一、利用ica进行fmri数据分解时,在得到相互独立的成分后,这些成分的后续处理,其实是有很多文章可以做的。比如,对这些成分进行排序和选择。如果能够提出某种方法,能够自动地制造特征,并将这些特征与分解后的独立成分的特征进行比对,确定相应的结果。比如,激活与否。这也可以算做是fmri信号的盲分离算法。

二、tca分析,就是进行成分的特征提取与判别的。

这种方法的假设是:一个被试在一次run中,大概会得到150多个timepoint的数据。将大脑在这150多个时间点的峰值信号值提取出来,然后得到一个150多个信号的一维向量。用这个向量来反映大脑在一次run中的状态的持续,其中向量中的每一个值代表大脑在每一个时间点的状态。

设计:根据上面上面提取的一维向量,可以作出一个时序图,代表大脑激活峰值特征图。用这个峰值特征图与用ica得到的各子成分下的体素的timepoints信号时序图做比对,比对的方法求二者的相关系数。相关系数较大(多大呢,待研究)的体素,就判别作为激活体素。

三、mtca分析,tca的改进版本。

在原始的tca中,大脑在这150多个时间点的峰值信号值是怎么计算的呢。它是基于这样的假设:一个体素在一次run中,只会被激活一次。这个很好判别,在n * t的矩阵A中,n代表体素个数,t代表时间点个数(一般为150多个),按行遍历,将该体素达到最大值的那个timepoint在一个新的n * t矩阵B中用1标记出来,这行的其余所有列都标记为0.那么,最后对矩阵B所有行相加成为一个 1* t的行向量,这个行向量代表的就是大脑激活峰值特征图。

在mtca中,构造矩阵B时,不用1来填充,用体素的原始信号值来填充,每个体素的激活程度肯定是差别的嘛。这样进行假设也是合理的。

四、最大的问题在哪?

就是,不论是tca,还是mtca,都只假设大脑在一次run的时间段内,只激活一次,这肯定不合理。还有,没有考虑噪声的影响。

05-28 17:26