合信号 ICA 分离信号 4.ICA算法仿真实例： 5. ICA理论研究方向 （1）固定点算法 （2）非线性ICA研究 （3）噪声ICA研究 （4）overcompleteICA研究 （5）子空间ICA研究 6.ICA应用研究 (1) 信号分离 (2) 图像去噪 (3) EEG数据分离 (4) fMRI数据处理 7.本实验室取得的成就 (1)提出了基于互信息极理论的ICA梯度算法，并用于分离癫痫EEG信号 Y.Xu D.Yao, , Chinese Journal of Biomedical Engineering, 陈华富，尧德中， 信号处理,2001)） 癜痫EEG数据 ICA分离成份 (2)提出了基于互信息理论的ICA信息极大快速算法，并用于混合图像分离（陈华富，尧德中， 信号处理,2001) 原始图像 ICA分离图像仿真实验 方法：通过二维图像与一维信号的相互转化再ICA分离 混合图像 ICA分离图像 (3) 提出了基于固定点和梯度优势互补的组合算法及在fMRI中的应用 (Chen H, Yao D.ICCCAS 2002） (4) 提出图像ICA分离理论和BFGS算法 1) 图像仿 真实验 Chen, Yao et al Neurocomputing submitted 5）图像ICA在fMRI中的应用 数据模型 分离图像 脑功能定位 (a) Reference structural image (b) Non-registered structural image 6) Image Registration AlgorithmA Projection Based Image Registration (IEEE trans. On Medical Image. (submit) ) (a) Non-registration image (b) Registration image Image registration in SNR 25