基于一般线性模型的机器学习方法在BOLD-fMRI脑胶质瘤患者个体化运动功能区定位中的应用价值

目的 探讨基于一般线性模型（GLM）的机器学习方法在血氧水平依赖功能磁共振成像（BOLD-fMRI）定位脑胶质瘤患者个体化运动功能中的应用价值。方法 前瞻性研究。纳入2017年11月—2021年11月西安交通大学第一附属医院神经外科确诊为脑胶质瘤且病灶位于大脑运动功能区的38例患者作为机器学习模型的验证集（男25例、女13例,年龄24~69岁）,同期招募健康志愿者50例作为模型的训练集（男26例、女24例,年龄22~68岁）。采用独立成分分析法（ICA）,随机提取98例人类连接组计划（HCP）受试者的静息态功能核磁共振（rs-fMRI）特征。依据健康志愿者的rs-fMRI和基于任务的功能磁共振（tb-fMRI）的相关性,训练基于GLM的机器学习模型。观察项目：（1）采用Pearson相关系数（CC）分析比较GLM预测的激活与实际激活的相似度。（2）采用Dice系数（DC）作为模型预测效能的定量指标,比较GLM与ICA方法的预测效能。结果 （1）胶质瘤患者基于GLM的机器学习方法所预测的激活与实际tb-fMRI的功能激活相似度高[（89.47% （34/38）的患者CC值>0.30）]。（2）胶质瘤患者GLM预测任务态运动功能激活的效能,DC为0.34（0.27,0.42）,优于ICA方法的效能DC 0.26（0.16,0.30）,差异有统计学意义（Z=-3.88,P<0.001）;GLM在肿瘤半球的预测效能优于ICA方法,DC分别为0.36（0.17,0.48）和0.34（0.04,0.45）,差异有统计学意义（Z=-2.43,P=0.015）;2种方法在非肿瘤半球的预测效果均显著高于肿瘤半球（Z=-4.33、-3.59,P值均<0.001）。结论 基于GLM的机器学习方法能够很好地在术前利用rs-fMRI数据预测出胶质瘤患者的tb-fMRI运动功能激活,且其预测效果好于ICA方法。     

基于相关分析的fMRI时间序列图像处理

脑与认知科学研究中,对功能磁共振图像的分析,不仅要求脑功能激活区的准确定位,而且要得到脑激活区的动态变化。提出了通过对激活区体元时间序列的分解,构造序列参考波形,用相关分析法检测识别每个时间周期的激活类型,得到脑功能激活区的动态变化图像、生理信号变化时间及信号强度曲线。经视觉试验实测数据建模并检验,该方法可有效检测fMRI数据中与试验密切相关的脑激活区及其周期性变化。     

新的独立成分分析算法结合主成分分析实现fMRI信号的盲分离

用ICA算法来实现fMRI信号的盲源分离,可以提取出产生fMRI信号的多种源信号。但是在处理过程中存在两个困难:(1)fMRI数据的规模比较大,计算耗时;(2)计算量太大难免产生误差,给结果的分析带来不便。所以我们考虑对数据进行降维,但是如何确定源信号的个数也是一个难题。我们利用信息论的方法来估计源信号的个数,再使用主成分分析对数据进行降维。通过这样的处理,有效地确定了源信号的个数,减少了计算量。然后将一种新的ICA算法(New fixed-point,NewFP)用于处理降维后的数据。最后通过对实际的fMRI信号进行处理,结果表明新算法可以快速有效的分离fMRI信号,且准确性优于FastICA算法。     

基于空间约束的时间独立成分分析方法分析fMRI数据

首先采用相关分析初步检测可能的功能激活区域,并以初步检测的功能激活区域作为空间约束条件,对fMRI数据进行时间模式的独立成分分析,然后利用功能实验设计时序信息,通过典型相关分析方法对独立成分排序,自动识别与功能实验设计相关的功能信号成分,最后以识别的功能信号成分作为参考函数,重新利用相关分析自适应地分析fMRI数据。通过对实际的fMRI数据分析验证了提出方法的有效性及可靠性。     

基于小波包变换的特征提取方法分析fMRI数据

多尺度特征提取(MFE)利用时频特性各异的小波变换尺度分割fMRI数据的频谱,藉此准确提取激活信号和去除干扰。但在多尺度分析中,小波包变换较小波变换分割频带更精细,因此更适合MFE分析fMRI数据。为此,基于小波包变换构建新的MFE,并设计小波包的矩阵算法代替逐体素的迭代算法快速提取激活信号,后用相关分析进行检测。分析听觉fMRI试验数据的结果表明,新MFE检测的激活区位置与原有MFE和国际权威方法统计参数图(SPM8)检测的位置相同,但检测的激活体素个数较原有MFE多13.2%,较SPM8多30.8%。而且新MFE采用矩阵算法分析听觉数据仅消耗31 s,采用逐体素迭代算法耗时48.5 min,SPM8耗时77 s。因此,小波包变换和矩阵算法赋予MFE更好的性能分析fMRI数据。     

空间ICA在fMRI数据上的应用与分析

独立成分分析(ICA)技术试图将多维数据分解成若干个相互统计独立的分量。时间ICA和空间ICA都可以用于分析功能核磁共振成像(fMRI)数据。但由于fMRI数据空间维数远远大于时间维数，为计算方便，在分析fMRI数据时。则更多的使用空间ICA方法。本文在单任务激励实验中，利用ICA方法从fMRI数据中分离出若干个与任务相关的独立分量，其中包括与任务相关的恒定分量(CTR)和与任务相关的暂态分量(TTR)；通过将这些独立分量进行空间映射，得到了与任务相关的脑部激活区域。将此结果与SPM的分析比较，得到了一致的结果。在对结果的分析中，我们进一步指出了ICA方法的特点和局限性。     

基于独立成分分析和时间相关分析的脑功能连通研究方法[英文]

目的:利用静息状态功能磁共振成像(functional magnetic resonance imaging,fMRI)技术,提出联合独立成分分析(independent component analysis,ICA)和时间相关分析的人脑功能连通性研究方法。方法:首先采用空间ICA定位任务激活的脑区;然后选择一个激活区作为感兴趣区域(region of interest,ROI),采用时间相关分析方法检测静息状态大脑特定皮层的功能连通性,并通过检测人脑运动皮层的功能连通性验证方法的有效性。结果:大脑运动皮层功能连通网络包括初级运动区、辅助运动区、初级感觉皮层、背侧前运动区和后顶骨体觉区。实验结果表明,静息状态下,时间相关分析检测到的运动皮层的功能连通网络与已知的解剖连通相一致。结论:利用静息fMRI,结合空间ICA和时间相关分析方法,检测了静息时人脑运动皮层的功能连通网络,为脑区间功能连通的研究提供了一种简便的、无损的、有效的研究方法。     

基于独立成分分析和时间相关分析的脑功能连通研究方法

目的：利用静息状态功能磁共振成像（functional magnetic resonance imaging，fMRI）技术，提出联合独立成分分析（independent component analysis，ICA）和时间相关分析的人脑功能连通性研究方法。方法：首先采用空间ICA定位任务激活的脑区；然后选择一个激活区作为感兴趣区域（region of interest，ROI），采用时间相关分析方法检测静息状态大脑特定皮层的功能连通性，并通过检测人脑运动皮层的功能连通性验证方法的有效性。结果：大脑运动皮层功能连通网络包括初级运动区、辅助运动区、初级感觉皮层、背侧前运动区和后顶骨体觉区。实验结果表明，静息状态下。时间相关分析检测到的运动皮层的功能连通网络与已知的解剖连通相一致。结论：利用静息fMRI。结合空间ICA和时间相关分析方法。检测了静息时人脑运动皮层的功能连通网络。为脑区间功能连通的研究提供了一种简便的、无损的、有效的研究方法。     

大鼠脑缺血不同时期躯体感觉诱发电位的研究

脑电信号（EEG）具有较高的时间分辨率、可观测脑内活动的动态变化、完全无损检测等优点,常用于对神经系统疾病的诊断,本研究探讨脑缺血后躯体感觉诱发电位（SEP）变化及大脑皮层的功能恢复。利用线栓法建模成功的25只SD雄性大鼠分为5组,分别为正常对照组和左侧中动脉缺血术后4、24、 48 h和1周4个实验组。采用SEP记录法,在术后不同时间段电刺激大鼠的右前爪正中神经支配区,记录对照组和实验组左侧皮层脑电信号,提取SEP,并对安静状态下的脑电进行频谱分析,定量评价左侧中动脉缺血后初级体感皮层SEP及功率谱变化过程。实验结果显示,术后4 h,SD大鼠左侧大脑皮层测得的SEP潜伏期较正常状态显著增大（（16.0±1.1）ms vs（33.7±1.3）ms,P<0.01）,波幅变小（（197.2±13.0）μV vs（25.1±2.0）μV,P<0.01）,θ波、α波、β波、γ波的能量明显变小。θ波：（139 367.86±178.66）μV^2vs（2.22±0.40）μV²,P <0.01;α波:（5389.33±25.55）μV² vs（0.23±0.01）μV²,P<0.01;β波：（7911±416）μV² vs（0.01±0.01）μV²,p<0.01; γ波：（0.30±0.12）μV² vs（0.00±0.00）μV²,P<0.01。随着术后时间的延长,上述特征与对照组的差距逐渐缩小,但还不能达到正常状态的水平。研究提示,SEP可在一定程度上反映脑缺血大鼠大脑皮层功能的变化。     

应用自相关和独立分量分析的胎儿心电信号提取

目的:胎儿心电信号在监护胎儿健康状况过程中有着重要的作用。通常从孕妇腹部采集到的混合心电信号中提取出胎儿心电信号,孕妇腹部信号是准周期性的时间信号,其采样点存在着先后关系,传统的独立分量分析(ICA)算法在分离过程中没有考虑信号的时间相关性,针对这一问题提出了一种新的方法提取胎儿心电信号。方法:首先采用自相关分析可以得到混合信号具体的周期长度,根据周期长度进行片段截取信号后可以去除其时间相关性,再利用传统的FastICA分离截取信号得到ICA模型的模型参数,最后利用此模型参数从完整的混合信号中提取出胎儿心电信号。结果:使用临床数据进行了实验验证,分别使用传统的FastICA和新的方法提取胎儿心电信号,结果表明采用新方法提取出的胎儿心电信号中母体成分干扰得到了很好的抑制,胎儿心电信号比较清晰,分离效果优于传统的FastICA。结论:该方法可以清晰地提取出胎儿心电信号,在胎儿心电信号提取中具有很高的实用价值。     

Analysis of fMRI data by blind separation of data in a tiny spatial domain into independent temporal component

Independent Component Analysis (ICA) is a promising tool for the analysis of functional magnetic resonance imaging (fMRI) time series. In these studies, mostly assumed is a spatially independent component map of fMRI data (spatial ICA). In this paper, we assume that the temporal courses of the signal and noises are independent within a Tiny spatial domain (temporal ICA). Then with fast-ICA algorithm, spatially neighboring fMRI data were blindly separated into several temporal courses and were preassumed to be formed by a signal time course and several noise time courses where the signal has the largest correlation coefficient with the reference signal. The final functional imaging was completed for the signals obtained from each voxel. Simulations showed that compared with the spatial ICA method, the new temporal ICA method is more effective than the spatial ICA in detecting weak signal in a fMRI dataset. As background noise, the simulations include simulated Gaussian noise and fMRI data without stimulation. Finally, vivo fMRI tests showed that the excited areas evoked by a visual stimuli are mainly in the region of the primary visual cortex and that evoked by auditory stimuli are mainly in the region of the primary temporal cortex.     

一种基于独立成份分析的fMRI时-空模型数据处理方法

独立成份分析(ICA)是信号处理领域中斯近发展起来的一种很有应用前景的方法，而脑功能磁共振(fMRI)信号的有效分离与识别是一个正在研究和试验之中的技术领域。因此，发展基于ICA的fMRI数据处理方法具有明显的理论价值和应用前景。本文首先介绍了ICA原理，分析了现行ICA—fMRI方法采用的信号与噪声的空域分布相互独立的信号模型所存在的明显不足，然后提出了微域中的信号与噪声的时域过程相互独立的fMRI信号模型，从而建立了一种新的fMRI数据处理方法：邻域独立成份相关法。合理的fMRI实验数据处理结果验证了新方法的合理性。     

一种基于独立成分分析的功能磁共振数据处理方法

独立成分分析（ICA）是统计信号处理中的一项新技术，用来从混合信号的多维观测中提取具有统计独立性的成分。我们针对功能磁共振数据处理，采用先对相邻的两体元信号作ICA分离，然后与参考信号进行相关，把相关系数大于一定阈值的体元作为刺激引起兴奋的体元，从而实现刺激的功能定位。经实际脑功能磁共振数据试验，初步证明了方法的有效性。     

Integrated MEG/fMRI Model Validated Using Real Auditory Data

The main objective of this paper is to present methods and results for the estimation of parameters of our proposed integrated magnetoencephalography (MEG) and functional magnetic resonance imaging (fMRI) model. We use real auditory MEG and fMRI datasets from 7 normal subjects to estimate the parameters of the model. The MEG and fMRI data were acquired at different times, but the stimulus profile was the same for both techniques. We use independent component analysis (ICA) to extract activation-related signal from the MEG data. The stimulus-correlated ICA component is used to estimate MEG parameters of the model. The temporal and spatial information of the fMRI datasets are used to estimate fMRI parameters of the model. The estimated parameters have reasonable means and standard deviations for all subjects. Goodness of fit of the real data to our model shows the possibility of using the proposed model to simulate realistic datasets for evaluation of integrated MEG/fMRI analysis methods.     

基于多目标优化约束独立成分分析方法的fMRI数据分析研究

约束独立成分分析(CICA)通过加入先验信息,可极大地提高独立成分分析(ICA)的盲源信号分析性能,但还存在先验信息难以获取、先验信息约束条件阈值参数难以选择以及先验信息难以被有效利用等问题,需要进一步研究和解决.在多目标优化框架的基础上,建立一种同时融合时空先验信息的CICA模型,可有效规避CICA中阈值参数选择的问...     

体外循环红细胞变形能力与红细胞钙的关系

体外循环红细胞变形能力与红细胞钙的关系王涛＊王葵亮＊王静洁＊张善通＊由于Ｃａ２＋是维持细胞功能与结构完整的重要物质，因而具有广泛的生物学活性，在维持生物膜的稳定性、能量代谢中起着重要的作用。红细胞与其它组织细胞一样，具有完整的钙运转系统。而红细胞变形...     

Data-based functional template for sorting independent components of fMRI activity

In human brain imaging with naturalistic stimuli, hemodynamic responses are difficult to predict and thus data-driven approaches, such as independent component analysis (ICA), may be beneficial. Here we propose inter-subject correlation (ISC) maps as stimulus-sensitive functional templates for sorting the independent components (ICs) to identify the most stimulus-related networks without stimulus-dependent temporal covariates. We collected 3-T functional magnetic resonance imaging (fMRI) data during perception of continuous audiovisual speech. Ten adults viewed a video, in which speech intelligibility was varied by altering the sound level. Five ICs with strongest overlap with the ISC map comprised auditory and visual cortices, and the sixth was a left-hemisphere-dominant network (left posterior superior temporal sulcus, inferior frontal gyrus, anterior superior temporal pole, supplementary motor cortex, and right angular gyrus) that was activated stronger during soft than loud speech. Corresponding temporal-model-based analysis revealed only temporal- and parietal-lobe activations without involvement of the anterior areas. The performance of the ISC-based IC selection was confirmed with fMRI data collected during free viewing of movie. Since ISC–ICA requires no predetermined temporal models on stimulus timing, it seems feasible for fMRI studies where hemodynamic variations are difficult to model because of the complex temporal structure of the naturalistic stimulation.