模糊度对fcm聚类结果的影响分析【字数：9876】
随着科学技术的不断发展，数字信息化技术也不断提高，医学领域的数字信息化处理也在不断地发展壮大。功能核磁共振便是其中一种。本文主要介绍功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）技术，该技术是将采集到的人脑信息，将获取的任务态下图像进行预处理，运用模糊C均值（Fuzzy C-Means，FCM）聚类算法处理任务态图像，经过这种方法处理后的激活体素和未激活体素占据的脑部情况更加清晰，脑部个区域图像边界明确，更易读懂。本文研究的目的就是获取上述技术处理过程中的模糊度对FCM聚类结果的影响分析。针对模糊度对FCM聚类结果的影响问题，在此过程中通过控制量变法，在其他参数不变的情况下，将广义线性模型应用于准确度对比，通过分析图像和数值对比的方法，得出模糊度的最佳值，最后简要阐述模糊度对FCM聚类结果的影响。我相信本文呈现的研究将为聚类算法处理医学图像奠定更加有力的理论基础。
目 录_Toc29397
1. 绪论 1
1.1研究背景及意义 1
1.2研究现状及发展前景 1
1.3本文内容及结构 2
2. FMRI数据原理及分析方法简介 3
2.1 fMRI简介 3
2.2 FCM分析方法简介 4
2.2.1算法背景 4
2.2.2算法步骤 4
2.3 工具简介 6
3. 数据分析及结果 7
3.1数据采集及预处理 7
3.2 FCM基于模糊度变化的处理结果 7
3.2.1 FCM处理流程 7
3.2.2 FCM结果分析 9
3.3模糊度对精确度的影响分析 12
3.4本章小结 15
结 语 17
参考文献 19
致 谢 20
1. 绪论
1.1研究背景及意义
功能磁共振成像（fMRI, functional Magnetic Resonance Imaging）[1]在于没有创伤性、没有放射性及可重复性等诸多优势，已经逐渐成为探测人脑功能信号与研究人脑功能认知的重要方式。聚 *好棒文|www.hbsrm.com +Q: ^351916072^
类分析是数据挖掘的重要研究内容，聚类分析方法也多种多样。利用聚类分析方法来处理fMRI信号，探测人脑有效功能活动区域，进而用于一些精神类疾病的认知，已是当前国内外的研究热点之一[2] ，在各种聚类分析方法中，模糊聚类分析（Fuzzy Clustering Analysis，FCA）是一种备受学者关注的一种聚类分析方法。1969年，Ruspini第一次将模糊度理论应用到聚类分析中，提出了关于模糊数学理论的无监督的学习方法的一种模糊聚类算法[3]。
通过更加深入的对大脑的研究，不仅是一个让人类能够理解自身意识真正本质的途径，也能够帮助我们了解各种脑疾病的发病机制，并找出相应的医治方法。这对人类来说是一个非常有价值的研究方向，同时也是一个非常具有挑战性的课题。因此医疗影像仪器为在临床医学中具有非常重要的参考价值，医生能够有效利用这些医学图像读取患者信息，从而制定治疗方案。通常情况下，医学图像跟人体器官一样复杂而且容易受到外界噪声、场偏移效应、局部体效应等的影响，会使得图像出现组织形状混杂、不同组织之间相互掺杂，各个组织没有明显分界线等问题，因此就需要对图像进行处理。通过图像处理使得图像更加直观，清晰，同时可以根据需求和标准，对图像进行定位和识别分割图像的边界。其中，功能磁共振成像是一种非侵入性检测技术，它可以划分或定位大脑的功能区域，fMRI的出现打破了以往研究的局限性，不仅从生理和病理的角度分析，还从记忆、语言、认知、情感等多方面突破了人类清醒状态下对大脑研究的进程，象征着对人脑功能的研究进入了认知神经科学的阶段。
1.2研究现状及发展前景
发展于20世纪90年代的fMRI是基于磁共振成像发展而来[4]。在当今的医疗领域有着至关重要的地位，并且在科研方面也凭借自身的优点成为不可取代的一部分。功能磁共振成像（fMRI）的优点是无创伤性、无放射性和可重复性。同PET与EEG相比，fMRI具有更高的时间和空间分辨率。因此，该技术已被广泛地应用于脑科学的基础研究及临床研究中。fMRI的主要功能是基于核磁共振成像（MRI）和磁铁共同作用完成[5]，当大脑的某个区域被激活时，它需要更多的氧气，功能磁共振成像（fMRI）跟踪它的运动轨迹。机器扫描人的头部是为了提取大脑中含氧血液的细微变化。目前fMRI脑功能数据主要分为两种，一种是静息态数据类型，另外一种则是任务态数据类型。静息态数据是要求被测试者在机器扫描的时候平躺，并且没有明显的外在认识任务，即什么也不想，只做闭眼或睁眼的简单动作。任务态数据是赋予被测试者一个刺激信号，查看测试者大脑区域活动的数据。这两种数据，无论是静态还是任务态数据，在数据处理分析时总会受到各种不可控因素的干扰，从而影响实验结果。所以我们在处理fMRI数据前会先进行头动校正、时间校正、标准化、高斯平滑处理等预处理。
在过去的几年里，由于fMRI技术的快速发展，已为心理学、神经科学和行为科学提供了前所未有的研究契机和广阔的研究领域[6]。fMRI不但在心理学、神经科学以及行为科学上具有重要理论意义，而且在也医学领域具有重要的应用价值。由此可以预见，随着fMRI技术的不断发展和完善，未来在临床研究中具有广阔的前景。
1.3本文内容及结构
目前，fMRI凭借其无创伤性及准确定位等独特的优势，已成为探索人脑的重要工具。目前fMRI数据主要分为静息态数据和任务态数据两种。静息态数据是指被测试者静息态获取的数据，即被测试者平躺，无外界的刺激，只是简单的闭眼和睁眼而获得的数据；而任务态数据即是要求被测试者根据外界的刺激完成一定认知的任务所获的数据。无论是静息态数据还是任务态数据，在获得时总会由于外界环境等各种不可抗因素存在一定的噪声，传统的去噪方法不足以使这些噪声完全去除，大多数会有残留或误删大脑结构部分，因此本文在传统去噪方法的基础上，提出了两层机制的去噪方法，从而提高数据的信噪比，达到有效去噪的效果。本文结构如下：
第一章 主要介绍fMRI研究的背景和意义，从而引出fMRI数据研究的现状和发展前景，明确本文研究的目的；
第二章 本章主要对fMRI的原理进行了介绍，包括fMRI简介以及FCM聚类分析方法的简介，并介绍了图像分析工具matlab及相关的辅助工具；
第三章 本章主要通过进行对FCM数据的具体处理分析，通过预设其他变量的方法控制变量，研究模糊度对图像影响的分析，从而得出一个相对稳定可靠的模糊度值。
目 录_Toc29397
1. 绪论 1
1.1研究背景及意义 1
1.2研究现状及发展前景 1
1.3本文内容及结构 2
2. FMRI数据原理及分析方法简介 3
2.1 fMRI简介 3
2.2 FCM分析方法简介 4
2.2.1算法背景 4
2.2.2算法步骤 4
2.3 工具简介 6
3. 数据分析及结果 7
3.1数据采集及预处理 7
3.2 FCM基于模糊度变化的处理结果 7
3.2.1 FCM处理流程 7
3.2.2 FCM结果分析 9
3.3模糊度对精确度的影响分析 12
3.4本章小结 15
结 语 17
参考文献 19
致 谢 20
1. 绪论
1.1研究背景及意义
功能磁共振成像（fMRI, functional Magnetic Resonance Imaging）[1]在于没有创伤性、没有放射性及可重复性等诸多优势，已经逐渐成为探测人脑功能信号与研究人脑功能认知的重要方式。聚 *好棒文|www.hbsrm.com +Q: ^351916072^
类分析是数据挖掘的重要研究内容，聚类分析方法也多种多样。利用聚类分析方法来处理fMRI信号，探测人脑有效功能活动区域，进而用于一些精神类疾病的认知，已是当前国内外的研究热点之一[2] ，在各种聚类分析方法中，模糊聚类分析（Fuzzy Clustering Analysis，FCA）是一种备受学者关注的一种聚类分析方法。1969年，Ruspini第一次将模糊度理论应用到聚类分析中，提出了关于模糊数学理论的无监督的学习方法的一种模糊聚类算法[3]。
通过更加深入的对大脑的研究，不仅是一个让人类能够理解自身意识真正本质的途径，也能够帮助我们了解各种脑疾病的发病机制，并找出相应的医治方法。这对人类来说是一个非常有价值的研究方向，同时也是一个非常具有挑战性的课题。因此医疗影像仪器为在临床医学中具有非常重要的参考价值，医生能够有效利用这些医学图像读取患者信息，从而制定治疗方案。通常情况下，医学图像跟人体器官一样复杂而且容易受到外界噪声、场偏移效应、局部体效应等的影响，会使得图像出现组织形状混杂、不同组织之间相互掺杂，各个组织没有明显分界线等问题，因此就需要对图像进行处理。通过图像处理使得图像更加直观，清晰，同时可以根据需求和标准，对图像进行定位和识别分割图像的边界。其中，功能磁共振成像是一种非侵入性检测技术，它可以划分或定位大脑的功能区域，fMRI的出现打破了以往研究的局限性，不仅从生理和病理的角度分析，还从记忆、语言、认知、情感等多方面突破了人类清醒状态下对大脑研究的进程，象征着对人脑功能的研究进入了认知神经科学的阶段。
1.2研究现状及发展前景
发展于20世纪90年代的fMRI是基于磁共振成像发展而来[4]。在当今的医疗领域有着至关重要的地位，并且在科研方面也凭借自身的优点成为不可取代的一部分。功能磁共振成像（fMRI）的优点是无创伤性、无放射性和可重复性。同PET与EEG相比，fMRI具有更高的时间和空间分辨率。因此，该技术已被广泛地应用于脑科学的基础研究及临床研究中。fMRI的主要功能是基于核磁共振成像（MRI）和磁铁共同作用完成[5]，当大脑的某个区域被激活时，它需要更多的氧气，功能磁共振成像（fMRI）跟踪它的运动轨迹。机器扫描人的头部是为了提取大脑中含氧血液的细微变化。目前fMRI脑功能数据主要分为两种，一种是静息态数据类型，另外一种则是任务态数据类型。静息态数据是要求被测试者在机器扫描的时候平躺，并且没有明显的外在认识任务，即什么也不想，只做闭眼或睁眼的简单动作。任务态数据是赋予被测试者一个刺激信号，查看测试者大脑区域活动的数据。这两种数据，无论是静态还是任务态数据，在数据处理分析时总会受到各种不可控因素的干扰，从而影响实验结果。所以我们在处理fMRI数据前会先进行头动校正、时间校正、标准化、高斯平滑处理等预处理。
在过去的几年里，由于fMRI技术的快速发展，已为心理学、神经科学和行为科学提供了前所未有的研究契机和广阔的研究领域[6]。fMRI不但在心理学、神经科学以及行为科学上具有重要理论意义，而且在也医学领域具有重要的应用价值。由此可以预见，随着fMRI技术的不断发展和完善，未来在临床研究中具有广阔的前景。
1.3本文内容及结构
目前，fMRI凭借其无创伤性及准确定位等独特的优势，已成为探索人脑的重要工具。目前fMRI数据主要分为静息态数据和任务态数据两种。静息态数据是指被测试者静息态获取的数据，即被测试者平躺，无外界的刺激，只是简单的闭眼和睁眼而获得的数据；而任务态数据即是要求被测试者根据外界的刺激完成一定认知的任务所获的数据。无论是静息态数据还是任务态数据，在获得时总会由于外界环境等各种不可抗因素存在一定的噪声，传统的去噪方法不足以使这些噪声完全去除，大多数会有残留或误删大脑结构部分，因此本文在传统去噪方法的基础上，提出了两层机制的去噪方法，从而提高数据的信噪比，达到有效去噪的效果。本文结构如下：
第一章 主要介绍fMRI研究的背景和意义，从而引出fMRI数据研究的现状和发展前景，明确本文研究的目的；
第二章 本章主要对fMRI的原理进行了介绍，包括fMRI简介以及FCM聚类分析方法的简介，并介绍了图像分析工具matlab及相关的辅助工具；
第三章 本章主要通过进行对FCM数据的具体处理分析，通过预设其他变量的方法控制变量，研究模糊度对图像影响的分析，从而得出一个相对稳定可靠的模糊度值。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/602.html
