a kernel machine-based fmri physiological noise removal method
關於，fmri研究中，生理雜訊去除的價值：一、現在隨著技術的提公升，高場fmri越來越得到應用。高場能夠提高影象的訊雜比，但是生理雜訊卻也會提公升。所以在高場成像分析中，生理雜訊的去除會成為乙個不可忽略的因素。二、在靜息態fmri中，功能網路的檢測依賴於低頻的大腦自發訊號。這些訊號和生理雜訊，在頻率上，是有著類似的特徵。為了提高靜息態分析的準確性，去除生理雜訊，是必須的操作。
在這篇**中，作者試圖採用pca分析fmri的資料，思想是從時域，或者說頻率上將混疊的訊號和噪音進行區分。
在進行前期論證中，作者提出了前人兩種生理雜訊去除方式：基於ica，將訊號分解為線性可分的成分，線性獨立的成分，完全是從線性代數，矩陣論的角度進行問題的考慮；基於採集時同步機制，是採集與心跳能夠同步，但是呼吸就無法過濾了。
這裡，採用pca，更準確地說，是非線性pca，基於kernel核函式的選擇，將資料投影到高維空間。然後，在高維空間中，對這些特徵進行篩選。
這裡，作者又提出了新的解決思路，就是利用資訊理論，互資訊的指標衡量乙個特徵到底是雜訊，還是訊號。它的思路是這樣的，在座標軸上，定兩個點，點一為hrf血液動力學，點二為生理雜訊指標，舉個例子，這裡在採集fmri資料時，同時對心臟的circle進行記錄。如果，計算後的互資訊離hfr點近，就代表為訊號，如果離生理指標近，就代表是生理雜訊。
這裡，這篇文章最大的缺陷是，需要外部裝置監測生理訊號，這裡主要是心動。
我們能夠提出某種方法進行改進，比如利用cca 或者phycaa方法，得到生理特徵，然後與這裡的kernel-pca進行結合，甚至達到與它相同的結果，就可以算是乙個非常重要的創新了。
利用cca進行fmri分析
在肖柯的碩士畢業 中 基於cca的fmri時空模型資料處理方法的研究 他的總體思路是利用cca提取出fmri影象在時間和空間上兩個相關係數，也就是兩個特徵，然後利用pca，對這兩個特徵進行融合，得的乙個綜合的相關係數，然後利用這個綜合的相關係數進行選取閾值，然後判別啟用與否。首先，他沒有降噪。其次，...
PCA的劣勢分析
pca原理剖析 矩陣的秩 特徵向量 特徵值是什麼？此篇部落格主要分析pca有什麼劣勢以及產生的原因，對pca還不清楚的可以結合上面兩個部落格從多角度深入了解pca。因為pca需要對資料進行預處理，第一步需要對其進行中心化，如果資料的尺度不統一，還需要標準化。通常的標準化方式是除以標準差。這裡可能就出...
利用 主成分分析（PCA） 降維 個人理解
從線性空間的角度看，在乙個定義了內積的線性空間裡，對乙個n階對稱方陣進行特徵分解，就是產生了該空間的n個標準正交基，然後把矩陣投影到這n個基上。n個特徵向量就是n個標準正交基，而特徵值的模則代表矩陣在每個基上的投影長度。特徵值越大，說明矩陣在對應的特徵向量上的方差越大，功率越大，資訊量越多。經過特徵...