【摘要】 人类很难在一组41张三维图像中无偏差地检测模式。主成分分析(PCA)是一种数据降维方法，可应用于大型数据集以确定最能代表该数据集的潜在变量（主成分）。

在引起昏迷的各种原因中，缺氧性昏迷的死亡率最高，只有大约30%的患者能够苏醒过来。在治疗性低温的背景下，缺氧缺血性脑损伤的研究方向不断变化，科学界对这种情况越来越感兴趣。最近，Shaloo等人应用了一种主成分分析(PCA)方法来绘制与动脉闭塞相关的梗死区。这种方法已扩展到研究中风患者的外交界区。主成分分析(PCA)的输出提供了给定区域的梗塞频率，因此适合于定量分析。

人类很难在一组41张三维图像中无偏差地检测模式。主成分分析(PCA)是一种数据降维方法，可应用于大型数据集以确定最能代表该数据集的潜在变量（主成分）。主成分分析的常用方法包括协方差矩阵的特征分析或数据矩阵的奇异值分解。在MR图像的数据处理中，每个体素都是一个变量，这就导致了样本数量相对较少但仍具有数以万计的变量。在这种情况下，需要专门的方法来计算主成分。Shaloo等人使用的是非线性迭代偏最小二乘(NIPALS)算法，这种算法在MatLab 2010b(The Mathworks Inc, Natick, MA, USA)中成功实现过。

主成分分析是通过一种正交变换(方差最大化)的方式进行运算的，它将相关变量的一组观测值转换为一组不相关(正交)变量的值，称为主成分。第一个提取的主成分在包含观察变量的大部分方差的方向上对齐，下一个主成分与第一个主成分正交，包含第二大方差分布，下一个主成分包含第三大方差分布，依此类推，后面的主成分很可能代表噪声因此将其舍弃。

根据Shaloo等人的成像数据来表达这一点，每个分量都会产生一个线性的“缺血”体素组合，并且彼此之间存在差异，这些成分可被解释为缺血性损伤的模式。PCA图像的测量单位是数据的协方差。

 

科学指南针为您提供材料测试,主要业务范围包括XPS,普通XRD,透射电子显微镜TEM,全自动比表面及孔隙度分析BET等测试。