CN103678895B - 基于文献分析及核磁功能共振图像分析的脑连接挖掘系统 - Google Patents

Abstract

本发明涉及一种基于文献分析及核磁功能共振图像分析的脑连接挖掘系统及挖掘方法，属于计算机技术与认知神经科学技术领域。该系统包括动态因果模型模块、激活分析模块、文献连接分析模块、寻找子网络模块、文献数据库、脑网络连接数据库；首先通过计算每篇文献中大脑各个坐标被激活的概率，计算出相应解剖区域被激活的概率，得到被激活的脑区，通过关联规则算法挖掘出大脑脑区频繁出现的模式，计算置信度，得到可信的大脑功能网络，构建相应的文献生成脑网络数据库，然后利用核磁功能共振成像系统，采集相应的核磁功能成像数据，利用动态因果模型，验证该网络边的实际连接方向以及权值。解决了大脑连接分析时计算时间过长，准确度低的问题。

Description

基于文献分析及核磁功能共振图像分析的脑连接挖掘系统

技术领域

本发明涉及一种基于文献分析及核磁功能共振图像(fMRI)分析的脑连接挖掘系统及挖掘方法，属于计算机技术与认知神经科学技术领域。

背景技术

认知神经科学中，由于其研究工具的特殊之处，其论文中得到的结论有着非常结构化的输出。将不同文献中的结论总结出来，有可能得到意想不到的结果，从而带来科学上的飞跃。现有的总结认知神经科学结论的方法无外乎两种。第一种即通过大量阅读文献，通过专家的意见，得到结论，这一类分析方法即通常意义上所说的综述。通过综述的方式得到的认知神经科学的结论往往有许多不足之处，其原因是写综述的人往往会遗漏某些细节或者错误的估量了某些知识点的重要程度。另外一种总结认知神经科学结论的方法即是通过计算机辅助总结。目前总结认知神经科学结论的方法主要还是停留在计算最大概率激活点（Activationlikelihoodestimation，ALE）（Laird,A.R.etal.,.ALEmeta‐analysis:Controllingthefalsediscoveryrateandperformingstatisticalcontrasts[J].HumanBrainMapping,2005,25(1):155-164;Turkeltaub,P.E.etal.,.Meta-analysisofthefunctionalneuroanatomyofsingle-wordreading:methodandvalidation[J].NeuroImage,2002,16(3):765-780）上。该类方法通过输入同性质实验范式论文的激活种子点集合S，求取最有可能被激活的点，被求取的种子点所含区域即认为是大脑做相应任务时活动的区域。现阶段，随着认知神经科学的发展，研究的焦点已经从求取大脑功能分离的区域变为研究大脑网络构造的系统论，ALE不能满足脑网络系统论的要求。同时ALE方法在种子点建模上也有缺陷。即认为种子点周围的激活情况是以种子点为圆心的一个三元高斯分布：

$\mathrm{Pr}(X_i,a)=\frac{e^{(-{d_i}^2/2{\mathrm{\σ}}^2)}}{{\left(2\mathrm{\π}\right)}^{1.5}{\mathrm{\σ}}^3}---\left(1\right)$

其中，Xi为脑区中某个坐标点，其对于某个种子点a，其中a∈S，被激活的概率Pr(Xi,a)由式(1)计算得出。di为Xi到a的欧式距离，σ为预先指定的固定值。对于每个种子点，大脑在Xi处都可以由式(1)得到相应激活的概率，然后对这些概率求并：

Pr(Xi,a,b)＝Pr(Xi,a)+Pr(Xi,b)-Pr(Xi,a)*Pr(Xi,b)(2)

其中Pr(Xi,a,b)为在种子点集合a(a∈S),和集合b(b∈S)的联合影响下，Xi被激活的概率；Pr(Xi,a)为Xi在种子点集合a影响下，被激活的概率。当a为一个种子点时，Pr(Xi,a)同式(1)；否则，对a中包含的每个种子点迭代应用公式(2)即可得到Pr(Xi,a)。

做出公式(2)的计算之后，可以得到大脑中每个点被激活的概率值，将这些概率值组成一个新的fMRI概率脑图，该脑图中每个体素(voxel)的值等于其被激活的概率。之后，选取和S相同数目的随机种子点，做1000至5000次式(1)和(2)提到的运算，将每次运算得到的大脑中每个点被激活的概率相加，最后求其平均值，得到一个平均的脑激活图，作为零假设。将fMRI概率脑图和平均脑激活图做统计对比，得到相对于零假设显著激活的点，则这些点被认为大脑最大概率激活点。

上述ALE方法主要的缺陷在于：(a)一开始建模的时候，认为三元高斯分布的方差是固定的，这样即认为每个种子点在激活分析中发挥的作用相同。实际研究中，每个种子点对激活区域的影响明显不同，这种不同主要体现在激活区域体积、激活强度、激活区域形状等因素上。(b)ALE也不能对大脑中存在的功能连接进行建模计算。

因此需要一种发明来解决上面所说的(a)和(b)两个缺陷，即：改善种子点的概率模型和挖掘大脑中存在的功能连接。

研究大脑功能网络构造的方法主要有动态因果模型（dynamiccasualmodeling，DCM）(Friston,K.J.etal.,.Dynamiccausalmodelling[J].NeuroImage,2003,19(4):1273-1302)，该模型通过把大脑看作一个平衡的系统。当大脑不做任务时，大脑处于平衡状态，各个脑区种子点的时间序列及其间关系组成的常微分方程呈收敛状态，当大脑做某一任务时，相当于对各个脑区及脑区之间的边产生一个扰动，在这个扰动下，大脑各个区域连接的变化即为大脑脑区之间的功能网络。该方法的主要缺陷是，选取脑区种子点必须有专家知识；且选好了种子点后，种子点之间的连接是未知的，需要通过不同的组合来测试各个模型(Bayesianmodelselection,BMS)(Penny,W.D.etal.,.Comparingdynamiccausalmodels[J].NeuroImage,2004,22(3):1157-1172)。比如说，考虑4个脑区，4个脑区之间有12条双向边，它们之间的互联关系有212种不同的可能性，要逐一测试每一种可能性需要大量的时间，并且这种盲目的测试，无先验知识作为指导，因此引入了大量的在先验知识下不可能被解释的互联模型，这些不能被解释的互联模型即是噪声模型，过多的噪声模型使得BMS往往会得到错误的结果。

因此，需要发明一个系统，来指导脑功能网络的先验互联关系，避免让动态因果模型测试没有意义的连接模式，减少动态因果模型需要测试的模型的数量，从而提高动态因果模型得到结论准确度和运算效率。

本发明为首个基于文献分析及核磁功能共振图像分析的脑功能网络连接挖掘系统，该系统结合数据挖掘技术及现有核磁功能共振图像分析技术挖掘在特定认知任务下人类大脑的功能网络。

发明内容

本发明的目的是为了解决认知神经科学中动态因果模型计算脑功能连接时间过长、准确度低的问题，而提出的一种基于文献分析及核磁功能共振图像分析的脑连接挖掘系统及挖掘方法。

本发明的目的是通过下述技术方案实现的。

一种基于文献分析及核磁功能共振图像分析的脑连接挖掘系统，该系统包括动态因果模型模块、激活分析模块、文献连接分析模块、寻找子网络模块、文献数据库、脑网络连接数据库。其中动态因果模型模块完成对fMRI图像的有效功能连接分析，其输入是fMRI机器采集的3D脑图像以及寻找子网络模块输出的大脑子网络，其输出是大脑在做特定任务下的脑有效功能连接；激活分析模块通过分析fMRI图像得到人脑在做特定任务下的激活区域，其输入是fMRI机器采集的3D脑图，其输出是大脑激活的区域以及相应的区域峰值点（种子点）；寻找子网络模块通过求激活分析得到的激活区域和文献连接分析模块输出的网络的交集，从而缩小动态因果模型模块需要验证模型的数量，其输入是激活分析模块得到激活区域和脑网络连接数据库输出的脑网络，其输出是两者的交集；文献连接分析模块通过对前人研究成果的进行总结和升华，从而在单纯的激活分析论文中，发现蕴含在其间的脑功能网络，其输入是前人关于大脑在某一类任务下激活的文章（这些文章的实验范式可能不一样，但是所涉及到的大脑认知方式需要一样，例如：判断押韵汉字任务和默读汉字任务都涉及到大脑对汉字字形视觉分析和字形到语音的映射这一过程，因此这两个认知任务属于同一类别。本专利所提到的论文、文章、文献均属于同一类别的文章），该模块的输出是大脑在做某一类认知任务时的脑有效功能网络；文献数据库模块提供一套界面，完成对文献的关键知识数据进行存储、查询、删除、更新等操作，其输入是各类认知神经科学文章，输出是这些文章的关键结论；脑网络连接数据库模块提供一套接口，完成对文献分析模块输出的网络进行存储、查询、删除、更新等操作，其输入是文献分析模块输出的关于某一类特定任务的脑网络，输出的也是关于某一类特定任务的脑网络。

基于文献分析及核磁功能共振图像分析的脑连接挖掘系统的挖掘方法，具体步骤如下：

步骤一收集论文中所提及的脑激活的体积大小以及该激活区域的峰值点坐标作为输入，通过建立合适的模型，得到在该论文条件下，大脑每个点Xi被激活的概率Pr(Xi)。

步骤二通过步骤一，可以得到在每篇论文中，大脑每个点被激活的概率，将这个概率分布视为一个脑激活概率分布图，通过查询各个脑区解剖边界标注数据库，得到每个脑区解剖区域V的边界。将边界作为积分界限，对解剖区域内的激活概率进行积分：

$\mathrm{Pr}\left(V\right)=\underset{V}{\∫\∫\∫}\mathrm{Pr}\left(X_i\right)\mathrm{dv}---\left(3\right)$

其中，Pr(Xi)为步骤一中得到的区域V内点Xi被激活的概率，Pr(V)为大脑某个脑区V被激活的概率，将Pr(V)大于某一个阈值t的区域按名字输出。这样就得到在该论文中被激活的解剖区域。

步骤三将步骤二中的每一篇论文分配一个独立的标识符（AID），将一篇论文以及其在步骤二中被激活的脑区视为一个事务（transaction），将步骤二中被激活的脑区视为项（item）。一个AID可以对应多个item，一个item也可以对应多个AID，即该脑区在多篇论文中均有激活。多个或一个item出现在一起，称项集（itemset）。一个项集可以对应多个AID，即表示一个脑区集合中所有的脑区，在多篇论文中被激活。定义support(A)为项集A在多篇文章中出现的次数除以步骤一中所收集的文章总数。若support(A)大于某个阈值，例如60%，则称该项集为频繁项集（frequentitemset），则认为该项集内的脑区互相连接的可能性非常大。定义在某个频繁项集S中的脑区a和b，由脑区a推断出脑区b的置信度confidence(a→b)为：

$\mathrm{confidence}(a\→b)=\frac{\mathrm{support}(a\∪b)}{\mathrm{support}\left(a\right)}---\left(4\right)$

若confidence(a→b)大于某一个阈值，例如90%，则认为a到b有一条边连接。通过挖掘频繁项集以及频繁项集中脑区互联的的置信度，即可得到相应的脑网络先验知识。

步骤四在核磁功能共振环境下收集特定认知任务的脑fMRI图像，通过激活分析，分析该图像的激活点，得到该任务下被激活的脑区集合。激活分析需经历：头动校正、时间校正、功能配准、图像归一化、图像切割、平滑滤波、广义线性模型对比等。

步骤五将步骤三得到的脑有效功能连接定义为G＝{V,E}，其中V是脑有效功能连接的顶点集合，E是脑有效功能连接的边集；将步骤四得到的被激活脑区集合定义为V4，即将被激活的脑区视为一个仅包含顶点的网络，该网络顶点的集合为V4；定义G和V4的交集G'为求取子网络中的子网络模块，其中G'＝{(V',E')|V'＝V∩V4且E'∈E且E'中边的顶点＝V}，求取G'，在G'上运行DCM和BMS算法，得到最有可能的大脑有效功能连接。

所述的步骤一中，可以采取不同的模型对大脑中各个点被激活的概率进行建模，这些模型需要满足如下条件：1.离区域峰值坐标越远，该像素被激活的概率越小；2.当被激活脑区体积足够大时，尽管某些点离峰值坐标较远，也不应该忽略其被激活的概率；3.两个激活区域若有重叠，则他们之间被激活的概率也不应该被忽略。在此，本专利暂用如下模型对大脑中各个点的激活概率进行建模，该模型符合上述三个条件。定义Pr(Xi,a)为Xi在激活区域a的影响下，其被激活的概率，则Pr(Xi,a)的定义如下：

$\mathrm{Pr}(X_i,a)=\frac{e^{(-{d_i}^2/2{\mathrm{\σ}}^2)}}{{\left(2\mathrm{\π}\right)}^{1.5}{\mathrm{\σ}}^3}*\frac{\ln {\left(\mathrm{\σ}\right)}^2}{C}---\left(5\right)$

其中，di为Xi和区域a的峰值点坐标之间的欧式距离，σ为以a的峰值点为中心的激活区域体积的立方根，C为一常数，使得Pr(Xi,a)在0至1之间取值。对于每个激活区域及其峰值点a，利用式(5)，Xi都可以得到相应于a的激活概率，然后对这些概率利用公式(2)求并，得到步骤一中的Pr(Xi)。

所述的步骤二中，根据不同的脑区解剖边界标注数据库，可以得到不同级别的脑区激活粒度。脑区解剖边界划分的越细，计算出来的脑网络就越精准。

所述的步骤三中，可以选取任意的关联规则算法挖掘频繁项集和频繁项集中脑区互联的置信度。

有益效果

1、可以从激活分析的文献中，发现蕴含在其中的脑功能连接模式，这是通过人为分析很难办到的事情。

2、通过分析前人的研究成果，得到的脑功能连接，能作为动态因果模型的先验知识，通过该先验知识，可以有效的减少动态因果模型需要测试的模型数量，从而大幅度提升动态因果模型的运算速度。例如，4个脑区，它们之间的互联模式有2¹²种可能，通过先验知识的指导，去掉4条边，则他们之间的互联模式变成2⁸种可能，运算效率速度提升了16倍。

3、通过先验知识指导动态因果模型需要测试的模型数量，避免对毫无意义的互联模式进行计算，减少了动态因果模型中噪声模型的影响，因此提升了动态因果模型的准确率。

附图说明

图1是系统的总体架构;

图2是步骤一至步骤三的流程图;

图3是步骤四的流程图;

图4是步骤五中求取子网络模块的流程图;

图中括号标识的是步骤号，“=”表示赋值；“∪”符号表示对集合求并，将若干个集合的元素合并为一个；圆柱代表运行在服务器上的数据库；箭头代表数据的传输流向；组件框代表运行在特定服务器上的数据处理服务；立方体代表核磁功能共振数据采集设施；图1中大方框代表系统边界;图2中Pr(Xi)表示大脑某个点Xi被激活的概率，AID为文献的唯一标识符，Pr(V)为大脑某个区域被激活的概率，d为事务数据集合(参见步骤三的说明)，g为由文献生成的脑网络，g由若干条边组成;(a,b)表示起点为a，终点为b的一条边；图2中,AAL模板指的是automatedanatomicallabeling的缩写，是一种脑区解剖边界标注数据库；图2、3、4中，方框代表完成特定任务的代码片段；图2中ACLOSE(Pasquier,N.etal.,.Discoveringfrequentcloseditemsetsforassociationrules[C],DatabaseTheory-ICDT'99,Berlin∶SpringerBerlinHeidelberg,1999:398-416)算法为本专利所采用的关联规则挖掘算法；图2中的t和minConfidence为系统运行参数；图4为步骤五中求取子网络G’的流程图，其中V’、V、V4、V1、V2为网络中顶点的集合、E’、E为网络中边的集合，点的集合中两个不同的点可以构成一条边，v1、v2、v均为点集合中的元素，其中V’，E’为要求取的子网络G’的点集和边集，V为步骤三中得到的脑网络的点集，V4为步骤四得到的激活脑区的点集，|V|和|V4|表示集合V和V4的元素的数量，(v1,v2)表示起点为v1，终点为v2的一条边。

具体实施方式

下面结合附图和实施例,对本发明作详细的说明:

如图1所示，本发明的挖掘系统包括动态因果模型模块、激活分析模块、文献连接分析模块、寻找子网络模块、文献数据库、脑网络连接数据库。其中，因为动态因果模型要求图像的重复时间参数越小越好，因此本实施用例中至少需要采用1.5T的fMRI机器来完成。

如步骤一所示，在本专利具体实施中，采用如下模型计算大脑中某个点Xi被激活的概率。定义Pr(Xi,a)为Xi在激活区域a的影响下，其被激活的概率，则Pr(Xi,a)的定义如下：

$\mathrm{Pr}(X_i,a)=\frac{e^{(-{d_i}^2/2{\mathrm{\σ}}^2)}}{{\left(2\mathrm{\π}\right)}^{1.5}{\mathrm{\σ}}^3}*\frac{\ln {\left(\mathrm{\σ}\right)}^2}{C}---\left(5\right)$

其中，di为Xi和区域a的峰值点之间的欧式距离，σ为以a的峰值点为中心的激活区域体积的立方根，C为一常数值，使得Pr(Xi,a)在0到1之间取值。对于每个激活区域及其峰值点，利用式(5)，Xi都可以得到相应激活的概率，然后对这些概率利用公式(2)求并，从而得到Xi被激活的概率Pr(Xi)。该模型满足步骤一所述的三个条件。

如步骤二所示，本专利采取automatedanatomicallabeling（AAL）（Tzourio-Mazoyer,N.etal.,.AutomatedanatomicallabelingofactivationsinSPMusingamacroscopicanatomicalparcellationoftheMNIMRIsingle-subjectbrain[J].Neuroimage,2002,15(1):273-289）作为脑区解剖边界标注数据库。

如步骤三所示，考虑到性能和算法复杂性的平衡，本专利采用ACLOSE算法完成对频繁项集以及频繁项集中脑区互联的的置信度的挖掘。为了进一步加速该算法的运行速度，对集合的操作，采用哈希表完成。

激活分析模块采用图3所描述的流程实现。其中头动校正将大脑看成刚体，在三维空间中平移旋转，通过最小二乘法拟合后续被对齐的头像和首幅图像之间的差异，来校正头像(Hajnal,J.V.etal.,Artifactsduetostimuluscorrelatedmotioninfunctionalimagingofthebrain[J].Magneticresonanceinmedicine,1994,31(3):283-291)。时间校正则认为脑图中的切片是离散的时间序列，需要通过插值拟合来模拟连续的时间序列，一般采用正弦内插法来插值(Henson,R.N.A.etal.,Theslice-timingprobleminevent-relatedfMRI[J].Neuroimage,1999,9:125)。由于人脑的大小是不同的，即使是同一个人，不同时间段拍摄的脑图，大小也可能不一样，因此需要一个统一的三维坐标来表示人脑；认知神经科学和医学所公认的坐标系有Talairach坐标系和MNI坐标系，将脑图配准到Talairach坐标系正是图像功能配准模块所需要做的事情，该模块可参见算法(Collignon,A.etal.,.Automatedmulti-modalityimageregistrationbasedoninformationtheory[J].Informationprocessinginmedicalimaging,1995,3:264-274)。图像分割主要是为了分割出脑脊液等不属于大脑皮层的部分，这部分采用的算法源自于(Ashburner,J.,&Friston,K.J.Unifiedsegmentation[J].Neuroimage,2005,26(3):839-851)。fMRI图像归一化主要是采用图像缩放技术，将不同时间段采集的图像归一到同一尺寸。图像平滑滤波(Kruggel,F.etal.,ComparisonoffilteringmethodsforfMRIdatasets[J].Neuroimage,1999,10(5):530-543)，主要是为了去除图像中的噪声，利用高斯滤波，可以非常有效的去除噪声。fMRI时间序列模型的确立，主要利用广义线性模型，对不同的fMRI时间序列进行建模(Friston,K.J.etal.,.CharacterizingdynamicbrainresponseswithfMRI:amultivariateapproach[J],Neuroimage,1995,2(2PA):166-172)。当建模结束之后，利用回归分析，得到模型的参数值，即可分析出不同实验条件下，哪些脑区显著激活。

该模块可以参考上述参考文献实现也可以利用借用开源软件工具包来实现，例如:SPM(http://www.fil.ion.ucl.ac.uk/spm/)、AFNI(http://afni.nimh.nih.gov/afni/)等。

图2描述的是文献分析模块的总体流程，该流程也是本系统的核心模块。其中，对大脑的某个点Xi被激活的概率Pr(Xi)的计算可以采取不同的模型，本专利中采用式(5)提到的模型实现；对频繁项集的挖掘亦可采用不同的算法，本专利中采用ACLOSE算法。在ACLOSE算法以及后续的集合运算中，为了提升算法的性能，用哈希表来存储脑区激活，这样可以迅速定位一个脑区是否在一个脑区集合中，加速对集合的操作；对脑区的表示，可以采用享元模式，节约内存的使用。

图4描述的是寻找子网络模块，该模块采用一种启发式的方式判断两个顶点集合的交集，即：选取两个集合中元素较少的一个集合，测试该集合中的每个元素是否在元素较多的那个集合中，若是，则输出该元素。

由于动态因果模型是SPM开源工具包的核心方法，因此动态因果模型模块采用开源工具SPM软件包实现。

文献数据库模块和脑网络连接数据库采用mysql5.5及hibernate4.0作为数据库查询，存储界面。

Claims (5)

1.一种基于文献分析及核磁功能共振图像分析的脑连接数据挖掘系统，其特征在于：包括动态因果模型模块、激活分析模块、文献连接分析模块、寻找子网络模块、文献数据库模块、脑网络连接数据库模块；其中，

动态因果模型模块完成对核磁功能共振图像的有效功能连接分析，其输入是核磁功能共振图像机器采集的3D脑图像以及寻找子网络模块输出的大脑子网络，其输出是大脑在做特定任务下的脑有效功能连接；

激活分析模块通过分析核磁功能共振图像得到人脑在做特定任务下的激活区域，其输入是核磁功能共振图像机器采集的3D脑图，其输出是大脑激活的区域以及相应的区域峰值点；

寻找子网络模块通过求激活分析模块得到的激活区域和文献连接分析模块输出的网络的交集，从而缩小动态因果模型模块需要验证模型的数量，其输入是激活分析模块得到激活区域和文献连接分析模块输出的脑网络，其输出是两者的交集；

文献连接分析模块分析前人文献中脑区激活分析的研究成果，发现蕴含在其间的脑功能网络，其输入是前人关于大脑在特定任务下激活的文章，该模块的输出是大脑在做某一类认知任务时的脑有效功能网络；

文献数据库模块提供一套界面，完成对文献的关键知识数据进行存储、查询、删除、更新操作，其输入是各类认知神经科学文章，输出是这些文章的关键结论；

脑网络连接数据库模块提供一套接口，完成对文献分析模块输出的网络进行存储、查询、删除、更新操作，其输入是文献分析模块输出的关于某一类特定任务的脑网络，输出的结果也是关于某一类特定任务的脑网络。

2.基于文献分析及核磁功能共振图像分析的脑连接挖掘系统的挖掘方法，其特征在于，具体步骤如下：

步骤一，收集论文中所提及的脑激活区域的体积以及该激活区域的峰值点坐标作为输入，通过建立合适的模型，得到在该论文条件下，大脑每个点X_i被激活的概率Pr(X_i)；

步骤二，通过步骤一，得到在每篇论文中，大脑每个点被激活的概率，将这个概率分布视为一个脑激活概率分布图，通过查询某些脑区解剖边界标注数据库，得到每个脑区解剖区域V的边界；将边界作为积分界限，对解剖区域内的激活概率进行积分：

$\mathrm{Pr}\left(V\right)=\underset{V}{\∫\∫\∫}\mathrm{Pr}\left(X_i\right)dv--\left(3\right)$

其中,Pr(X_i)为步骤一中得到的属于区域V内点X_i被激活的概率，Pr(V)为大脑某个脑区V被激活的概率，将Pr(V)大于某一个阈值t的区域按名字输出，这样就得到在该论文中被激活的解剖区域；

步骤三，将步骤二中的每一篇论文分配一个独立的标识符，将一篇论文以及其在步骤二中被激活的脑区视为一个事务，将步骤二中被激活的脑区视为项；多个或一个项出现在一起，称项集，一个项集对应多个标识符；定义support(A)为项集A在多篇文章中出现的次数除以文章的总数；若support(A)大于某个阈值，则称该项集为频繁项集，则认为该项集内的脑区之间存在功能连接；定义在某个频繁项集S中脑区a和b，由脑区a推断出脑区b的置信度confidence(a→b)为：

$confidence(a\→b)=\frac{\sup port\left(a\∪b\right)}{\sup port\left(a\right)}---\left(4\right)$

若confidence(a→b)大于某一个阈值，则认为a到b有一条边连接；通过挖掘频繁项集以及频繁项集中脑区互联的的置信度，即得到相应的脑先验知识网络；

步骤四，在核磁功能共振环境下收集特定认知任务的脑核磁功能共振图像，并通过激活分析，分析该图像的激活点；

步骤五，将步骤三得到的脑有效功能连接定义为G＝{V,E}，其中V是脑有效功能连接的顶点集合，E是脑有效功能连接的边集，将步骤四得到被激活脑区定义为V4，定义两者的交集G'为求取子网络中的子网络模块，其中G'＝{(V',E')|V'＝V∩V4且E'∈E且E'中边的顶点＝V}，求取G'，在G'上运行动态因果模型和贝叶斯比较算法，得到相应的大脑有效功能连接。

3.根据权利要求2所述的基于文献分析及核磁功能共振图像分析的脑连接挖掘系统的挖掘方法，其特征在于：所述的步骤一中，采取不同的模型对大脑中各个点被激活的概率进行建模，这些模型需要满足如下条件：1)离区域峰值坐标越远，像素被激活的概率越小；2)当被激活脑区的体积足够大时，尽管某些点离峰值坐标较远，也不应该忽略其被激活的概率；3)两个激活区域若有重叠，则他们之间被激活的概率也不应该被忽略；

定义Pr(X_i,a)为X_i在激活区域a的影响下，其被激活的概率，则Pr(X_i,a)的定义如下：

$\mathrm{Pr}(X_i,a)=\frac{e^{(-{d_i}^2/2{\mathrm{\σ}}^2)}}{{\left(2\mathrm{\π}\right)}^{1.5}{\mathrm{\σ}}^3}*\frac{\ln {\left(\mathrm{\σ}\right)}^2}{C}---\left(5\right)$

其中，d_i为X_i和区域a的峰值点之间的欧式距离，σ为以a的峰值点为中心的激活范围大小的立方根，C为一常数，使得Pr(X_i,a)取值在0到1之间；对于每个激活区域及其峰值点，X_i都得到相应激活的概率，然后对这些概率利用下式求并:

Pr(X_i,a,b)＝Pr(X_i,a)+Pr(X_i,b)-Pr(X_i,a)*Pr(X_i,b)(2)

其中Pr(X_i,a,b)为在种子点集合a和集合b的联合影响下，X_i被激活的概率；Pr(X_i,a)为X_i在种子点集合a影响下，被激活的概率；当a为一个种子点时，Pr(X_i,a)同式(5)；否则，对a中包含的每个种子点迭代应用公式(2)即得到Pr(X_i,a)。

4.根据权利要求2所述的基于文献分析及核磁功能共振图像分析的脑连接挖掘系统的挖掘方法，其特征在于：所述的步骤二中，根据不同的脑区解剖边界标注数据库，得到不同级别的脑区激活粒度。

5.根据权利要求2所述的基于文献分析及核磁功能共振图像分析的脑连接挖掘系统的挖掘方法，其特征在于：所述的步骤三中，选取任意的关联规则算法挖掘频繁项集和频繁项集中脑区互联的置信度。