基于扩展的低阶多元广义线性模型的脑节点识别方法

摘要：

针对现有单节点模型识别准确度较低以及低阶多元广义线性模型(LRMGLM)计算时间过长和使用局限性问题,提出基于扩展的低阶多元广义线性模型(ELRMGLM)的脑节点识别方法.首先,建立可以同时处理两次实验所有节点数据的ELRMGLM,以更多的时间空间信息来提高算法的准确度;然后,利用带时空平滑惩罚项的优化函数引入先验信息,并通过迭代函数对模型参数进行求解;最后,使用基于K-means的快速选择策略实现惩罚参数和大脑节点的快速选择.三次样本实验中,ELRMGLM的准确度分别比经典血液动力学响应函数(canonical)方法、平滑有限脉冲响应(SFIR)方法、正则化和广义交叉验证(Tik-GCV)方法的最优结果提升了约20％、8％、20％,略优于LRMGLM,且计算时间是LRMGLM的1/750.实验结果表明,ELRMGLM能有效提高大脑节点的识别准确度,减少计算时间.

关键词：功能性磁共振成像、广义线性模型、优化函数、迭代算法、K-means聚类

所属期刊栏目：38

分类号：TP399(计算技术、计算机技术)

资助基金：青年拔尖人才支持计划项目

在线出版日期：2018-11-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：3048-3052