论文部分内容阅读
本文针对fMRI和OI数据提出了三类模式分析方法。第一类是局部时间独立成分分析方法;第二类是结构源信号分析;第三类是基于快速谱映射的任务相关体元空间映射技术。在fMRI和OI数据中,数据的空间维度远大于时间维度,在进行空间PCA降维时,协方差矩阵往往是病态的,这使得很多情况下,tICA不可行或者结果不稳定。文中,我们提出了两种局部时间独立成分分析方法,有效降低了数据的空间维度,消除了协方差矩阵的病态特性。并且在这两种方法中,信号响应的时空分布特征能够同时得以研究。在处理fMRI数据时,首先利用多窗口谱估计得到脑体元的谱成分,并在任务相关频率处对体元谱成分作显著性检验,分离出任务相关脑区;利用时间独立成分分析方法提取脑区任务响应的时间模式,得到任务相关脑区的时空综合信息。这一方法的优点是:无需对血液动力学和任务相关脑区的空间分布做出先验性假设,具有好的鲁棒性和信息挖掘能力。解决了单纯的时间独立成分分析在低信噪比下发散、结果不可信、鲁棒性差的问题。在处理单刺激OI数据时,利用连续小波变换确定激活体元,利用时间独立成分分析技术提取激活体元时间序列包含的独立元,独立元的数目是由贝叶斯信息准则(Bayesian information criterion)确定的。神经响应信号和内源性振荡信号可以通过判断独立元的时域特征来确定。算法成功提取了神经响应信号、脉搏引起的振荡信号以及0.1Hz振荡信号。在结构源信号分析技术中,根据噪声时域特性将其分为结构性噪声和非结构性噪声两类。在处理fMRI数据时,使用正则相关分析提取数据中的结构性信号,利用基于降阶自回归模型(RARM)的surrogate检验从结构性信号中确定出神经响应信号;利用随机化(randomization)方法在保持非结构性噪声能量不变的情况下消除它们时域中的自相关性,使得非结构性噪声谱低频部分的能量下降。利用神经响应信号和经过随机化处理后的非结构性信号重构数据。重构数据基本满足了多种统计推断方法中的白噪声假设。最后用此方法处理了二十组真实的fMRI数据,成功提取到了一些在未降噪数据中检测不到的任务相关脑功能区。在OI数据处理中,使用文中提出的多位移正则相关分析方法在体元邻域中稳定提取数据中的结构性噪声和神经响应信号,利用基于降阶自回归模型(RARM)的surrogate检验从分解元中检测出神经响应信号。利用神经响应信号和非结构性噪声重构体元的时间序列。重构数据满足了统计推断中的背景白噪声假设并且保留了不同体元神经响应信号的相位差信息。Monte-Carlo仿真实验表明算法效果明显,在显著提高正确识别率的同时大幅降低了错误识别率。最后用此方法处理了五组真实的OI数据,映射中的椒盐噪声明显减少,任务相关体元聚类明显。利用任务相关体元的相位差信息消除了映射中的血管伪迹,得到了功能性任务相关体元映射。在基于快速谱映射的任务相关体元的空间映射方法中,设计任务为周期形式,且周期远小于血液动力学的有效时间跨度。在连续周期刺激下,皮层功能区响应进入稳态,信号表现为围绕稳态值的周期小幅振荡。利用谱分析工具提取体元序列的任务频率成分,综合功率谱和相位信息最终确定任务相关脑区。采用SD大鼠的后肢区(HP)作为模型,进行中神经周期刺激,使用红光作为照射源。此流程很好的消除了血管伪迹。分析发现左右脑HP区任务响应存在一个先后关系。文中还根据相位图讨论了局部微循环血液交换、动静脉网的血液交换等问题。通过实验发现了高频刺激下血管系统的共振现象。