论文部分内容阅读
功能磁共振成像(Functional Magnetic Resonance Imaging,f MRI)是一种重要的脑成像技术。其中,基于静息态f MRI的脑功能网络重建技术为研究大脑的功能和特征提供了一种有效方法。目前大多数研究假定在静息态f MRI数据采集期间内大脑处于静止不变的状态,但事实上大脑是一个无时无刻不在活动和变化的整体,因此一些研究人员从动态系统理论出发展开了对脑网络动态性能的研究,并采用滑动窗口构建了全脑脑区网络状态观测矩阵,由于该矩阵高达上千维,很难直接观测其主要特征,给进一步研究脑网络的动态特性带来了困难。在研究过程中,采用t分布随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)算法对上述矩阵进行降维有一定的效果,但是由于在计算高维空间样本之间的相似性概率时,并没有考虑样本的实际分布,因此降维效果不佳。本文提出了一种自适应加权的改进t-SNE算法,该算法首先对每一对样本点在高维空间中的欧氏距离进行归一化,然后按实际样本对的不同分布状况进行分组分析,按照近距离、适中距离和远距离三种情况分别进行自适应加权处理并计算高维空间内样本点间的相似概率,以加权相对距离代替欧氏绝对距离,实现了对高维样本相似度的更准确度量。为了验证自适应加权t-SNE算法在脑网络状态观测矩阵降维中的效果,本文从以下三个方面展开了实验及分析:自适应加权t-SNE算法与其它降维算法在自行采集的单样本上的降维对比实验;自适应加权t-SNE算法与传统t-SNE算法在自行采集的多样本上的降维对比实验;自适应加权t-SNE算法与传统t-SNE算法在公开数据库中多样本上的降维对比实验。降维可视化结果显示,自适应加权t-SNE的降维聚类可视化效果优于传统t-SNE算法和其它降维算法,并有效地消除了传统t-SNE算法中存在的交叉、散点和簇类不集中等问题。降维后的脑网络状态聚类性能指标显示,自适应加权t-SNE算法的聚类指标值DBI(Davies-Bouldin Index,DBI)值与DI(Dunn Index,DI)值均比传统t-SNE算法得到了明显改善,从而为进一步研究脑网络的动态特性提供了有力的基础。