CN102138782A - 一种脑功能有效连接分析方法 - Google Patents

一种脑功能有效连接分析方法 Download PDF

Info

Publication number
CN102138782A
CN102138782A CN 201110057659 CN201110057659A CN102138782A CN 102138782 A CN102138782 A CN 102138782A CN 201110057659 CN201110057659 CN 201110057659 CN 201110057659 A CN201110057659 A CN 201110057659A CN 102138782 A CN102138782 A CN 102138782A
Authority
CN
China
Prior art keywords
signal
condition
brain function
granger
effect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 201110057659
Other languages
English (en)
Inventor
陈华富
李辉辉
吴国榕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN 201110057659 priority Critical patent/CN102138782A/zh
Publication of CN102138782A publication Critical patent/CN102138782A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种脑功能有效连接分析方法。本发明是针对现有的脑功能成像技术领域中，采用条件Granger因果方法研究脑功能磁共振数据、脑电数据的感兴趣区域之间的有效连接时，由于多道信号之间存在高度冗余性，造成有效连接分析出现误差而提出的。本发明综合运用了Yonghong Chen的条件Granger因果和主成分分析，在条件Granger因果计算过程中无需考虑相同谱估计一致性问题，排除了没有物理意义的负值因果谱，消除了多道信号之间存在高度冗余性，有效提高了有效连接分析的准确性。

Description

一种脑功能有效连接分析方法
技术领域
本发明属于脑功能成像领域，特别涉及其中的脑功能有效连接分析。
背景技术
目前，在脑功能成像领域，有多种技术手段用来研究脑功能磁共振成像数据、脑电数据的有效连接，主要有结构方程模型(Structural Equation model)，动态因果模型(Dynamic Causal Model，DCM)，Granger因果(Granger CausalityMapping，GCM)，条件Granger因果(conditional Granger CausalityMapping，cGCM)。如果一个时间序列Y导致(或者影响)X，那么使用Y的信息就可以预测X的值。这里所说的Granger因果关系可以被理解为可预测性，即给出两个离散时间序列X和Y，如果用过去的X和Y值预测现在的X值，比单独用过去的X值的预测更准确，那么就说X和Y存在Granger因果关系。而引入条件Granger因果，在于它能够克服Granger因果导致的伪因果关系。
在运用条件Granger因果进行有效连接分析时，最常用的方法是Geweke在文献“Geweke J.Measures of conditional linear dependence and feedback between timeseries.JAmStatAssoc 1984，vol.79，pp.907-915”提出的线性条件Granger因果以及Yonghong Chen在Geweke的基础上提出的频域上的矩阵分离思想的条件Granger因果，具体参见文献：Y.Chen，S.L.Bressler，M.Ding，Frequencydecomposition of conditional Granger causality and application to multivariate neuralfield potential data.2006，J.Neurosci.Methods，vol.150，pp.228-237。
Yonghong Chen提出的条件Granger因果，减少了没有物理意义的负值因果谱。但是在脑功能成像中，脑功能磁共振成像数据、脑电数据往往具有冗余性，在运用条件Granger因果计算数量较多的感兴趣区域之间的有效连接时，由于条件信号的高度冗余性，导致自回归模型的参数估计不准确，从而使有效连接分析出现误差。
在计算数量较多的脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接，并且运用条件Granger因果方法的很多，但是考虑如何在计算有效连接的同时去除条件信号的冗余性的几乎没有。Guorong Wu在文献“G.Wu.C.Xu.H.Chen.Investigate intracranial EEG with conditional granger causality andPCA.2010 International Conference of Medical Image Analysis and ClinicalApplication(MIACA).2010：22-25”中提出了在Geweke的线性条件Granger因果的基础上运用主成分分析(Pincipal Component Analysis，PCA)降维去除颅内脑电数据的条件信号冗余的方法。但是Guorong Wu提出的条件Granger因果加主成分分析去除颅内脑电数据的条件信号冗余的方法依然存在缺陷，因为Geweke的方法要求的相同谱估计一致性达不到，所以Guorong Wu的方法未能够排除没有物理意义的负值因果谱，同时Guorong Wu的方法没有给出如何确定条件Granger因果值有效的方法，信号之间的有效连接是否被正确探测是个未知数，所以此方法在脑功能磁共振成像数据、脑电数据的有效连接分析中存在需要改进的地方。
发明内容
本发明的目的是为了解决现有的脑功能成像技术领域中，采用条件Granger因果方法研究脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接时，由于多道信号之间存在高度冗余性，造成有效连接分析出现误差的问题，提出了一种脑功能有效连接分析方法。
本发明的技术方案是：一种脑功能有效连接分析方法，具体包括如下步骤：
步骤1：对脑功能磁共振成像数据、脑电数据进行预处理；脑功能磁共振成像数据的预处理：首先对脑功能磁共振成像数据进行空间位移的校正，再将校正后的图像进行标准化处理，然后对标准化处理后的图像利用高斯核进行空间平滑处理；脑电数据的预处理：首先对脑电数据进行归一化，然后进行去漂移；
步骤2：从预处理后的脑功能磁共振成像数据或者脑电数据的感兴趣区域中提取一组至少包含4道时间信号的时间信号集V，对于信号集V中的信号做广义平稳性检验，如若不平稳，采取差分或滤波使之达到平稳性；选择任意的两道信号Vx，Vy作为目标信号，时间信号集V中剩余的信号Vz作为条件信号；
步骤3：对条件信号Vz进行主成分分析，然后选择若干个主成分，并使用若干个主成分构成条件信号Vzp来代替原来的条件信号Vz；
步骤4：利用Yonghong Chen的矩阵分离思想的条件Granger因果计算方法，将目标信号Vx、Vy和条件信号Vzp带入矩阵分离思想的条件Granger因果公式，计算频域上的Vy对Vx的条件Granger因果值FVx-＞Vy|Vzp；
步骤5：利用靴带抽样，获得条件Granger因果值FVx-＞Vy|Vzp的显著性阈值；
步骤6：对比条件Granger因果值FVx-＞Vy|Vzp和阈值，高于阈值的条件Granger因果值为有效的因果值，取有效的条件Granger因果值分析，即可得到脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接。
本发明的有益效果：本发明的提出的脑功能有效连接分析方法，综合运用了Yonghong Chen的条件Granger因果和主成分分析，在条件Granger因果计算过程中无需考虑相同谱估计一致性问题，排除了没有物理意义的负值因果谱，消除了多道信号之间存在高度冗余性，有效提高了有效连接分析的准确性。
附图说明
图1本发明的脑功能有效连接分析方法的流程示意图。
图2对本发明实施例中利用AR(2)模型构建的信号集V。
图3对本发明实施例中信号集V中6道信号之间的有效连接关系。
图4对本发明实施例中信号集V中信号数量为6时，运用矩阵分离思想的条件Granger因果和主成分分析的条件Granger因果值图。
图5对本发明实施例中信号集V中信号数量为6时，单独运用矩阵分离思想的条件Granger因果的条件Granger因果值图。
图6对本发明实施例中信号集V中信号数量为20时，运用矩阵分离思想的条件Granger因果和主成分分析的条件Granger因果值图。
图7对本发明实施例中信号集V中信号数量为20时，单独运用矩阵分离思想的条件Granger因果的条件Granger因果值图。
具体实施方式
下面结合附图和具体的实例对本发明做进一步的说明：
本发明的具体流程如图1所示，具体包括如下步骤：
步骤1：对脑功能磁共振成像数据、脑电数据进行预处理；脑功能磁共振成像数据的预处理：首先对脑功能磁共振成像数据进行空间位移的校正，再将校正后的图像进行标准化处理，然后对标准化处理后的图像利用高斯核进行空间平滑处理；脑电数据的预处理：首先对脑电数据进行归一化，然后进行去漂移；
步骤2：从预处理后的脑功能磁共振成像数据或者脑电数据的感兴趣区域中提取一组至少包含4道时间信号的时间信号集V，对于信号集V中的信号做广义平稳性检验，如若不平稳，采取差分等办法使之达到平稳性；选择任意的两道信号Vx，Vy作为目标信号，时间信号集V中剩余的信号Vz作为条件信号；
步骤3：对条件信号Vz进行主成分分析，然后选择若干个主成分，并使用若干个主成分构成条件信号Vzp来代替原来的条件信号Vz；
步骤4：利用Yonghong Chen的矩阵分离思想的条件Granger因果计算方法，将目标信号Vx、Vy和条件信号Vzp带入矩阵分离思想的条件Granger因果公式，计算频域上的Vy对Vx的条件Granger因果值FVx-＞Vy|Vzp；
步骤5：利用靴带抽样，获得条件Granger因果值FVx-＞Vy|Vzp的显著性阈值。靴带抽样具体过程可参考文献“刘勤，金丕焕.Bootstrap方法及其在医学统计中的应用.1998.Chin.J Prev Med.vol.32，pp：52-53”，在此不再进行详细描述。
步骤6：对比条件Granger因果值FVx-＞Vy|Vzp和阈值，高于阈值的条件Granger因果值为有效的因果值，取有效的条件Granger因果值分析，即可得到脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接，进而可以画出脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接图。
需要注意的是：
步骤1中脑功能磁共振成像数据标准化到体素大小为2*2*2或者3*3*3的模板上均可，高斯核大小取4或者6较好。
步骤2中信号集V中条件信号个数越多，信号之间存在冗余的可能越多，越适合使用本方法。
步骤3中对条件信号Vz进行主成分分析，选择主成分时，未增加某一主成分时累积贡献率小于80％，增加此成分后累计贡献率大于80％而小于100％，则可取此成分与它之前的成分构建条件信号Vzp，然后如果增加此成分后等于100％，则取此成分之前的成分构建条件信号Vzp。累积贡献率越高越接近原来的条件信号Vz，但是过高不能去除冗余信号，过低原来的条件信号Vz损失的信息多。
步骤5中靴带抽样次数尽可能取大数目，以求拟合一个较为准确的空分布。仿真实验表明重复200次就可以得到一个较好的估计。
下面根据上述步骤进行仿真。先利用AR(2)模型产生6道序列长度为200的正态分布随机信号去仿真脑功能磁共振成像数据感兴趣区域的时间信号，构建如图2所示的信号集V。在具体仿真中，数据是通过仿真产生的，因此不需要步骤1中所述的预处理操作。
这6道信号的有效连接关系如图3所示。6道信号中第2道信号对第3、4、5、6道信号存在有效连接关系，第3、4、5、6道信号对第1道信号存在有效连接关系，第4道对第3道，第5道对第4道，第6道对第5道，第3道对第6道存在有效连接关系。
从V中任意选择2道目标信号Vx，Vy，然后对剩余4道信号Vz做主成分分析，用累计贡献率达到80％的主成分构成信号Vzp作为条件信号，计算目标信号Vy对Vx的条件Granger因果值FVx-＞Vy|Vzp，并运用200次的靴带抽样计算条件Granger因果值的阈值，图4中实线部分为条件Granger因果值FVx-＞Vy|Vzp，虚线部分为运用靴带抽样200次计算的阈值。再从V中任意选择2道信号目标Vx，Vy，在剩余4道信号Vz不做主成分分析的情况下，计算信号目标Vy对Vx的条件Granger因果值FVx-＞Vy|Vz(见图5)。图4和图5中vi--＞vj表示信号V中第i道信号对第j道信号的条件Granger因果值及条件Granger因果值的阈值。
下面可以利用有效的条件Granger因果值构建信号之间的有效连接图，其中高于阈值的条件Granger因果值为有效的条件Granger因果值。从图4和图5中可以看出，V2对V3、V4、V5、V6存在有效连接关系，V3、V4、V5、V6对V1存在有效连接关系，V4对V3，V5对V4，V6对V5，V3对V6存在有效连接关系，6道信号之间的有效连接关系和图3中6道信号之间的有效连接图中反映的有效连接关系一致。
利用AR(2)模型产生序列长度为200的信号数量为20的正态分布随机信号集V去仿真脑功能磁共振成像数据感兴趣区域的时间信号，信号集V中第2道信号除对第1道无有效连接外，对其他19道信号都存在有效连接关系。从V中任意选择2道目标信号Vx，Vy，然后剩余18道条件信号Vz做主成分分析，用累计贡献率达到80％的主成分构成信号Vzp作为条件信号，计算目标信号Vy对Vx的条件Granger因果值FVx-＞Vy|Vzp，并运用200次的靴带抽样计算条件Granger因果值的阈值，图6中实线部分为因果值FVx-＞Vy|Vzp，虚线部分为运用靴带抽样200次计算的阈值。再从V中任意选择2道目标信号Vx，Vy，在剩余18道条件信号Vz不做主成分分析的情况下，计算目标信号Vy对Vx的条件Granger因果值FVx-＞Vy|Vz(见图7)。图6和图7中v2--＞vj表示信号V中第2道信号对第j道信号的条件Granger因果值及条件Granger因果值的阈值。
下面可以利用有效的条件Granger因果值构建信号之间的有效连接图，同样的，高于阈值的条件Granger因果值为有效的条件Granger因果值。从图6和图7中分析可得，运用主成分分析后能够正确分析V2对于7、8、10、12、14、16、17、19、20道信号的有效连接关系，而单纯的运用条件Granger因果不能正确分析，因而构建的有效连接图差别较大。
从以上仿真可以看出，当信号数量较少时，条件信号中的冗余度小，条件Granger因果值FVx-＞Vy|Vzp与FVx-＞Vy|Vz包含的信息基本一致，构建的有效连接图基本一致。而当信号的数量较多时，条件信号中的冗余度增高，应用本发明的方法，把矩阵分离思想的条件Granger因果与主成分分析组合计算，无需考虑相同谱估计一致性问题，排除了没有物理意义的负值因果谱，消除了多道信号之间存在的高度冗余性，提高了构建的有效连接图的准确性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能的等同替换或改变，均被认为属于本发明的权利要求的保护范围。

Claims (5)

1.一种脑功能有效连接分析方法，其特征在于，包括如下步骤：
步骤1：对脑功能磁共振成像数据、脑电数据进行预处理；脑功能磁共振数据的预处理：首先对脑功能磁共振成像数据进行空间位移的校正，再将校正后的图像进行标准化处理，然后对标准化处理后的图像利用高斯核进行空间平滑处理；脑电数据的预处理：首先对脑电数据进行归一化，然后进行去漂移；
步骤2：从预处理后的脑功能磁共振成像数据或者脑电数据的感兴趣区域中提取一组至少包含4道时间信号的时间信号集V，对于信号集V中的信号做广义平稳性检验，如若不平稳，采取差分或者滤波使之达到平稳性；选择任意的两道信号Vx，Vy作为目标信号，时间信号集V中剩余的信号Vz作为条件信号；
步骤3：对条件信号Vz进行主成分分析，然后选择若干个主成分，并使用若干个主成分构建条件信号Vzp来代替原来的条件信号Vz；
步骤4：利用Yonghong Chen的矩阵分离思想的条件Granger因果计算方法，将目标信号Vx、Vy和条件信号Vzp带入矩阵分离思想的条件Granger因果公式，计算频域上的Vy对Vx的条件Granger因果值FVx-＞Vy|Vzp；
步骤5：利用靴带抽样，获得条件Granger因果值FVx-＞Vy|Vzp的显著性阈值；
步骤6：对比条件Granger因果值FVx-＞Vy|Vzp和阈值，高于阈值的条件Granger因果值为有效的因果值，取有效的条件Granger因果值分析，即可得到脑功能磁共振数据、脑电数据的感兴趣区域之间的有效连接。
2.根据权利要求1所述的脑功能有效连接分析方法，其特征在于，步骤1中所述的脑功能磁共振成像数据标准化处理是指标准化到体素大小为2*2*2或者3*3*3的模板上。
3.根据权利要求1所述的脑功能有效连接分析方法，其特征在于，步骤1中所述的高斯核的大小为6或者4。
4.根据权利要求1所述的脑功能有效连接分析方法，其特征在于，步骤5中所述的靴带抽样的次数为200次。
5.根据权利要求1所述的脑功能有效连接分析方法，其特征在于，步骤3中所述的条件信号Vz进行主成分分析后，选择主成分时，选择的主成分的累积贡献率达到80％。
CN 201110057659 2011-03-10 2011-03-10 一种脑功能有效连接分析方法 Pending CN102138782A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110057659 CN102138782A (zh) 2011-03-10 2011-03-10 一种脑功能有效连接分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110057659 CN102138782A (zh) 2011-03-10 2011-03-10 一种脑功能有效连接分析方法

Publications (1)

Publication Number Publication Date
CN102138782A true CN102138782A (zh) 2011-08-03

Family

ID=44406752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110057659 Pending CN102138782A (zh) 2011-03-10 2011-03-10 一种脑功能有效连接分析方法

Country Status (1)

Country Link
CN (1) CN102138782A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102366323A (zh) * 2011-09-30 2012-03-07 中国科学院自动化研究所 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法
CN102592278A (zh) * 2011-12-27 2012-07-18 大连灵动科技发展有限公司 一种基于脑功能成像的脑内多区域协同竞争分析方法
CN103054582A (zh) * 2012-12-08 2013-04-24 西安电子科技大学 基于肥胖模型PWS的大脑核团Granger因果分析方法
CN103235869A (zh) * 2013-03-29 2013-08-07 西安电子科技大学 基于海洛因成瘾模型的大脑回路因果作用关系分析方法
CN103405229A (zh) * 2013-07-12 2013-11-27 电子科技大学 一种基于靴带抽样的诱发脑电提取方法
CN104305993A (zh) * 2014-11-12 2015-01-28 中国医学科学院生物医学工程研究所 一种基于格兰杰因果性的脑电源定位方法
KR101560773B1 (ko) 2013-09-03 2015-10-15 이화여자대학교 산학협력단 뇌 네트워크에서 뇌 정보 흐름의 방향성을 추출하는 장치 및 방법
CN109259764A (zh) * 2018-07-27 2019-01-25 昆明理工大学 一种确定动态脑功能网络阈值方法
CN110110855A (zh) * 2019-05-28 2019-08-09 西北工业大学 基于深度循环神经网络和有监督字典学习的脑网络重构方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1626031A (zh) * 2003-12-12 2005-06-15 中国科学院自动化研究所 一种基于图论的脑区间功能连接的检测方法
WO2006102370A2 (en) * 2005-03-22 2006-09-28 University Of Massachusetts Functional brain mri mapping as a marker in cns diseases and disorders

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1626031A (zh) * 2003-12-12 2005-06-15 中国科学院自动化研究所 一种基于图论的脑区间功能连接的检测方法
WO2006102370A2 (en) * 2005-03-22 2006-09-28 University Of Massachusetts Functional brain mri mapping as a marker in cns diseases and disorders

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《2010 international conference of medical image analysis and clinical application》 20101231 Guorong Wu, Cuiping Xu, Huafu Chen investigate intracranial EEG with conditional granger causality and PCA , *
《电子科技大学》 20101231 许宇翔 基于fMRI简单数字计算的有效连接性研究 , *
《电子科技大学》 20101231 高晴 基于功能磁共振成像的运动系统脑功能网络研究 , *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102366323B (zh) * 2011-09-30 2013-09-11 中国科学院自动化研究所 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法
CN102366323A (zh) * 2011-09-30 2012-03-07 中国科学院自动化研究所 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法
CN102592278A (zh) * 2011-12-27 2012-07-18 大连灵动科技发展有限公司 一种基于脑功能成像的脑内多区域协同竞争分析方法
CN103054582B (zh) * 2012-12-08 2015-11-25 西安电子科技大学 基于肥胖模型PWS的大脑核团Granger因果分析方法
CN103054582A (zh) * 2012-12-08 2013-04-24 西安电子科技大学 基于肥胖模型PWS的大脑核团Granger因果分析方法
CN103235869A (zh) * 2013-03-29 2013-08-07 西安电子科技大学 基于海洛因成瘾模型的大脑回路因果作用关系分析方法
CN103235869B (zh) * 2013-03-29 2016-08-03 西安电子科技大学 基于海洛因成瘾模型的大脑回路因果作用关系分析方法
CN103405229B (zh) * 2013-07-12 2015-12-09 电子科技大学 一种基于靴带抽样的诱发脑电提取方法
CN103405229A (zh) * 2013-07-12 2013-11-27 电子科技大学 一种基于靴带抽样的诱发脑电提取方法
KR101560773B1 (ko) 2013-09-03 2015-10-15 이화여자대학교 산학협력단 뇌 네트워크에서 뇌 정보 흐름의 방향성을 추출하는 장치 및 방법
CN104305993A (zh) * 2014-11-12 2015-01-28 中国医学科学院生物医学工程研究所 一种基于格兰杰因果性的脑电源定位方法
CN109259764A (zh) * 2018-07-27 2019-01-25 昆明理工大学 一种确定动态脑功能网络阈值方法
CN110110855A (zh) * 2019-05-28 2019-08-09 西北工业大学 基于深度循环神经网络和有监督字典学习的脑网络重构方法
CN110110855B (zh) * 2019-05-28 2022-04-29 西北工业大学 基于深度循环神经网络和有监督字典学习的脑网络重构方法

Similar Documents

Publication Publication Date Title
CN102138782A (zh) 一种脑功能有效连接分析方法
Soares et al. Application of the r largest-order statistics for long-term predictions of significant wave height
Zhao et al. Optimal condition-based maintenance policy with delay for systems subject to competing failures under continuous monitoring
CN109885469B (zh) 一种扩容方法、预测模型创建方法、装置、设备及介质
CN103293014A (zh) 一种桥梁疲劳损伤状态与剩余寿命的评估方法
CN109003446B (zh) 一种基于rfid数据的城市错峰通行效果分析方法
DE102015204598A1 (de) System zum Bereitstellen von Informationen, die mit einem Fahrzeugfehler verknüpft sind, einem Benutzer
CN110706016A (zh) 业务异常检测方法、装置及计算机可读存储介质
Upadhyay et al. A nonparametric approach for multicomponent AM–FM signal analysis
Chua et al. Handling changes in MRI acquisition parameters in modeling whole brain lesion volume and atrophy data in multiple sclerosis subjects: comparison of linear mixed-effect models
Ünal et al. Annual and monthly rainfall data generation schemes
Danese et al. Automatic generation of power state machines through dynamic mining of temporal assertions
CN111832841A (zh) 一种封站条件下的轨道交通短时客流预测方法及系统
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN103519816B (zh) 脑功能磁共振成像方法和系统
US20160063385A1 (en) Time series forecasting using spectral technique
US20130138592A1 (en) Data processing
CN105009130A (zh) 基于网络熵的对生物体状态迁移的预兆检测予以辅助的检测装置、检测方法以及检测程序
CN103970990B (zh) 基于qar数据的飞机航段油耗区间估计方法
CN105335936B (zh) X光机、x光图像中静态滤线栅伪影的去除方法及装置
Zhu et al. Structure and feature based graph U-net for early Alzheimer’s disease prediction
Hendry et al. Step-indicator saturation
Tang et al. An improved local maximum synchrosqueezing transform with adaptive window width for instantaneous frequency identification of time-varying structures
DE10355141A1 (de) System und Verfahren zum Schätzen eines Leistungsverbrauchs für zumindest einen Abschnitt einer integrierten Schaltung
Yi et al. Multiple comparison and cross-validation in evaluating structural equation models

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20110803