基于运动想象fMRI数据的分类模式研究

论文摘要

运动想象数据的分析处理对于脑机接口等技术至关重要。相较于目前常用的运动想象脑电信号,本文对时空复杂度更优的运动想象fMRI数据进行数据挖掘,旨在挖掘出运动想象fMRI数据中的脑功能信息。本文通过设计运动想象实验采集数据,通过脑科学研究方法提出猜想,对激活程度不同且关联较强的任务态数据进行分类模式的研究。本文主要进行了如下两个方面的研究:1.针对激活程度相当的任务态,提出基于BOLD时间序列的分类模式。根据双样本t检验结果定义感兴趣体素VOI并提取时间序列建立数据集,为实现支持向量机SVM分类器参数寻优引入粒子群算法PSO,构建PSO-SVM模型,同时训练决策树和朴素贝叶斯分类器作为横向对比。PSO-SVM分类器分类准确率可以达到86%以上,证实了该分类模式的可行性。2.针对激活程度不同且关联密切的任务态,提出基于动态功能连接的分类模式。根据双样本t检验结果定义VOI,对VOI进行动态功能连接并二值化处理,基于遗传算法和粗糙集理论提出了fMRI属性约简算法GA-RS,对fMRI原始数据集进行降维建立分类数据集,构建PSO-SVM模型,同时训练决策树和朴素贝叶斯分类器作为横向对比。通过降维将分类精度提高了 10%左右,且PSO-SVM分类器分类准确率可以达到87%以上,证实了该分类模式的可行性。本研究将脑科学与数据挖掘技术相结合,其研究成果为运动想象功能区定位提供了参考依据,为脑机接口等技术中fMRI数据的应用提供了分析思路和理论基础。

论文目录

摘要

Abstract

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 运动想象研究现状

1.2.2 fMRI数据分类研究现状

1.3 论文的主要工作与论文结构

1.3.1 主要工作

1.3.2 文章的组织结构

2 相关知识技术简介

2.1 功能磁共振成像

2.1.1 功能磁共振成像原理

2.1.2 fMRI实验相关术语

2.2 大脑脑区划分及其功能

2.3 大脑功能整合

2.4 机器学习分类算法

2.4.1 支持向量机

2.4.2 朴素贝叶斯

2.4.3 决策树

2.5 实验环境介绍

2.6 本章小结

3 基于BOLD时间序列的分类模式研究

3.1 运动想象实验

3.1.1 实验被试

3.1.2 运动想象实验设计

3.2 数据预处理

3.3 任务态数据组分析

3.3.1 GLM概述

3.3.2 fMRI数据个体分析

3.3.3 fMRI数据群体分析

3.4 特征选取及分类

3.4.1 特征提取

3.4.2 PSO-SVM分类模型构建

3.4.3 分类结果讨论

3.5 本章小结

4 基于动态功能连接的分类模式研究

4.1 数据分析

4.2 动态功能连接

4.3 fMRI属性约简算法

4.3.1 建立数据集

4.3.2 粗糙集理论

4.3.3 fMRI属性约简算法GA-RS设计与实现

4.4 分类结果讨论

4.5 本章小结

结论

参考文献

致谢

作者简历及攻读硕士期间的科研成果

文章来源

类型: 硕士论文

作者: 曹钟元

导师: 鲁明羽,王珂

关键词: 运动想象,数据挖掘,分类

来源: 大连海事大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,自动化技术

单位: 大连海事大学

分类号: R318;TP181

DOI: 10.26989/d.cnki.gdlhu.2019.000593

总页数: 71

文件大小: 7132K

下载量: 16

基于运动想象fMRI数据的分类模式研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢