Independent Component Analysis를 이용한 fMRI신호 분석 = Analysis of fMRI Signal Using Independent Component Analysis

국문 초록 (Abstract)

fMRI의 신호는 매우 다양한 종류의 선호들이 혼합된 상태이며 , 비록 몇 가지의 요소에 대해 모델링하여 그 선호 형태를 추측할 수 있으나 모든 신호를 정확하게 분리하여 뇌신경의 활성화를 반영하는 신호만을 선택적으로 알아 내기는 어려운 일이다. 또한 뇌와 신체의 생리적 현상으로 발생하는 잡음뿐아니라 움직임이나 계기의 잡음은 fMRl의 데이터 분석을더욱 어렵게 한다. 따라서 실제 뇌신경의 활성화를 정확히 나타내는 참고데이터(reference data)를 선택하는 것은 힘든 일이며, 뇌신경의 활성화를 반영하는 의미 있는 여러 신호 형태에 대한 분석은 현재 fMRl의 후처리 (post-processing) 분석 방법에서 하나의 연구 과제라 할 수 있다. 본 연구에서는 prioriknow­-ledge 혹은 참고 데이터가 필요 없는 분석 방법인 Independent Component Analysis (lCA) 를 이용하여 fMRI선호를 분석하였다. ICA는 현재 많이 사용되고 있는 상관 분석 방법에 비해 신호의 형태를 분석하는 데에 보다 효과적일 수 있으며, 지연된 반응 형태를 갖는 신호나 움직임에 의한 신호의 패턴을 분리하여 분석할 수 있다. 한편, ICA만으후 fMRl의 신호에 따라 분석이 효과적이지 못한 경우 Principal Component Analysis(PCA) threshold, wavelet spatial f filtering, 부분적 영상 분석 방법들을 ICA전에 수행 함으로써 보다 효과적인 분석을 수행할 수 있다. ICA는 fMRl 신호의 형태 분석에 효과적인 방법이라고 생각하며, 데이터의 자유도를 감소 하기 위해서는 선 필터링 (pre-filtering) 방법들이 적용될 수 있다.

다국어 초록 (Multilingual Abstract)

The fMRI signals are composed of many various signals. It is very difficult to find the accurate parameter for the model of fMRI signal containing only neural activity, though we may estimating the signal patterns by the modeling of several signal components. Besides the nose by the physiologic motion, the motion of object and noise of MR instruments make it more difficult to analyze signals of fMRI. Therefore, it is not easy to select an accurate reference data that can accurately reflect neural activity, and the method of an analysis of various signal patterns containing the information of neural activity is an issue of the post-processing methods for fMRI. In the present study, fMRI data was analyzed with the Independent Component Analysis(ICA) method that doesn't need a priori-knowledge or reference data. ICA can be more effective over the analytic method using cross-correlation analysis and can separate the signal patterns of the signals with delayed response or motion related components. The Principal component Analysis (PCA) threshold, wavelet spatial filtering and analysis of a part of whole images can be used for the reduction of the freedom of data before ICA analysis, and these preceding analyses may be useful for a more effective analysis. As a result, ICA method will be effective for the degree of freedom of the data.