CN106447023B - 基于模体结构的大脑默认网络有向连接分析方法 - Google Patents
基于模体结构的大脑默认网络有向连接分析方法 Download PDFInfo
- Publication number
- CN106447023B CN106447023B CN201610691569.6A CN201610691569A CN106447023B CN 106447023 B CN106447023 B CN 106447023B CN 201610691569 A CN201610691569 A CN 201610691569A CN 106447023 B CN106447023 B CN 106447023B
- Authority
- CN
- China
- Prior art keywords
- die body
- network
- node
- brain
- degree
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 100
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000003925 brain function Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 208000018152 Cerebral disease Diseases 0.000 abstract description 9
- 238000000034 method Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 12
- 230000002490 cerebral effect Effects 0.000 description 7
- 208000018737 Parkinson disease Diseases 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 4
- 238000000692 Student's t-test Methods 0.000 description 3
- 238000010832 independent-sample T-test Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012353 t test Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 230000005311 nuclear magnetism Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于模体结构的大脑默认网络有向连接分析方法。对大脑fMRI图像进行格式转换、预处理和低频滤波,并与标准分区模板匹配;对fMRI图像进行ALFF计算,提取相关脑区的时间序列进行Granger因果分析,构建默认网络;搜索网络中存在的模体结构,确定模体的种类及数量;根据p值、Z得分等指标判断模体在默认网络有向连接中的重要程度;计算模体中的节点度和模体平均距离,分析脑区在模体和默认网络中的作用及信息传递速率;对患者组与正常人组进行统计分析,通过模体分布情况找出默认网络有向连接的显著差异。该方法有助于区分脑疾病患者与正常人默认网络的功能性差异,对于脑疾病的诊断和治疗具有一定的参考价值。
Description
技术领域
本发明涉及一种基于医学影像的大脑功能分析方法,具体是一种基于模体结构的大脑默认网络有向连接分析方法,属于生物医学信息处理技术领域。
背景技术
人类大脑是自然界中存在的一种极其复杂的系统,研究人员将其构造成一个复杂网络系统进行分析。大脑在进行一项不论是主观意识或是潜在意识的活动时,需要各个区域进行相互作用、相互联系,形成相应的网络结构。目前,脑网络已经成为脑科学研究的一个重要领域,并且在不断发展。
近年来,科学家们提出了默认模式网络(DMN)的概念,它已经成为认知神经科学、精神性或神经性脑疾病等领域的研究重点。研究人员认识到构建大脑网络动态模型的重要性,开展了一系列针对大脑功能连接的研究,希望在广泛的时空尺度上将大脑连接成动态的功能网络,并且借助当前先进的技术手段进一步挖掘大脑网络的连接特性,这对于大脑默认脑区的研究有着极其重要的推动作用。
脑电图(Electroencephalogram,EEG)是目前最敏感的脑功能监测方法,但空间分辨率只能达到厘米级别,并且容易受多种因素干扰,在很多研究中不能作为大脑功能网络分析的唯一依据。脑影像技术能够从微观和宏观上分析大脑功能网络特性的变化。基于血液氧合依赖水平(Blood Oxygen Level Dependent,BOLD)的功能磁共振成像(functionalMagnetic Resonance Imaging,fMRI)技术利用磁共振造影来测量神经元活动所引发的氧合血红蛋白含量变化,不仅时间分辨率更高,其空间分辨率也可达到毫米水平。作为一种非损伤性脑成像技术,磁共振成像在脑功能研究中发挥了不可替代的作用。借助磁共振成像技术可以对正常人及脑疾病患者的大脑默认脑区进行研究,分析相关脑区的信息传递方式。
在研究大脑默认网络的有向连接时,需要对网络的拓扑结构和动态特征有着很清晰的了解,而模体则是网络的基本拓扑结构之一,由少数几个节点连接构成。它的定义为:1)该子图在与真实网络相对应的随机网络中出现的次数大于在真实网络中出现的次数的概率很小,一般要求概率小于某个阈值p,如p=0.01;2)该子图在真实网络中出现的次数Nreal不小于某个下限U;3)该子图在真实网络中出现的次数Nreal明显高于在随机网络中的次数,一般要求(Nreal—Nrand)>0.1Nrand。使用p值和Z得分来衡量相关脑区组成的模体在默认网络有向连接中的作用程度。当前,在国内外专利文献中很少涉及利用模体结构分析大脑默认网络有向连接的内容。结合功能磁共振成像技术对大脑默认网络进行研究,有助于区分脑疾病患者与正常人默认网络的功能性差异,对于大脑疾病的的诊断和治疗具有一定的参考价值。
发明内容
针对现有技术存在的不足之处和实际应用的需要,本发明要解决的问题是:
提供一种基于模体结构的大脑默认网络有向连接的分析方法,实现对大脑默认网络中模体结构的判定和脑区有向连接的分析。
为了达到上述目的,本发明采用以下技术方案:
将核磁共振设备采集到的大脑图像进行读取和格式转换;然后对原始数据进行预处理,包括时间校正、头动校正、空间配准、标准化和平滑;最后进行低频滤波,降低低频漂移及高频的噪音;
进一步,选定一种标准化大脑分区模板与预处理后的核磁图像进行匹配,将大脑划分为若干脑区,每个脑区对应脑功能网络中的一个节点;
进一步,对预处理后的fMRI数据进行ALFF计算,提取时间序列;将去除线性漂移后的时间序列经过0.01~0.08Hz的带通滤波器进行滤波,滤波后经快速傅里叶变换后得到功率谱,功率谱平均平方根即为ALFF;
进一步,根据选定的标准化大脑分区模板,选取大脑默认脑区的时间序列,构建基于时间序列的大脑默认网络;对选定的大脑默认脑区构成的网络进行Granger因果关系分析,得到所选取节点形成的网络结构图:
在大脑网络中,若节点X和节点Y的时间序列分别为xt和yt,考虑两个变量的时域回归模型:
式中,A1i、B1i为模型拟合系数;a1t、b1t为预估误差项;D(a1t)=U1,D(b1t)=V1为误差项的方差;
由式(1)、式(2)可知,由节点X或Y过去的状态分别预估X或Y的t时刻状态。考虑变量之间的相互联系,节点X和Y有如下回归模型:
式中,A2i、B2i、C2i、D2i为模型拟合系数,a2t、b2t为预估误差项;D(a2t)=U2,D(b2t)=V2为误差项的方差;
将Y对X的作用以及X对Y的作用分别定义为:
F1=ln(U1/U2) (5)
F2=ln(V1/V2) (6)
进一步,根据大脑默认网络结构图,对网络进行分析,验证模体的存在性;对于不同节点数的子图g,若该子图的p值小于0.01,且它在真实网络中出现的频率远高于在随机网络中出现的频率,则认为该子图是选取脑区构建的默认网络的模体,相反则不是构建网络的模体;
进一步,检测到模体后,得到该网络中模体的p值;p值越小,表明相关节点组成的模体结构在默认网络中越重要;
进一步,计算模体的Z得分,对于模体Mi,在真实网络中出现的次数为Nreali,在随机网络中出现的次数为Nrandi,Nrandi的平均值记为<Nrandi>,标准差为σrandi,则模体Mi在真实网络中的Z得分为:
Z得分越大,表明该模体在网络中的重要程度越高;
进一步,利用节点度确定模体中节点的作用程度;节点度分为节点出度和入度,研究模体中节点的出度、入度,了解相关默认脑区在网络中的有向连接强度;若网络G中有n个节点,节点vi的度为wi,则节点vi的出度、入度分别为和则有:
节点的度越大,表明该节点在默认网络中的作用程度越大;若节点只有出度或入度,表明该节点在网络中的连接强度相对较弱;
进一步,计算模体中节点的距离,分析信息在模体结构和默认网络中的传递速率;定义模体中节点vi到vj的距离dij为节点vi到vj所要经历的边的最小数目,它的倒数1/dij为节点vi到vj的效率,记为εij;模体的效率Lc定义为:
式中,N为模体中的节点数目;模体中节点的距离越大,则节点间的效率越小,模体结构的效率就越低;
进一步,对被试者的功能磁共振成像数据进行单样本t检验统计分析,分析相关脑区显著是否高于大脑均值;
式中,为脑区X时间序列的均值,S为脑区X时间序列的标准差,为总体脑区时间序列的均值;
进一步,对脑疾病患者与正常人的功能磁共振成像数据进行两独立样本t检验统计分析,研究两组不同的被试者脑区间的有向连接是否有显著差异;
式中,分别为患者和正常人默认脑区时间序列的均值,Sx 2、Sy 2为二者的均方差,n1、n2分别为患者组和正常组的样本数目;
进行统计分析后,研究不同被试者间大脑默认网络中模体的结构特征,进而分析是否存在普遍特征,为实际应用奠下基础。
采用上述技术方案后,本发明的有益技术效果是:
(1)相对于用传统方法对大脑默认网络的研究,基于模体结构的分析方法是一种改进和进行拓展的方法。
(2)通过量化磁共振成像时间序列之间的相互作用,根据节点之间的关系形成的网络拓扑结构,采用模体结构对大脑默认网络的有向连接进行分析,能够在更小的范围内研究默认脑区在大脑活动中的功能机制,进一步确定相关脑区形成的网络结构对网络的重要程度,提高对大脑神经活动研究的精确性。
(3)本发明在脑功能连接分析、脑功能诊断与调节、认知功能研究、精神性和神经性脑疾病治疗等领域有重要的理论和应用价值。
附图说明
图1是本发明中基于模体结构的大脑默认网络有向连接分析方法的实施流程图。
图2是本发明中正常人的大脑默认网络结构图。
图3是本发明中正常人大脑默认网络三节点模体的结构及指标图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
如图1所示,一种基于模体结构的大脑默认网络有向连接分析方法,具体实施方式包括以下步骤:
(1)对磁共振共振设备采集到的大脑图像原始数据格式转换:本实施例中,采用15名帕金森患者,男性9名,女性6名,年龄在60~75岁之间;20名正常被试者,男女各10人,年龄在60~75岁之间,均在静息态下进行磁共振扫描;将采集到的磁共振成像数据由DICOM格式转换为NIFTI格式,再进行时间校正、头动校正、配准、空间标准化、平滑,最后进行低频滤波,降低低频漂移和噪音;本实施例中,滤波范围为0.01Hz~0.08Hz;
(2)选定一种标准化大脑分区模板与预处理后的核磁图像进行匹配,将大脑划分为若干脑区,每个脑区对应脑功能网络中的一个节点;本实施例中,选定AAL模板将人的大脑分为90个(左右半脑各45个)脑区,每个脑区对应大脑网络中的一个节点;
(3)对预处理后的fMRI数据进行ALFF计算,根据AAL分区模板,提取每个脑区平均的时间序列,通过多元线性回归分析去除一些由头动等因素造成的噪音;
(4)根据选定的标准化大脑分区模板,选取帕金森患者和正常人的大脑默认脑区的时间序列,构建基于时间序列的大脑默认网络;对选定的大脑默认脑区构成的网络进行Granger因果关系分析,得到所选取节点形成的网络结构图:
在大脑网络中,若节点X和节点Y的时间序列分别为xt和yt,考虑两个变量的时域回归模型:
式中,,A1i、B1i为模型拟合系数;a1t、b1t为预估误差项;D(a1t)=U1,D(b1t)=V1为误差项的方差;
由式(1)、式(2)可知,由节点X或Y过去的状态分别预估X或Y的t时刻状态;考虑变量之间的相互联系,节点X和Y有如下回归模型:
式中,A2i、B2i、C2i、D2i为模型拟合系数,a2t、b2t为预估误差项;D(a2t)=U2,D(b2t)=V2为误差项的方差;
将Y对X的作用以及X对Y的作用分别定义为:
F1=ln(U1/U2) (5)
F2=ln(V1/V2) (6)
(5)根据正常人大脑默认网络结构图,验证模体的存在性;正常人的大脑默认网络结构如图2所示;检测到模体后,得到该网络中模体的p值,p值越小,表明相关节点组成的模体结构在默认网络中越重要;
(6)计算模体的Z得分,对于模体Mi,在真实网络中出现的次数为Nreali,在随机网络中出现的次数为Nrandi,Nrandi的平均值记为<Nrandi>,标准差为σrandi,则模体Mi在真实网络中的Z得分为:
Z得分越大,表明该模体在网络中的作用程度越高;
(7)网络中有三节点模体、四节点模体等,本实施例中,以正常人大脑默认网络三节点模体为例,其结构及指标如图3所示;在图3中,模体的p值均为0,表明所有模体结构在网络中都有着重要作用;其中,36号模体Z得分较小,表明该模体在网络中的有向连接强度有所减弱;6号、46号、14号模体的Z得分的值是一样的,表明它们在网络中的作用程度基本一致;
(8)根据节点分析帕金森患者、正常人大脑默认网络模体中节点的作用程度;节点度分为节点出度和入度,研究模体中节点的出度、入度,了解相关默认脑区在网络中的方向连接情况;若网络G中有n个节点,节点vi的度为wi,则节点vi的出度、入度分别为和则有:
节点的度越大,表明该节点在默认网络模体结构中的功能作用越大;若节点只有出度或入度,表明该节点在网络中的连接强度相对较弱;本实例中,以正常人为例,节点间的方向连接如图2所示;在图2中,节点右后扣带回(PCG.R)节点度最大,表明该节点在网络中的功能作用较大,其它节点的度相对较小,表明其功能作用有所减小;其中,节点左颞下回(ITG.L)只有单个出度,表明该节点的有向连接强度较弱;
(9)计算模体中节点的距离,分析信息在模体结构和默认网络中的传递速率;定义模体中节点vi到vj的距离dij为节点vi到vj所要经历的边的最小数目,它的倒数1/dij为节点vi到vj的效率,记为εij;模体的效率Lc定义为:
式中,N为模体中的节点数目;模体中节点的距离越大,则节点间的效率越小,模体结构的效率就越低;
(10)本实例中,对帕金森患者组与正常人组的功能磁共振成像数据进行单
样本t检验和两独立样本t检验统计分析,以P<0.05为阈值;
单样本t检验为:
式中,为脑区X时间序列的均值,S为脑区X时间序列的标准差,为总体脑区时间序列的均值;研究发现,在静息态时患者与正常人的后扣带回(PCG)、海马(HIP)、海马旁回(PHG)等脑区的显著程度高于大脑均值,表明这些脑区静息态时在网络中的有向连接强度较大;
两独立样本t检验为:
式中,分别为患者和正常人默认脑区时间序列的均值,Sx 2、Sy 2为二者的均方差,n1、n2分别为患者组和正常组的样本数目。
研究发现,帕金森患者默认网络的有向连接强度相对于正常人显著下降,并且发现患者病情程度的不同,默认网络的有向连接强度也呈现出不同趋势。
模体结构能够表示网络中节点间存在的某些固定连接模式,通过不同节点数模体对大脑默认网络进行了结构简化,研究组成模体的相关节点间的相互连接方式和有向连接强度。在对正常人的三节点模体中节点度分析,发现脑区后扣带回(PCG)在默认网络中有重要作用。患者模体节点间的距离相对于正常人较大,表明患者默认网络中模体结构的效率较低。经过统计分析,了解帕金森患者默认网络的有向连接强度相对于正常人显著下降,并且发现患者病情程度的不同,默认网络的有向连接强度也呈现出不同趋势。
本实例的分析结果是在现有数据量的基础上得出的,但从统计学角度来看,现有数据量仍然较小。相关模体结构是否为默认网络中存在的普遍特征,需要在后续实验中继续完善,得出更精确的研究结果。通过研究脑卒中患者与正常人的大脑默认网络的有向连接特性,分析二者间差异性,对于脑疾病患者的大脑功能连接研究具有一定的价值。
Claims (1)
1.一种基于模体结构的大脑默认网络有向连接分析方法,包括以下步骤:
(1)将采集到的fMRI数据进行读取和格式转换,再进行预处理,最后进行低频滤波,降低低频漂移及高频噪音;
(2)选定一种标准分区模板将大脑划分为若干脑区,每个脑区对应脑功能网络中的一个节点,并且与预处理后的fMRI进行匹配;
(3)对预处理后的fMRI数据进行ALFF计算,将去除线性漂移后的时间序列经过带通滤波器进行滤波,滤波后经快速傅里叶变换后得到功率谱,功率谱平均平方根即为ALFF;
(4)提取默认网络相关脑区的时间序列进行Granger因果分析;若一个时间序列能够通过线性模型由另一个时间序列的当前值和过去值来预测,则认为这两个时间序列构成了因果关系;在默认网络中,若节点X和节点Y的时间序列分别为xt和yt,两个变量的时域回归模型表示为:
式中,A1i、B1i为模型拟合系数;a1t、b1t为预估误差项;D(a1t)=U1,D(b1t)=V1为误差项的方差;
由式(1)、式(2)可知,由节点X或Y过去的状态分别预估X或Y的t时刻状态;考虑变量之间的相互联系,节点X和Y有如下回归模型:
式中,A2i、B2i、C2i、D2i为模型拟合系数,a2t、b2t为预估误差项;D(a2t)=U2,D(b2t)=V2为误差项的方差;
将Y对X的作用以及X对Y的作用分别定义为:
F1=ln(U1/U2) (5)
F2=ln(V1/V2) (6)
经过Granger因果分析,得到所选取节点的有向连接关系;
(5)搜索默认网络中存在的模体结构;对于不同节点数的子图g,若该子图在随机网络中出现的次数高于在实际大脑默认网络中出现的次数的概率即为p值;若子图g的p值小于0.01,且在实际默认网络中出现的次数高于在随机网络中出现的次数,则认为该子图是选取脑区构建的默认网络的模体,相反则不是默认网络的模体;
(6)计算模体在实际大脑默认网络中出现的频率;对于有n个节点的子图g,在实际默认网络中出现的次数为n(g),所有具有n节点的子图出现的总次数为N,则子图g出现的频率为:
(7)计算默认网络中出现的模体的Z得分,分析模体在网络中的重要性;对于模体Mi,在真实网络中出现的次数为Nreali,在随机网络中出现的次数为Nrandi,Nrandi的平均值记为<Nrandi>,标准差为σrandi,则模体Mi在真实网络中的Z得分为:
Z得分越大,表示该模体在默认网络中越重要;
(8)利用节点度确定模体中节点的作用程度;节点度分为节点出度和入度,研究模体中节点的出度、入度,了解相关默认脑区在网络中的有向连接强度;若网络G中有n个节点,节点vi的度为wi,则节点vi的出度、入度分别为和则有:
节点的度越大,表明该节点在默认网络中的作用程度越大;若节点只有出度或入度,表明该节点在网络中的连接强度相对较弱;
(9)计算模体中节点的距离,分析信息在模体和默认网络中的传递速率;定义模体中节点vi到vj的距离dij为节点vi到vj所要经历的边的最小数目,它的倒数1/dij为节点vi到vj的效率,记为εij;模体的效率Lc定义为:
式中,N为模体中的节点数目;模体中节点的距离越大,则节点间的效率越小,模体结构的效率就越低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610691569.6A CN106447023B (zh) | 2016-08-18 | 2016-08-18 | 基于模体结构的大脑默认网络有向连接分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610691569.6A CN106447023B (zh) | 2016-08-18 | 2016-08-18 | 基于模体结构的大脑默认网络有向连接分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447023A CN106447023A (zh) | 2017-02-22 |
CN106447023B true CN106447023B (zh) | 2019-03-05 |
Family
ID=58182431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610691569.6A Active CN106447023B (zh) | 2016-08-18 | 2016-08-18 | 基于模体结构的大脑默认网络有向连接分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447023B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
CN107194918B (zh) * | 2017-05-16 | 2020-11-17 | 北京大学 | 数据分析方法及装置 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
CN110136093B (zh) * | 2018-02-09 | 2023-03-21 | 深圳先进技术研究院 | 一种运用数字图谱研究大脑默认模式网络的方法 |
CN108710890A (zh) * | 2018-03-30 | 2018-10-26 | 中国科学院深圳先进技术研究院 | 脑胶质瘤术前分级方法、装置、设备及存储介质 |
CN110188836B (zh) * | 2019-06-21 | 2021-06-11 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN111227827B (zh) * | 2020-02-14 | 2023-07-11 | 广东司法警官职业学院 | 一种基于社区划分算法的脑电图信号分析方法 |
CN111227826B (zh) * | 2020-02-14 | 2023-09-08 | 广东司法警官职业学院 | 一种基于网络模体的脑电图信号分析方法 |
CN115457708B (zh) * | 2022-09-05 | 2023-06-30 | 青岛黄海学院 | 一种基于大数据的智慧物流取件系统及其分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661087A (zh) * | 2008-08-28 | 2010-03-03 | 西门子公司 | 使用形式描述的磁共振序列模型以使测量序列设计自动化 |
CN103800011A (zh) * | 2014-02-18 | 2014-05-21 | 常州大学 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN105125213A (zh) * | 2015-07-24 | 2015-12-09 | 常州大学 | 一种大脑功能网络活跃程度的度量方法 |
-
2016
- 2016-08-18 CN CN201610691569.6A patent/CN106447023B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661087A (zh) * | 2008-08-28 | 2010-03-03 | 西门子公司 | 使用形式描述的磁共振序列模型以使测量序列设计自动化 |
CN103800011A (zh) * | 2014-02-18 | 2014-05-21 | 常州大学 | 一种基于功能磁共振成像的脑区效应连接分析系统 |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN105125213A (zh) * | 2015-07-24 | 2015-12-09 | 常州大学 | 一种大脑功能网络活跃程度的度量方法 |
Non-Patent Citations (3)
Title |
---|
Effective connectivity analysis of fMRI data based on network motifs;Zhu-Qing Jiao et al.;《The Journal of Supercomputing》;20140331;全文 |
The connecivity measurement in complex directed networks by motif structure;Zhuqing Jiao et al.;《Int.J. Sensor Networks》;20160131;全文 |
基于功能磁共振的情绪脑机制研究;王海玲 等;《常州大学学报(自然科学版)》;20130131;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106447023A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447023B (zh) | 基于模体结构的大脑默认网络有向连接分析方法 | |
Mammone et al. | Brain network analysis of compressive sensed high-density EEG signals in AD and MCI subjects | |
Kulkarni et al. | Extracting salient features for EEG-based diagnosis of Alzheimer's disease using support vector machine classifier | |
Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
CN109893126A (zh) | 基于脑功能网络特征的癫痫发作预测方法 | |
CN108143411A (zh) | 一种面向孤独症诊断的静息态脑电分析系统 | |
CN106264499B (zh) | 一种量化心肺系统交互作用的分析方法 | |
CN111568414B (zh) | 基于功能影像学的癫痫活动检测方法及系统 | |
Gómez et al. | Disturbed beta band functional connectivity in patients with mild cognitive impairment: an MEG study | |
CN106413541B (zh) | 用于诊断睡眠的系统和方法 | |
CN104715150A (zh) | 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 | |
CN112190261A (zh) | 一种基于静息态脑网络的孤独症脑电信号的分类装置 | |
CN109549644A (zh) | 一种基于脑电采集的人格特征匹配系统 | |
US11344248B1 (en) | Wearable stress assessment system with EEG sensors | |
CN104207775B (zh) | 一种基于互样本熵的肥胖病人功能影像分析方法 | |
CN113598790A (zh) | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 | |
Fanciullacci et al. | Connectivity measures differentiate cortical and subcortical sub-acute ischemic stroke patients | |
CN105125213A (zh) | 一种大脑功能网络活跃程度的度量方法 | |
CN116226710A (zh) | 一种脑电信号分类方法和帕金森病检测装置 | |
CN110458832A (zh) | 静息态大脑功能对称性分析方法 | |
Kang et al. | Low channel electroencephalogram based deep learning method to pre-screening depression | |
CN109222906A (zh) | 一种基于脑部电信号构建疼痛状态预测模型的方法 | |
Sudakov et al. | Distributed system for sampling and analysis of electroencephalograms | |
Li et al. | Brain network analysis for auditory disease: a twofold study | |
Helal et al. | Low-power high-accuracy seizure detection algorithms for neural implantable platforms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20170222 Assignee: Shandong Hongde Yuheng Information Technology Co.,Ltd. Assignor: CHANGZHOU University Contract record no.: X2023980051060 Denomination of invention: A directed connection analysis method for brain default networks based on motif structure Granted publication date: 20190305 License type: Common License Record date: 20231209 |