公开(公告)号：CN103440513A

公开(公告)日：2013-12-11

申请号：CN201310425299.0

申请日：2013-09-17

Applicant: 西安电子科技大学

Inventor： 李军 ,  王洪勇 ,  董明皓 ,  徐鑫秀 ,  袁森 ,  李文思 ,  王苓芝 ,  赵恒 ,  秦伟

IPC: G06K9/66

Abstract: 本发明公开了基于稀疏非负张量分解的大脑特定视觉认知状态判定方法,其创新点在于，采用SNTF算法，把fMRI认知数据当成一个大张量，从张量的层面上构建高阶非负张量模型，然后对fMRI认知数据每个维度上进行特征降维，从而得到维度较小的稀疏非负特征张量，最后结合支持向量机的特点，有效地实现对大脑特定视觉的认知状态的判定。本发明的方法利用稀疏非负张量分解进行降维和特征提取多方向、多角度的提取出原有数据中的潜在结构信息,由于l1范数正则化和非负性的约束使得提取出的相关成分更稀疏，合乎大脑感知的直观体验，再结合支持向量机的特点，提高了分类判别的准确性。

公开(公告)号：CN103425999A

公开(公告)日：2013-12-04

申请号：CN201310379452.0

申请日：2013-08-27

Applicant: 西安电子科技大学

Inventor： 李军 ,  徐鑫秀 ,  董明皓 ,  王洪勇 ,  袁森 ,  李文思 ,  王苓芝 ,  赵恒 ,  秦伟

IPC: G06K9/62

Abstract: 一种基于非负张量投影算子分解算法的脑认知状态判定方法，包括如下步骤：S1采集不同认知任务下的大脑功能磁共振图像,组成数据样本集，并进行预处理，按张量模式组织成样本集，样本集按认知任务分为训练集和测试集，训练集包含不同认知状态比例相当的功能磁共振数据；S2计算训练样本集的非负张量投影算子分解，求出非负特征变换矩阵，将训练样本投射到非负张量特征子空间降维，得到训练集的非负特征张量集；S3将降维后的低维非负特征张量数据作为训练STM的输入，求出STM最优投射方向；S4将测试样本脑功能磁共振数据投射到训练所得的非负张量特征子空间得到其在子空间的非负特征张量，将测试样本非负特征张量输入训练好的STM判别其所属认知状态类别。

公开(公告)号：CN103440512A

公开(公告)日：2013-12-11

申请号：CN201310424991.1

申请日：2013-09-17

Applicant: 西安电子科技大学

Inventor： 董明皓 ,  袁森 ,  李军 ,  王洪勇 ,  徐鑫秀 ,  李文思 ,  王苓芝 ,  赵恒 ,  秦伟

IPC: G06K9/66

Abstract: 本发明公开了一种基于张量局部保持投影(Tensor Locality Preserving Projection，TLPP)的大脑认知状态的识别方法，包括步骤：1)大脑认知状态fMRI数据的预处理及分组；2)构建近邻图G及相应的关联矩阵S；3)计算训练样本集的特征分解，求出相应的特征变换矩阵，计算训练样本的低维嵌入；4)分类识别，计算测试样本集的低维嵌入，利用基于张量距离的近邻分类器对其进行判别分类。本发明利用TLPP算法直接对多维张量进行降维和特征提取，对采集的脑认知fMRI数据进行特征降维，有效的对大脑认知状态进行识别分类，结合基于张量距离的近邻分类器，提高识别分类的准确性，该方法不仅继承了传统方法的优点，还大大减少了空间和时间的复杂度，克服了维数灾难，计算量较小，内存消耗小，耗时较短。

公开(公告)号：CN103116764A

公开(公告)日：2013-05-22

申请号：CN201310066564.0

申请日：2013-03-02

Applicant: 西安电子科技大学

Inventor： 李军 ,  甘云 ,  徐鑫秀 ,  王洪勇 ,  李明欣 ,  袁森 ,  曹凯 ,  梁继民 ,  秦伟

IPC: G06K9/66

Abstract: 本发明公开了一种基于多线性主元分析的大脑认知状态判定方法，包括如下步骤：1)输入样本集，对输入数据进行预处理；2)计算训练样本集的特征分解，求出最优特征变换矩阵，将训练样本投射到张量特征子空间，得到训练集的特征张量集；3)将降维后的低维特征张量数据矢量化作为LDA的输入，求出LDA最优投射矩阵，并将矢量化的低维特征张量数据投射到LDA特征子空间进一步提取训练集的判别特征向量；4)特征分类，将训练图像和测试图像的投射所得判别特征向量进行特征匹配，进而分类。本发明利用多线性主元分析直接对多阶张量数据进行降维和特征提取，克服了传统PCA单纯的进行降维而破坏了原始图像数据的结构和相关性，不能完全保持原始图像中的冗余和结构的不足，保留了fMRI成像数据的空间结构信息。