基于独立成分分析重症肌无力患者的静息态默认网络的功能连接改变及其与认知障碍的相关性

目的研究重症肌无力(myasthenia gravis,MG)患者大脑默认网络(default mode network,DMN)功能连接的改变,以及DMN和认知功能的关系。方法前瞻性纳入2020年1月至2022年12月就诊于苏州大学附属第一医院神经内科的MG患者39例,另选取同期性别、年龄、受教育年限、种族与MG患者匹配的40名健康志愿者作为健康对照组。对所有受试者进行神经心理学测试、情绪评估及静息态磁共振功能扫描。采用独立成分分析技术评估受试者大脑DMN的功能连接变化。采用Spearman相关性分析MG患者差异脑区的DMN的功能连接值与认知功能的相关性。结果MG组整体认知功能〔简易精神状态量表(MMSE)和蒙特利尔认知评估量表(MoCA)评分〕、言语学习和记忆能力(Rey听觉词语学习测验、词语流畅性测试)、视空间功能(钟表测试)评分均较对照组降低(均P<0.01);在执行能力测试方面,MG组连线功能测试完成时间长于对照组(P<0.01);MG组汉密尔顿焦虑量表和汉密尔顿抑郁量表评分均高于对照组(P<0.01)。独立成分分析结果显示,MG患者的DMN内功能连接在左后扣带回比对照组减弱(P<0.05,经过FDR校正)。MG患者的DMN内左后扣带回功能连接值与MMSE评分、数字符号转换测验评分呈正相关(P<0.05),而与连线测验A和B时间呈负相关(P<0.05)。结论MG患者在整体认知功能、言语学习和记忆力、视空间功能和执行功能方面下降,在左后扣带回的DMN内功能连接减弱,差异脑区在DMN内功能连接值与认知评分存在相关性,提示MG患者的认知功能损害可能与中枢神经系统受累有关。

基于独立成分分析的终末期肾病患者静态及动态功能网络连接研究

目的:探索终末期肾病(ESRD)患者功能网络连接(FNC)的静态及动态变化特点。方法:收集33例ESRD患者及34例健康对照组作为研究对象。首先基于独立成分分析识别到6个静息态功能网络,即听觉网络、凸显网络、视觉网络、感觉运动网络(SMN)、执行控制网络(ECN)及默认网络。然后比较两组静态功能网络连接(sFNC)和动态功能网络连接(dFNC)相关参数的差异,并与神经心理测试进行相关分析。结果:sFNC分析显示ESRD组ECN与SMN的sFNC强度显著高于健康对照组(P<0.05,FDR校正),而且与执行功能评分[连线追踪测试A(TMT-A)]呈显著正相关(r=0.429,P=0.018)。dFNC分析显示ESRD组状态3的时间分数和平均驻留时间显著低于健康对照组(P<0.05);状态2的时间分数(r=0.503,P=0.005)和平均驻留时间(r=0.412,P=0.024)与TMT-A评分呈显著正相关;状态4的时间分数与焦虑评分呈显著负相关(r=-0.372,P=0.043)。结论:本研究采用独立成分分析的方法揭示了ESRD患者静态及动态功能网络连接的特点,为深入理解ESRD患者神经病理损害机制提供了新视角。

基于群组独立成分分析的2型糖尿病患者动态脑功能网络连接特征分析研究

目的 通过动态脑网络特征分析的方法探索2型糖尿病(type 2 diabetes mellitus, T2DM)认知功能正常患者的自发神经活动改变。材料与方法 本研究前瞻性纳入39名认知功能正常的T2DM患者及年龄、性别、文化程度与T2DM患者相匹配的同等数量的健康对照者,两组患者均行3.0 T静息态脑功能磁共振扫描。图像经预处理后,使用GIFT工具包进行动态脑网络分析,提取动态功能连接指标并比较组间差异,并分析以上指标与T2DM患者临床指标的相关性。结果 与对照组相比,T2DM患者在state5中的平均滞留时间和时间分数显著高于健康对照组(P=0.014、0.039),并且初级视觉网络和突显网络的功能连接显著升高(P=0.027),空间视觉网络和基底节网络的功能连接显著降低(P=0.044),然而上述动态脑功能指标与空腹血糖值等临床指标无显著相关性(P均>0.05)。结论 认知功能正常T2DM患者的动态脑功能连接模式以及视觉相关网络的动态功能连接存在异常改变,这为理解T2DM相关神经病理机制提供了一定的借鉴意义。

fMRI盲信号分离中的时间和空间独立成分分析法的时空特性比较

目的采用空间独立成分分析法(sICA)和时间独立成分分析法(tICA)对功能磁共振成像(fMRI)信号进行分离,比较信号间的时空特性对2种独立成分分析方法性能的影响。方法模拟fMRI数据,并将2组独立的信号以及它们的线性混合信号叠加到空间独立的区域,分别利用Infomax、Combi、FBSS和ICA-EMB 4种算法实现sICA和tICA,并对模拟数据中的3组信号进行提取和分离。结果 sICA只能分离空间独立且时间高度独立的信号,无法分离空间相关、时间独立的信号;tICA不仅能够准确分离空间和时间高度独立信号,而且能够准确分离空间高度相关、时间独立的信号,并将时间相关信号整体提取;FBSS和ICA-EMB 2种算法较Infomax和Combi性能稳定。结论空间或时间独立性假设违背到一定程度时,sICA和tICA对信号分离的结果存在差异。应根据需要选择适合的sICA或者tICA方法对fMRI数据进行处理。

行列分块的核独立成分分析的人脸识别方法

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。

基于独立成分分析对伴脑室周围白质损伤的痉挛型脑性瘫痪患儿脑功能网络的研究

目的:使用独立成分分析(ICA)方法探讨伴脑室周围白质损伤(PWMI)的痉挛型脑性瘫痪(SCP)患儿网络内和网络间功能连接改变。方法:对28例伴PWMI的SCP患儿(患儿组)及性别、年龄匹配的19例正常儿童(对照组)行fMRI,应用ICA方法提取2组网络成分,并用SPM12及NBS软件比较2组网络内和网络间功能连接差异,同时应用Pearson或Spearman相关性分析验证患儿组功能连接差异脑区与临床变量之间的相关性。结果:与对照组相比,患儿组默认模式网络(DMN)内左侧额中回、左侧楔前叶及右侧角回,vAN内右侧中央后回,VNm内双侧舌回功能连接减低。以上功能连接差异脑区与临床变量均未发现显著相关性。结论:SCP与大脑网络功能连接异常有关,推测网络功能连接改变可能成为早期识别和诊断SCP的影像学生物指标。

基于约束独立成分分析的滚动轴承故障诊断

用新的理论与方法丰富及提高机械故障诊断技术是机械故障诊断学重要内容之一。本文用约束独立成分分析方法将研究对象的先验信息作为独立成分分析算法的约束条件,使新的算法仅仅收敛于感兴趣的故障信号。可提高故障诊断的针对性和效果。该方法可从传感器信号中快速诊断出设备中是否发生了某种故障,并以滚动轴承的仿真与实验验证该方法的适用性和有效性。

基于核独立成分分析的极化SAR图像相干斑抑制

为提高极化合成孔径雷达图像相干斑抑制的效果,提出基于核独立成分分析(kernel independent component analysis,KICA)的极化SAR图像相干斑抑制方法。该方法将三个通道的极化信息作为输入数据,经过KICA变换得到三个独立分量,取相干斑指数最小的分量作为滤波后的信息图像。由于将核函数引入到独立成分分析(independent component analysis,ICA)中,使在ICA中无法线性可分的信息在高维空间中达到线性可分。采用旧金山地区的AIRSAR数据与日本新潟地区的PISAR数据分别进行试验,并用相干斑指数和边缘保持系数从客观上进行评价。试验表明,与ICA算法相比,KICA算法具有更好的滤波效果和保持边缘信息的能力。

基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52%.

用比湿数据及独立成分分析研究ENSO在对流层上层的响应

基于2006—2016年气象、电离层与气候卫星观测系统(COSMIC)提供的level 2‘wetPrf’比湿数据集,首次提出了独立成分分析(ICA)联合低通滤波的方法提取对流层上层的厄尔尼诺-南方涛动(ENSO)信号。结合现有的气象学研究与传统方法主成分分析(PCA)的结果,分析了ENSO信号在对流层上层的响应。结果表明:ICA提取的ENSO信号具有更高的可靠性、有效性和可解释性,且得到了现有气象研究很好的支撑。该方法很好地分离出具有不同区域特征的源信号,凸显了这种基于信息理论的方法在ENSO信号提取方面的潜力。

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。

基于分块独立成分分析的人脸识别

提出分块独立成分分析的特征抽取方法,并成功应用于人脸识别。分块独立成分分析方法先对图像矩阵进行分块;然后对所有图像子块联合进行独立成分分析,构造特征空间;最后把图像所有的子块投影到特征空间提取特征进行分类识别。其特点是可以有效降低图像维数和有效提取图像局部特征。在YALE和FERET人脸库上的实验结果表明,提出的分块独立成分分析方法明显优于独立成分分析方法。

刍议2型糖尿病患者默认网络和视觉网络的独立成分分析

目的目的本研究旨在运用独立成分分析(ICA)技术,探讨2型糖尿病(T2DM)患者默认网络(DMN)和视觉网络(VIS)功能连接的变化特征。方法方法选取2023年2月至2023年8月在甘肃医学院附属医院就诊的60例T2DM患者,其中伴视网膜病变30例、不伴视网膜病变30例,组成T2DM组;同时选取30例健康个体作为对照组。所有参与者均接受静息态功能磁共振扫描,随后进行数据预处理及ICA分析,以提取DMN和VIS网络。通过组间比较,分析脑网络功能连接的差异,并进一步探讨差异脑区功能连接(FC)值与临床参数及认知评分的相关性。结果结果T2DM组患者的DMN和VIS网络功能连接强度相较于健康对照组均显著降低。此外,T2DM组内DMN和VIS网络的功能连接强度与临床参数(如血糖水平、病程等)及认知评分呈现负相关趋势。结论结论本研究表明,2型糖尿病患者存在DMN和VIS网络功能连接的异常变化,这些变化可能与疾病进展和认知功能下降密切相关。独立成分分析作为一种有效手段,有助于揭示糖尿病患者脑网络功能连接的异常模式,为深入理解糖尿病的脑部病理生理机制提供了新的视角。

基于投影方法的约束独立成分分析

独立成分分析是解决盲源分离问题的一种有效工具,但ICA具有伸缩(dilation)与排序(permutation)的不确定性的本质特征。本文利用一些约束条件,采用Lagrange乘子法并结合简单的投影方法,可以以特定的形式来进行独立成分的排序,并且可以在信号分离过程中规范化解混矩阵(demixingmatrix),能够系统地减轻ICA对于伸缩与排序的不确定性。仿真结果证实了算法的有效性。

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响。独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法。引入一种基于核方法的非线性ICA方法——核独立成分分析(KICA)。基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案。通过降噪仿真实验,对KICA与ICA的典型算法快速ICA算法进行比较。实验结果表明:在以均方误差作为指标的降噪性能和实际分类识别率两方面,KICA算法相较于快速ICA算法对于该种强噪声具有更为优秀的降噪效果。

基于经验模态分解及独立成分分析的微震信号降噪方法

针对微震信号具有高噪声、突变快、随机性强等特点,基于经验模态分解(EMD)及独立成分分析(ICA)提出一种微震信号降噪方法.首先,对含噪信号进行EMD分解,获得一系列按频率从高到低的内蕴模态函数(IMF),利用原信号与各IMF之间的互相关系数辨识出噪声与信号的分界,将分界之上的高频噪声滤除;其次,为有效去除分界IMF中的模态混叠噪声,基于ICA算法对分界IMF进行盲源分离,提取其中的微震有效信号,并将其与剩余的IMF累加重构,从而得到降噪后的微震信号;最后,利用快速傅里叶变换(FFT)时频谱对比分析降噪前后的信号特征,定性说明本文方法的有效性;引入信噪比和降噪后信号占原信号的能量百分比两个参数,定量说明本文方法能充分保留微震信号的瞬态非平稳特征,降噪效果明显.

基于独立成分分析的高光谱图像数据降维及压缩

该文提出了一种以高光谱图像分析为目标的基于独立成分分析的高光谱图像降维和压缩方法。该方法首先通过独立成分分析提取高光谱数据的光谱特征实现高光谱图像降维,再对降维后的图像采用预测和自适应算术编码的方法进行压缩。对220波段和64波段高光谱数据的实验结果表明,该方法与基于主成分分析的降维相比,压缩比有所提高,特别是更有利于后续的分析处理,但峰值信噪比有所降低。

基于独立成分分析和端点检测的变压器有载分接开关振动信号自适应分离

独立成分分析(independent component analysis,ICA)作为盲信号分离算法中的一种有效方法,能够快速、准确地实现源信号分离和恢复。为将变压器有载分接开关(on-loadtapchanger,OLTC)振动信号从变压器油箱表面振动信号中有效地分离出来,采用ICA经典算法中的二阶盲辨识算法来分离变压器OLTC信号,并结合冲击信号的端点检测法以及互相关函数相位对准法来实现信号分离的自适应。实验结果证明,该方法能够准确、有效地从变压器油箱表面振动信号中分离出OLTC的振动信号。

基于核独立成分分析和BP网络的人脸识别

用基于非线性子空间的核独立成分分析方法(KICA)对人脸图像进行特征提取,用三层的BP网络作为分类器,对人脸进行识别。在简单介绍基本的独立成分分析(ICA)的基本原理的基础上,对KICA的原理和算法作了详细的描述,并详细介绍了三层BP网络的设计。最后为了验证KICA+BP网络的效果,进行对比实验和分析。实验和分析的结果表明,在人脸识别中,该方法的效果明显好于其它方法。