论文部分内容阅读
独立成分分析(ICA)近年来广泛用于功能磁共振(fMRI)数据处理研究中,主要包括空间独立成分分析(sICA)和时间独立成分分析(tICA)。由于fMRI数据的空间维数远大于时间维数,因此空间独立成分分析占主导位置。在处理成组的fMRI数据时,ICA组分析(Group ICA)方法则是一个有效的工具,可以减小计算量并得到统计结果。人脑默认模式网络是一个特定的功能性网络,负责完成人体内外环境的监测、清醒意识的维持等功能。癫痫是一种危害极大的神经系统多发疾病,长期的癫痫发作可能会引起默认模式网络的改变,应用fMRI研究癫痫默认模式网络将会对癫痫的临床诊治具有指导意义。本文对sICA及Group ICA的数学模型进行了深入研究,在此基础上结合一组视觉fMRI数据对Group ICA方法在处理成组数据时的性能进行了评价,最后提出一种基于独立成分分析的方法来对人脑默认模式网络进行研究,结果表明采用的方法是有效的。论文的主要研究内容及创新点如下:1.研究了fMRI数据的sICA模型并进行了仿真,利用sICA方法对构造的混合数据进行处理,从时间准确性方面对结果进行评价,结果表明sICA可以有效地从混合数据中分离出空间独立的成分。2.研究了三种Group ICA方法,利用其中两种方法对一组视觉fMRI数据进行处理,从时间准确性方面对两种方法进行了评价,并结合两种方法的数学模型总结出各自的应用范围。3.提出了一种基于独立成分分析的方法获取人脑默认模式网络。利用该方法分离出12例颞叶癫痫患者和12例正常对照的默认模式网络,进行组内分析得到两组被试默认模式网络的统计图,进行组间分析比较两组被试默认模式网络的差异。结果表明所采用的方法能有效检测人脑的默认模式网络,并发现颞叶癫痫患者的默认模式网络比正常人表现出更强的激活状态,所得结果对癫痫的临床诊疗具有一定的帮助。