[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

说明书

本发明公开了一种基于隐马尔可夫模型的大脑时间信号处理方法，包括步骤：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；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，使用健康被试分别训练每个脑区的隐马尔可夫模型；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；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。基于本发明所提出的分析方法对孤独症谱系障碍的功能磁共振数据进行分类，准确率已经达到80.37％，相较于构建脑网络，深度学习等其他方法有很大的提升。

技术领域

本发明属于医学信号处理技术领域，特别涉及一种基于隐马尔可夫模型的大脑时间信号处理方法。

背景技术

功能磁共振技术是根据脱氧血红蛋白和氧合血红蛋白在高强磁场下所表现出的顺磁性和抗磁性的不同来测量神经元活动所引发的血液动力学变化。功能磁共振技术以其非倾入性，无损伤，较高的空间分辨率和较高的时间分辨率等优点，已经成为脑科学研究中的主流技术，其中静息态功能磁共振图像更是成为脑科学研究的基础信号。静息态功能磁共振信号(rest-fMRI)能反应在静息状态下大脑自发的神经活动产生的低频波动信号，对于解释大脑神经活动的机理有重要意义。对大脑静息态功能磁共振影像进行特征提取(大脑连接网络，深度学习等)已经在认知、记忆等大脑高级活动的探索和大脑神经类疾病的诊断方面表现出了巨大的潜力。同时科学界也在探索更新、更符合大脑神经活动的特征提取方法，以达到对大脑功能的探索。

目前最广泛使用的大脑分析方法是基于脑区的时间序列构建大脑全连接网络(使用的方法为：皮尔逊相关，偏相关)以及使用l₁范数正则化构建大脑连接的稀疏化网络，但目前的大脑分析方法主要存在以下不足：

1.基于皮尔逊相关或基于偏相关构建的全连接大脑网络会导致大脑出现较多的虚假连接，不能反应大脑神经活动中脑区稀疏连接的客观事实。

2.基于l₁范数正则化构建大脑连接的稀疏化网络从一定程度上改善了基于相关的大脑网络结构，但是由于l₁范数正则项的系数是根据数学准则(交叉验证，贝叶斯信息准则等)从每个个体的数据中计算得到，这导致个体脑网络的稀疏程度不一致，大脑网络结构不稳定。

3.现有的分析方法仅使用时间序列求解两脑区之间的关系，造成时间尺度上信息的浪费。

当使用现有分析方法所得到的特征对功能磁共振图像分类时，往往由于分类特征过多，导致分类器过拟合现象严重。以90个感兴趣区域(ROI)为例皮尔逊相关与偏相关构建的脑网络矩阵为实对称矩阵，因此会有个特征，当使用l₁范数正则化构建的稀疏化脑网络，由于个体网络结构的不同，因此会有90*90＝8100个特征。

发明内容

为了解决在大脑时间信号处理过程中遇到的上述问题，本发明提供了一种基于隐马尔科夫模型(HMM)的大脑时间信号处理方法，该方法构建的隐马尔可夫模型参数使用所有健康被试同一脑区的时间序列训练模型参数，极大的利用了时间尺度的信息，并最终根据健康被试的训练模型，使用极大似然的方法求解出被试每个脑区的特征，从而使得所得到的特征能够明显的区分两类大脑时间信号，特征数量少而精，对提升分类的准确率，为大脑时间信号处理和临床神经类疾病的诊断提供新的思路和理论支持。

本发明采用如下技术方案来实现的：

一种基于隐马尔可夫模型的大脑时间信号处理方法，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；

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，使用健康被试分别训练每个脑区的隐马尔可夫模型；