利用tca时间聚簇分析方法分析fmri数据
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。
最新文章
- Java设计模式1——策略模式（Strategy Pattern）
- Lintcode: Previous Permuation
- sp_executesql的执行计划会被重用（转载）
- android网络优化
- sql like '%x%'优化
- Java基础知识强化之集合框架笔记26：LinkedList的特有功能
- 打造阅读Linux源代码利器
- 【操作系统】：Main features of the X86-64
- IOS UI 第一篇：基本UI
- Sql Server (错误：7302）
- 高仿xx教育网
- 201521123003《Java程序设计》第11周学习总结
- How to setup a DL4J project with eclipse
- 简单kmp算法（poj3461）
- poj 3687 Labeling Balls（拓补排序）
- vue-cli创建第一个项目（用git bash解决上下键移动选择问题）
- VS2015安装及单元测试
- Git操作简单入门及相关命令
- C++构造函数和析构函数执行顺序
- clear session on close of browser jsp