摘要：随着科学技术的进步，人们更加热衷于对大脑的研究。功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）凭借其自身对人体的无害性及高分辨率、对比率等优势，已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；另外，由于设备、操作和环境等因素，人们获取的fMRI数据往往包含大量噪声。因此采用有效快速的方法，对包含噪声的fMRI数据进行提取，成为大脑信号分析的必要环节。

为了获取有用信号，提高数据后续处理的效率，在处理fMRI数据之前，会对数据进行平滑处理，从而分析大脑局部区域的激活特征或连通模式。但这一操作往往会导致脑区重要功能结构的丢失。因此，为了尽可能保留原fMRI数据的空间结构，减轻噪声对数据的影响，提高聚类的结果，本文在传统聚类分析FCM算法和皮尔逊相关系数的基础上，提出了分层数据快速去噪机制，该机制主要分为两层，第一层去除脑区中孤立的体素，第二层则是去除脑区中孤立的立方体，以此达到数据快速去噪的目的。

关键词：fMRI数据  皮尔逊相关系数   FCM聚类  去噪

目录

摘要

Abstract

1. 绪论-1

1.1 研究背景及意义-1

1.2 研究现状以及发展前景-2

1.3 本文内容及结构-2

2. fMRI原理及数据去噪方法-4

2.1 fMRI基本原理-4

2.2 传统的fMRI数据分析及去噪方法-5

2.2.1 广义线性模型（GLM）-5

2.2.2 fMRI数据传统去噪方法介绍-6

2.3 fMRI数据去噪辅助工具-7

2.3.1 MATLAB及相关组件-7

2.3.2 MRIcro软件-7

2.4本章小结-7

3. 基于聚类fMRI数据的分层数据去噪机制-8

3.1 引言-8

3.2 模糊C均值聚类（FCM）-8

3.3 数据采集及处理-9

3.4 两层去噪流程-10

3.4.1 第一层数据去噪-11

3.4.2 第二层数据去噪-12

3.5 数据处理结果与分析-13

3.5.1 处理结果-13

3.5.2 结果分析-20

3.6 本章小结-21

结束语-22

参考文献-23

致谢-24