[发明专利]一种基于隐马尔可夫模型的大脑时间信号处理方法

权利要求书

1.一种基于隐马尔可夫模型的大脑时间信号处理方法，其特征在于，包括以下步骤：

1)将采集所得功能磁共振图像进行预处理，并且要求所采集的功能磁共振图像有相同的回波时间；数据预处理方法步骤为：

步骤101对采集功能磁共振同时所采集的T1加权结构项数据进行去头皮，组织分割，将大脑组织分割为灰质、白质和脑脊液三部分；

步骤102：对功能磁共振图像进行大脑组织掩模处理，并将得到的掩模与每个时间点的功能磁共振图像矩阵对应位置相乘，去除脑组织之外的其他结构；

步骤103：对功能磁共振图像进行带通滤波，去除大脑低频活动范围之外的噪声信号；

步骤104：将功能磁共振图像分别与T1图像的灰质、白质和脑脊液部分配准，再将功能磁共振图像配准到MNI152标准模板上；

步骤105：使用步骤104配准后的功能磁共振图像提取大脑脑区的时间序列，提取时间序列的方法为在对应大脑区域计算功能磁共振图像灰度值的平均值，采用的大脑脑区模板为DMN模板，AAL模板，或者CC200模板；

2)对预处理后每个被试脑区的时间序列进行中心化和标准化，将所有健康被试单个脑区的时间序列作为一个集合，使用健康被试分别训练每个脑区的隐马尔可夫模型；模型训练方法步骤为：

步骤201：由于功能磁共振信号的涨落反应大脑神经活，信号实际值的大小并无绝对的物理含义，因此对每个被试每个脑区的时间序列进行中心化和标准化处理，X(t)＝{x₁(t),x₂(t),...,x_R(t)}表示一个被试提取所得的R个脑区的时间序列，对每个脑区的时间序列做中心化和标准化处理如下：

步骤202：Y_P(t)表示所有N个健康被试第p个脑区的时间序列，对于隐马尔可夫模型来说则相当于是N个观测序列，学习目标是隐马尔可夫模型参数λ＝(A,B,π)，A为隐状态之间的概率转移矩阵，B为观测概率矩阵，π为初始状态概率向量，设定I为观测所对应的隐状态的序列，隐马尔可夫模型使用如下概率模型表示：

步骤203：使用EM算法求解上述概率模型；

3)根据所求的隐马尔可夫模型参数求解每个被试每个脑区序列的似然值，并根据不同被试时间序列长度不同进行缩放，得到每个被试每个脑区的一个特征；被试脑区的似然值计算步骤为：

步骤301：通过训练得到了R个脑区的隐马尔可夫模型λ¹,λ²,···λ^p,···λ^R，从而计算出第n个被试的第p个脑区的观测值在当前隐马尔可夫模型下出现的概率如下：

步骤302：由于不同被试之间功能磁共振扫描的时间长度不同，而可能造成似然值的大小不同，为了补偿由于扫描时间长度引起的差别，使用时间长度因子对每个被试的似然值进行缩放，第n个被试的特征f_n如下：

4)使用步骤3)得到每个被试一个脑区的特征后，使用SVM-RFE方法分类两组被试，SVM-RFE分类方法步骤如下：

步骤401：输入M个被试的特征F＝[f₁,f₂,…f_i,…,f_M]；

步骤402：对所有被试特征进行归一化处理；

步骤403：使用SVM分类器对两组特征进行分类，记录当前准确率；

步骤404：判断是否还有特征剩余，若还有特征剩余则去掉SVM分类器中权重最小的特征，重复步骤403，若没有特征剩余，则对记录的准确率进行排序；

步骤405：选取分类准确率最高的特征组合脑区作为分析当前大脑时间序列信号的重要脑区，以及用于区分不同大脑时间信号的类别。