CN103823984B - 脑网络动态差异实时度量方法 - Google Patents

Abstract

本发明涉及一种脑网络动态差异实时度量方法，含有如下步骤：步骤1：针对某一被试对象获取fMRI训练数据，根据该fMRI训练数据计算脑网络的两个待比较DCM模型；步骤2：根据两个待比较DCM模型定义参考模型；步骤3：计算两个待比较DCM模型的先验分布；步骤4：参考模型后验参数估计；步骤5：计算脑网络动态差异值，并输出计算结果；步骤6：判断是否有新的fMRI实时数据y；如有，执行步骤7；如没有，执行步骤8；步骤7：获取下一个时刻的fMRI实时数据y，然后，执行步骤4；步骤8：结束。本发明速度快，可实现脑网络动态差异的实时度量。

Description

脑网络动态差异实时度量方法

（一）、技术领域：本发明涉及一种脑网络检测分析方法，特别是涉及一种脑网络动态差异实时度量方法。

（二）、背景技术:近二十年来，随着脑影像技术的进步，脑科学的研究进入了一个高速发展时期。功能磁共振成像（functional magnetic resonance imaging,fMRI）作为一种非侵入式脑功能检测技术，凭借其良好的时间和空间分辨率综合性能，成为脑科学研究中应用最广泛的脑成像技术。

进入21世纪，脑科学的研究重点逐渐从简单的功能脑区激活研究过渡到脑连接与功能网络分析。脑网络的深入研究与分析将为深入探索大脑功能的神经活动规律及揭示各种神经精神疾病的发病机理提供有力的支持。

目前，人们越来越关注大脑认知状态变化，也正积极探索基于大脑可塑性进行认知调节的可行性。与大脑认知机理以及与之相关的神经精神疾病研究表明，大脑特定的认知状态与特定的脑网络连接关系密切相关，认知的调节通常意味着大脑网络连接的改变。因此，如何度量大脑在当前时刻认知状态对应的脑网络与正常脑网络之间的差异，实时刻画脑网络连接的变化程度，是掌握脑网络的动态变化过程并开展认知调节研究需要解决的基础问题。

目前，基于fMRI的脑网络分析自提出以来一直是脑功能研究中的热点问题之一。脑网络的连接通常分为三种类型：即：脑结构连接、脑功能连接和脑有效连接。其中脑有效连接反映一个脑区的活动对另一个脑区活动所施加的影响，可以更精确地阐述不同脑区的神经活动之间的耦合关系，已成为脑网络连接的主要研究内容。1995年，Friston等人提出了心理生理交互（psychophysiological interaction,PPI）方法，首次对fMRI数据进行了有效连接分析的研究。随后，一些研究者开始使用结构方程模型（structural equationmodel,SEM）进行有效连接分析。2003年Friston等人提出的动态因果模型（dynamic causalmodel,DCM）和Goebel等人首次用于有效连接分析的Granger因果模型（Granger causalitymodel,GCM）成为了目前研究中使用最多的有效连接分析方法。与GCM相比，DCM考虑了血液动力学响应的影响，它在神经活动水平和血液动力学水平同时建立模型，并将其进行整合。因此，DCM具有建模精确，结果可信度高等优势，成为了脑网络分析中的有效方法。

实时功能磁共振成像技术（real-time fMRI,rt-fMRI）是一种通过快速成像和实时计算实现的脑功能成像和分析技术，利用该技术目前已经可以实现脑区激活的实时分析。但是，由于描述大脑网络有效连接的DCM模型较为复杂，通过DCM模型实时比较两个网络的动态差异是目前一个很难解决的问题。2013年，Koush等人基于DCM提出了一种脑网络的动态神经反馈方法，为rt-fMRI技术应用于脑网络分析进行了有益探索。但由于该方法需要进行两次脑网络DCM模型估计，计算复杂程度高，在运算速度上很难达到实时计算的要求。

发明内容

本发明要解决的技术问题是：克服现有技术的缺陷，提供一种脑网络动态差异实时度量方法，该方法速度快，可实现脑网络动态差异的实时度量。

本发明的技术方案：

一种脑网络动态差异实时度量方法，含有如下步骤：

步骤1：针对某一被试对象获取fMRI训练数据，根据该fMRI训练数据计算脑网络的两个待比较DCM模型；

步骤2：根据两个待比较DCM模型定义参考模型；

步骤3：计算两个待比较DCM模型的先验分布；

步骤4：参考模型后验参数估计；

步骤5：计算脑网络动态差异值，并输出计算结果；

步骤6：判断是否有新的fMRI实时数据y；如有，执行步骤7；如没有，执行步骤8；

步骤7：获取下一个时刻的fMRI实时数据y，然后，执行步骤4；

步骤8：结束。

步骤2中参考模型的定义方法如下：

设两个待比较的DCM模型分别为模型m₁和模型m₂，模型m₁和模型m₂的模型参数集分别记为参数集一和参数集二，参数集一由连接矩阵A₁、连接矩阵B₁、连接矩阵C₁组成，参数集二由连接矩阵A₂、连接矩阵B₂、连接矩阵C₂组成；基于模型m₁和模型m₂定义模型m_R，模型m_R对应的脑网络称为参考连接网络，将参考连接网络的参数集记为θ_R，参数集θ_R由连接矩阵A_R、连接矩阵B_R、连接矩阵C_R组成；连接矩阵A₁、连接矩阵B₁、连接矩阵C₁、连接矩阵A₂、连接矩阵B₂、连接矩阵C₂、连接矩阵A_R、连接矩阵B_R、连接矩阵C_R的大小都相同；

对连接矩阵A_R、连接矩阵B_R、连接矩阵C_R中的各个元素，如果连接矩阵A₁、连接矩阵B₁、连接矩阵C₁中相同位置上的对应元素不为0，或者连接矩阵A₂、连接矩阵B₂、连接矩阵C₂中相同位置上的对应元素不为0，则连接矩阵A_R、连接矩阵B_R、连接矩阵C_R中的该元素不为0；

步骤3中先验分布的计算方法为：将模型m₁和模型m₂都看作模型m_R的退化模型，即令模型m_R的参数集θ_R中的部分连接参数θ₁和连接参数θ₂为0，就得到了相应的模型m₁和模型m₂；此时，用模型m₁和fMRI实时数据y计算连接参数θ₁为0时的后验概率，用模型m₂和fMRI实时数据y计算连接参数θ₂为0时的后验概率，以衡量由模型m₁或模型m₂生成fMRI实时数据y的可能性，同时，计算连接参数θ₁和连接参数θ₂在模型m_R下的先验分布p(θ₁=0|m_R)和p(θ₂=0|m_R)，计算公式为：

其中，θ_Rp为均值，C_p为方差，均值θ_Rp和方差C_p使用DCM模型先验参数估计方法得到，n为参数集θ_R所含连接参数的个数；

步骤4中参考模型后验参数估计方法为：

使用DCM方法估计模型m_R下参数集θ_R的后验概率，该后验概率记为q(θ_i|y,m_R)，而后计算q(θ₁=0|y,m_R)和q(θ₂=0|y,m_R)；为了保证DCM方法进行参数估计的速度，可以采取减少迭代轮数的方式进行速度与精度的折中；

步骤5：脑网络动态差异值的计算方法为：

根据Bayesian公式分别计算模型m1和模型m2的似然函数p(y|θ₁=0,m_R)和似然函数p(y|θ₂=0,m_R)：

将似然函数p(y|θ₁=0,m_R)和似然函数p(y|θ₂=0,m_R)相除，得到模型m₁相对模型m₂的脑网络动态差异值ratio：

其中，p(y|m_R)表示在模型m_R下得到fMRI实时数据y的概率，此项会在后面的除法运算中抵消掉，不需要计算；p(θ₁=0|y,m_R)表示在θ₁=0及m_R模型下得到数据y的概率；p(θ₂=0|y,m_R)表示在θ₂=0及m_R模型下得到数据y的概率。

步骤1中的fMRI训练数据是磁共振成像设备预先进行实验采集的数据，fMRI实时数据y是磁共振成像设备在实际检测时采集到的数据。

本发明的有益效果：

本发明首先通过预实验数据计算两个动态因果模型，并基于此定义一个参考模型，而后计算相关模型的先验分布，并对参考模型进行后验参数估计，最后利用参数的后验概率快速计算网络动态差异值；本发明创新性地通过一次参数估计同时得到两个脑网络模型的参数后验概率，并快速求出网络动态差异值，使得计算速度显著提升，脑网络动态差异的度量更加快速，实现了脑网络动态差异的实时度量，对于揭示脑功能活动过程中脑网络的动态变化过程具有重要意义。

附图说明

图1为脑网络动态差异实时度量方法的流程示意图；

图2为模型m₁的结构示意图；

图3为模型m₂的结构示意图；

图4为模型m_R的结构示意图。

具体实施方式

参见图1～图4，脑网络动态差异实时度量方法含有如下步骤：

步骤1：针对某一被试对象获取fMRI训练数据，根据该fMRI训练数据计算脑网络的两个待比较DCM模型；

步骤2：根据两个待比较DCM模型定义参考模型；

步骤3：计算两个待比较DCM模型的先验分布；

步骤4：参考模型后验参数估计；

步骤5：计算脑网络动态差异值，并输出计算结果；

步骤6：判断是否有新的fMRI实时数据y；如有，执行步骤7；如没有，执行步骤8；

步骤7：获取下一个时刻的fMRI实时数据y，然后，执行步骤4；

步骤8：结束。

步骤2中参考模型的定义方法如下：

设两个待比较的DCM模型分别为模型m₁和模型m₂，模型m₁和模型m₂的模型参数集分别记为参数集一和参数集二，参数集一由连接矩阵A₁、连接矩阵B₁、连接矩阵C₁组成，参数集二由连接矩阵A₂、连接矩阵B₂、连接矩阵C₂组成；基于模型m₁和模型m₂定义模型m_R，模型m_R对应的脑网络称为参考连接网络，将参考连接网络的参数集记为θ_R，参数集θ_R由连接矩阵A_R、连接矩阵B_R、连接矩阵C_R组成；连接矩阵A₁、连接矩阵B₁、连接矩阵C₁、连接矩阵A₂、连接矩阵B₂、连接矩阵C₂、连接矩阵A_R、连接矩阵B_R、连接矩阵C_R的大小都相同；

对连接矩阵A_R、连接矩阵B_R、连接矩阵C_R中的各个元素，如果连接矩阵A₁、连接矩阵B₁、连接矩阵C₁中相同位置上的对应元素不为0，或者连接矩阵A₂、连接矩阵B₂、连接矩阵C₂中相同位置上的对应元素不为0，则连接矩阵A_R、连接矩阵B_R、连接矩阵C_R中的该元素不为0；

步骤3中先验分布的计算方法为：将模型m₁和模型m₂都看作模型m_R的退化模型，即令模型m_R的参数集θ_R中的部分连接参数θ₁和连接参数θ₂为0，就得到了相应的模型m₁和模型m₂；此时，用模型m₁和fMRI实时数据y计算连接参数θ₁为0时的后验概率，用模型m₂和fMRI实时数据y计算连接参数θ₂为0时的后验概率，以衡量由模型m₁或模型m₂生成fMRI实时数据y的可能性，同时，计算连接参数θ₁和连接参数θ₂在模型m_R下的先验分布p(θ₁=0|m_R)和p(θ₂=0|m_R)，计算公式为：

其中，θ_Rp为均值，C_p为方差，均值θ_Rp和方差C_p使用DCM模型先验参数估计方法得到，n为参数集θ_R所含连接参数的个数；

步骤4中参考模型后验参数估计方法为：

使用DCM方法估计模型m_R下参数集θ_R的后验概率，该后验概率记为q(θ_i|y,m_R)，而后计算q(θ₁=0|y,m_R)和q(θ₂=0|y,m_R)；为了保证DCM方法进行参数估计的速度，可以采取减少迭代轮数的方式进行速度与精度的折中；

步骤5：脑网络动态差异值的计算方法为：

根据Bayesian公式分别计算模型m₁和模型m₂的似然函数p(y|θ₁=0,m_R)和似然函数p(y|θ₂=0,m_R)：

将似然函数p(y|θ₁=0,m_R)和似然函数p(y|θ₂=0,m_R)相除，得到模型m₁相对模型m₂的脑网络动态差异值ratio：

其中，p(y|m_R)表示在模型m_R下得到fMRI实时数据y的概率，此项会在后面的除法运算中抵消掉，不需要计算；p(θ₁=0|y,m_R)表示在θ₁=0及m_R模型下得到数据y的概率；p(θ₂=0|y,m_R)表示在θ₂=0及m_R模型下得到数据y的概率。

步骤1中的fMRI训练数据是磁共振成像设备预先进行实验采集的数据，fMRI实时数据y是磁共振成像设备在实际检测时采集到的数据。

Claims (2)

1.一种脑网络动态差异实时度量方法，其特征是：含有如下步骤：

步骤1：针对某一被试对象获取fMRI训练数据，设两个待比较的DCM模型分别为模型m₁和模型m₂，根据该fMRI训练数据计算脑网络的两个待比较DCM模型；

步骤2：根据两个待比较DCM模型定义参考模型，模型m₁和模型m₂的模型参数集分别记为参数集一和参数集二，参数集一由连接矩阵A₁、连接矩阵B₁、连接矩阵C₁组成，参数集二由连接矩阵A₂、连接矩阵B₂、连接矩阵C₂组成；基于模型m₁和模型m₂定义模型m_R，模型m_R对应的脑网络称为参考连接网络，将参考连接网络的参数集记为θ_R，参数集θ_R由连接矩阵A_R、连接矩阵B_R、连接矩阵C_R组成；连接矩阵A₁、连接矩阵B₁、连接矩阵C₁、连接矩阵A₂、连接矩阵B₂、连接矩阵C₂、连接矩阵A_R、连接矩阵B_R、连接矩阵C_R的大小都相同；

对连接矩阵A_R、连接矩阵B_R、连接矩阵C_R中的各个元素，如果连接矩阵A₁、连接矩阵B₁、连接矩阵C₁中相同位置上的对应元素不为0，或者连接矩阵A₂、连接矩阵B₂、连接矩阵C₂中相同位置上的对应元素不为0，则连接矩阵A_R、连接矩阵B_R、连接矩阵C_R中的该元素不为0；；

步骤3：计算两个待比较DCM模型的先验分布，其计算方法为：将模型m₁和模型m₂都看作模型m_R的退化模型，即令模型m_R的参数集θ_R中的部分连接参数θ₁和连接参数θ₂为0，就得到了相应的模型m₁和模型m₂；此时，用模型m₁和fMRI实时数据y计算连接参数θ₁为0时的后验概率，用模型m₂和fMRI实时数据y计算连接参数θ₂为0时的后验概率，以衡量由模型m₁或模型m₂生成fMRI实时数据y的可能性，同时，计算连接参数θ₁和连接参数θ₂在模型m_R下的先验分布p(θ₁＝0|m_R)和p(θ₂＝0|m_R)，计算公式为：

$p\left({\mathrm{\θ}}_1=0|m_R\right)=\frac{1}{{\left(\sqrt{2\mathrm{\π}}\right)}^n{C}_p}\·\exp \left(\frac{-{\left({\mathrm{\θ}}_1-{\mathrm{\θ}}_{Rp}\right)}^2}{2{C_p}^2}\right);$

$p\left({\mathrm{\θ}}_2=0|m_R\right)=\frac{1}{{\left(\sqrt{2\mathrm{\π}}\right)}^n{C}_p}\·\exp \left(\frac{-{\left({\mathrm{\θ}}_2-{\mathrm{\θ}}_{Rp}\right)}^2}{2{C_p}^2}\right);$

其中，θ_Rp为均值，C_p为方差，均值θ_Rp和方差C_p使用DCM模型先验参数估计方法得到，n为参数集θ_R所含连接参数的个数；

步骤4：参考模型后验参数估计，其方法为：

使用DCM方法估计模型m_R下参数集θ_R的后验概率，该后验概率记为q(θ_i|y,m_R)，而后计算q(θ₁＝0|y,m_R)和q(θ₂＝0|y,m_R)；为了保证DCM方法进行参数估计的速度，采取减少迭代轮数的方式进行速度与精度的折中；

步骤5：计算脑网络动态差异值，并输出计算结果；其中脑网络动态差异值的计算方法为：

根据Bayesian公式分别计算模型m₁和模型m₂的似然函数p(y|θ₁＝0,m_R)和似然函数p(y|θ₂＝0,m_R)：

$p\left(y\right|{\mathrm{\θ}}_1=0,m_R)=\frac{p({\mathrm{\θ}}_1=0|y,m_R)p\left(y\right|m_R)}{p({\mathrm{\θ}}_1=0|m_R)}$

$p\left(y\right|{\mathrm{\θ}}_2=0,m_R)=\frac{p({\mathrm{\θ}}_2=0|y,m_R)p\left(y\right|m_R)}{p({\mathrm{\θ}}_2=0|m_R)}$

将似然函数p(y|θ₁＝0,m_R)和似然函数p(y|θ₂＝0,m_R)相除，得到模型m₁相对模型m₂的脑网络动态差异值ratio：

$ratio=\frac{p\left(y\right|{\mathrm{\θ}}_1=0,m_R)}{p\left(y\right|{\mathrm{\θ}}_2=0,m_R)}=\frac{p({\mathrm{\θ}}_1=0|y,m_R)p({\mathrm{\θ}}_2=0|m_R)}{p({\mathrm{\θ}}_1=0|m_R)p({\mathrm{\θ}}_2=0|y,m_R)}\≈\frac{q({\mathrm{\θ}}_1=0|y,m_R)p({\mathrm{\θ}}_2=0|m_R)}{p({\mathrm{\θ}}_1=0|m_R)q({\mathrm{\θ}}_2=0|y,m_R)}$

其中，p(y|m_R)表示在模型m_R下得到fMRI实时数据y的概率；p(θ₁＝0|y,m_R)表示在θ₁＝0及m_R模型下得到数据y的概率；p(θ₂＝0|y,m_R)表示在θ₂＝0及m_R模型下得到数据y的概率；

步骤6：判断是否有新的fMRI实时数据y；如有，执行步骤7；如没有，执行步骤8；

步骤7：获取下一个时刻的fMRI实时数据y，然后，执行步骤4；

步骤8：结束。

2.根据权利要求1所述的脑网络动态差异实时度量方法，其特征是：所述步骤1中的fMRI训练数据是磁共振成像设备预先进行实验采集的数据，fMRI实时数据y是磁共振成像设备在实际检测时采集到的数据。