CN106548005B - 网络交互的调节效应定量方法 - Google Patents

网络交互的调节效应定量方法 Download PDF

Info

Publication number
CN106548005B
CN106548005B CN201610825086.0A CN201610825086A CN106548005B CN 106548005 B CN106548005 B CN 106548005B CN 201610825086 A CN201610825086 A CN 201610825086A CN 106548005 B CN106548005 B CN 106548005B
Authority
CN
China
Prior art keywords
node
network
brain network
pair
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.)
Active
Application number
CN201610825086.0A
Other languages
English (en)
Other versions
CN106548005A (zh
Inventor
周鹏
刘亚男
陈元园
张�雄
赵欣
明东
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201610825086.0A priority Critical patent/CN106548005B/zh
Publication of CN106548005A publication Critical patent/CN106548005A/zh
Application granted granted Critical
Publication of CN106548005B publication Critical patent/CN106548005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Complex Calculations (AREA)

Abstract

本发明涉及一种网络之间相互调节作用的量化方法，为通过提出一种新的算法，定量分析网络之间的调节效应。具体地通过网络之间的相关与偏相关分析，实现网络之间调节效应的定量分析。本发明采用的技术方案是，网络交互的调节效应定量方法，步骤如下：1)、数据描述；2)、一个节点对一对节点的调节作用；3)、一个节点对一对网络的调节作用；4)、一个网络对一对网络的调节作用。本发明主要应用于网络之间相互调节作用的量化分析场合。

Description

网络交互的调节效应定量方法
技术领域
本发明涉及一种网络之间相互调节作用的量化方法，具体涉及包括多个节点的网络之间的调控作用的定量分析方法。
背景技术
人脑是一个复杂的结构，多个脑区共同协调、相互配合完成一项认知任务，根据所参与任务的不同，大脑被划分为多个网络，如默认模式网络、背侧注意网络、感觉运动网络等。研究表明各脑网络之间存在着一定程度的相互作用关系。可以用一定的方法求得其相关系数的大小，来表示网络间相互作用关系的强弱。但是往往会存在第三个网络影响两个网络之间的相互作用，即对两个网络之间的相关性起到一定的调控作用。本技术发明旨在通过一定的算法来定量分析第三个网络对两个网络之间交互作用的调节作用。
变量之间往往存在一定的相关性，在对两个变量进行相关分析时，可以通过简单的相关系数来度量它们之间线性相关程度的强弱。当考虑的变量较多时，由于任意两个变量之间都可能存在着相关关系，此时两变量呈现出高度相关有可能是由于都与第三个变量存在相关性所表现出来的，这时，称第三个变量对前两个变量之间的相关性起到调节作用。复杂的网络之间存在着错综复杂的交互关系，两两网络之间存在的相关关系也会受到第三个网络的调控作用。本技术发明旨在通过一定的算法来定量分析第三个网络对两个网络之间交互作用的调节作用。
发明内容
为克服现有技术的不足，本发明旨在通过提出一种新的算法，定量分析网络之间的调节效应。具体地通过网络之间的相关与偏相关分析，实现网络之间调节效应的定量分析。本发明采用的技术方案是，网络交互的调节效应定量方法，步骤如下：
1)、数据描述
已知多个网络，其中包括有网络A、B、C，网络A、B、C分别包括Ai、Bj、Ck个节点，i＝1,2,3……m，j＝1,2,3……n，k＝1,2,3……q，并且每一个节点对应的时间序列用ai,bj,ck表示；
2)、一个节点对一对节点的调节作用
上述的网络之间的交互作用是由节点之间的交互作用决定的，现求网络C中某一节点C1对网络A、B中某一对节点A1、B1之间相关性的调节效应：
(1)网络A、B中A1、B1两节点之间的相关系数
式中
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差,X＝a1，Y＝b1；
在此求得的是a1、b1的线性相关系数，即是在没有去除网络C的影响下得到的；
(2)网络A、B中A1、B1两节点之间的偏相关系数：
偏相关是在其他变量被固定之后，给定的任意两个变量之间的相关系数，即在控制第三个变量的情况下，分析第一个变量和第二个变量的关系，为了消除网络C中的节点C1对(1)中结果的影响，需要应用偏相关来计算a1,b1的关系：
上式中为网络A、B中两节点A1、B1之间的相关系数；
为网络A、C中两节点A1、C1之间的相关系数；
为网络B、C中两节点B1、C1之间的相关系数；
此时即为在去节点C1的影响下节点A1与B1的相关性，
(3)C1对节点A1、B1之间相互关系的调节效应：
3)、一个节点对一对网络的调节作用
网络C中一个节点C1对A、B两个网络相关性的调节作用，通过节点C对A、B间每一对节点相关性调节作用的均值进行表示。
(1)节点C1对A、B间任意一对节点Ai、Bj的调节作用：
(2)节点C1对A、B间所有节点对的平均调节作用：
则为网络C中的节点C1对A、B两个网络相互关系的调节作用；
4)、一个网络对一对网络的调节作用
网络C中所有节点对A、B两个网络相关性的调节作用，通过网络C中的每一个节点Ck对A、B间每一对节点相关性调节作用的均值进行表示：
(1)网络C中的任一节点Ck对A、B间所有节点对的平均调节作用：
(2)网络C中的所有节点对A、B间所有节点对的平均调节作用：
上式中的ρC→A,B即为网络C对网络A、B之间的相关性起到的调节作用。
本发明的特点及有益效果是：
本发明提出了复杂网络之间相互调节作用的量化方法。该方法通过普通相关值和偏相关值进行做差求得第三个网络对一对网络相关性的调控作用，实现了网络交互作用的定量分析。
附图说明：
图1本发明流程示意图。
具体实施方式
本发明采用的技术方案是：
1、数据描述
已知多个网络(在此以三个网络为例)：网络A、B、C分别包括Ai(i＝1,2,3……m)，Bj(j＝1,2,3……n)，Ck(k＝1,2,3……q)等多个节点，并且每一个节点对应的时间序列用ai,bj,ck表示。
2、一个节点对一对节点的调节作用
上述的网络之间的交互作用是由节点之间的交互作用决定的，现求网络C中某一节点(以C1为例)对网络A、B中某一对节点(以A1、B1为例)之间相关性的调节效应：
(1)网络A、B中A1、B1两节点之间的相关系数
式中
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差
在此求得的是a1、b1的线性相关系数，即是在没有去除网络C的影响下得到的。
(2)网络A、B中A1、B1两节点之间的偏相关系数：
偏相关是在其他变量被固定之后，给定的任意两个变量之间的相关系数，即在控制第三个变量的情况下，分析第一个变量和第二个变量的关系。为了消除网络C中的节点C1对(1)中结果的影响，需要应用偏相关来计算a1,b1的关系：
上式中为网络A、B中两节点A1、B1之间的相关系数；
为网络A、C中两节点A1、C1之间的相关系数；
为网络B、C中两节点B1、C1之间的相关系数；
此时即为在去节点C1的影响下节点A1与B1的相关性。
(3)C1对节点A1、B1之间相互关系的调节效应：
3、一个节点对一对网络的调节作用
网络C中一个节点C1对A、B两个网络(网络A、B中分别包含m、n个节点)相关性的调节作用，可以通过节点C对A、B间每一对节点相关性调节作用的均值进行表示。
(1)节点C1对A、B间任意一对节点Ai、Bj的调节作用：
(2)节点C1对A、B间所有节点对的平均调节作用：
则为网络C中的节点C1对A、B两个网络相互关系的调节作用。
4、一个网络对一对网络的调节作用
网络C中所有节点对A、B两个网络(网络A、B中均包含多个节点)相关性的调节作用，可以通过网络C中的每一个节点Ck对A、B间每一对节点相关性调节作用的均值进行表示。
(1)网络C中的任一节点Ck对A、B间所有节点对的平均调节作用：
(2)网络C中的所有节点对A、B间所有节点对的平均调节作用：
上式中的ρC→A,B即为网络C对网络A、B之间的相关性起到的调节作用。
本发明方法是力图定量分析网络之间交互的调节作用，以实际应用脑网络模型为例，应用功能核磁共振可以获得各脑区的时间序列，其中大脑的默认模式网络(DMN)和背侧注意网络(DAN)的功能数据具有反相关关系，而额顶叶网络(FPC)对其反相关作用起到一定的调控作用，此时，可以通过上述方法来量化其调控作用。

Claims (1)

1.一种网络交互的调节效应定量方法，其特征是，步骤如下：
1)、数据描述
已知多个脑网络，其中包括有脑网络A、B、C，脑网络A、B、C分别包括Ai、Bj、Ck个节点，i＝1,2,3……m，j＝1,2,3……n，k＝1,2,3……q，并且每一个节点对应的时间序列用ai,bj,ck表示；
2)、一个节点对一对节点的调节作用
上述的脑网络之间的交互作用是由节点之间的交互作用决定的，现求脑网络C中某一节点C1对脑网络A、B中某一对节点A1、B1之间相关性的调节效应：
(1)脑网络A、B中A1、B1两节点之间的相关系数
式中
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差,X＝a1，Y＝b1；
在此求得的是a1、b1的线性相关系数，即是在没有去除脑网络C的影响下得到的；
(2)脑网络A、B中A1、B1两节点之间的偏相关系数：
偏相关是在其他变量被固定之后，给定的任意两个变量之间的相关系数，即在控制第三个变量的情况下，分析第一个变量和第二个变量的关系，为了消除脑网络C中的节点C1对(1)中结果的影响，需要应用偏相关来计算a1,b1的关系：
上式中为脑网络A、B中两节点A1、B1之间的相关系数；
为脑网络A、C中两节点A1、C1之间的相关系数；
为脑网络B、C中两节点B1、C1之间的相关系数；
此时即为在去节点C1的影响下节点A1与B1的相关性，
(3)C1对节点A1、B1之间相互关系的调节效应：
3)、一个节点对一对脑网络的调节作用
脑网络C中一个节点C1对A、B两个脑网络相关性的调节作用，通过节点C对A、B间每一对节点相关性调节作用的均值进行表示；
(1)节点C1对A、B间任意一对节点Ai、Bj的调节作用：
(2)节点C1对A、B间所有节点对的平均调节作用：
则为脑网络C中的节点C1对A、B两个脑网络相互关系的调节作用；
4)、一个脑网络对一对脑网络的调节作用
脑网络C中所有节点对A、B两个脑网络相关性的调节作用，通过脑网络C中的每一个节点Ck对A、B间每一对节点相关性调节作用的均值进行表示：
(1)脑网络C中的任一节点Ck对A、B间所有节点对的平均调节作用：
(2)脑网络C中的所有节点对A、B间所有节点对的平均调节作用：
上式中的ρC→A,B即为脑网络C对脑网络A、B之间的相关性起到的调节作用。
CN201610825086.0A 2016-09-16 2016-09-16 网络交互的调节效应定量方法 Active CN106548005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610825086.0A CN106548005B (zh) 2016-09-16 2016-09-16 网络交互的调节效应定量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610825086.0A CN106548005B (zh) 2016-09-16 2016-09-16 网络交互的调节效应定量方法

Publications (2)

Publication Number Publication Date
CN106548005A CN106548005A (zh) 2017-03-29
CN106548005B true CN106548005B (zh) 2019-04-05

Family

ID=58368047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610825086.0A Active CN106548005B (zh) 2016-09-16 2016-09-16 网络交互的调节效应定量方法

Country Status (1)

Country Link
CN (1) CN106548005B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460630B (zh) * 2018-02-12 2021-11-02 广州虎牙信息科技有限公司 基于用户数据进行分类分析的方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005050518A1 (ja) * 2003-11-20 2005-06-02 Keio University 遺伝子および／又は蛋白質のデータベースを用いた相互作用マップの作成方法、ならびに、それを実現するためのソフトウエアおよび装置
CN102855491A (zh) * 2012-07-26 2013-01-02 中国科学院自动化研究所 一种基于网络中心性的脑功能磁共振图像分类方法
CN103077298A (zh) * 2012-10-24 2013-05-01 西安电子科技大学 融合图像体素及先验脑图谱划分的大脑网络构建方法
CN104050394A (zh) * 2014-07-04 2014-09-17 北京师范大学 群体脑网络的建模方法及其拓扑属性分析方法
CN104161518A (zh) * 2014-08-08 2014-11-26 同济大学 基于社会网络分析的儿童多动症判别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005050518A1 (ja) * 2003-11-20 2005-06-02 Keio University 遺伝子および／又は蛋白質のデータベースを用いた相互作用マップの作成方法、ならびに、それを実現するためのソフトウエアおよび装置
CN102855491A (zh) * 2012-07-26 2013-01-02 中国科学院自动化研究所 一种基于网络中心性的脑功能磁共振图像分类方法
CN103077298A (zh) * 2012-10-24 2013-05-01 西安电子科技大学 融合图像体素及先验脑图谱划分的大脑网络构建方法
CN104050394A (zh) * 2014-07-04 2014-09-17 北京师范大学 群体脑网络的建模方法及其拓扑属性分析方法
CN104161518A (zh) * 2014-08-08 2014-11-26 同济大学 基于社会网络分析的儿童多动症判别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于功能磁共振成像的脑网络图论分析及其在阿尔兹海默病中的应用;刘学娜等;《中国现代神经疾病杂志》;20120816;第12卷(第4期);第483-487页
阿尔兹海默功能脑网络研究进展;朱浩泽等;《中国医学影像技术》;20151220;第31卷(第12期);第1911页-1914页

Also Published As

Publication number Publication date
CN106548005A (zh) 2017-03-29

Similar Documents

Publication Publication Date Title
Asensio-Cubero et al. Multiresolution analysis over simple graphs for brain computer interfaces
Huang et al. Rating prediction via graph signal processing
Zhang et al. Sparse Bayesian multiway canonical correlation analysis for EEG pattern recognition
RU2015140752A (ru) Модуль определения коэффициентов частотной корректирующей фильтрации, устройство, процессор коэффицентов частотной корректирующей фильтрации, система и способы
Stramaglia et al. Ising model with conserved magnetization on the human connectome: Implications on the relation structure-function in wakefulness and anesthesia
Grauer et al. Plural Rationality and Interactive Decision Processes: Proceedings of an IIASA (International Institute for Applied Systems Analysis) Summer Study on Plural Rationality and Interactive Decision Processes Held at Sopron, Hungary, August 16–26, 1984
CN101894560B (zh) 一种无参考源的mp3音频清晰度客观评价方法
CN103517079B (zh) 基于数据驱动子空间集的压缩视频采集与重构系统
CN106548005B (zh) 网络交互的调节效应定量方法
Babu et al. Performance comparison of four new ARIMA-ANN prediction models on internet traffic data
Yu et al. Principal nested spheres for time-warped functional data analysis
CN105159443A (zh) 基于PCA和Granger因果的脑网络特征提取方法
CN103903624B (zh) 一种高斯色噪声环境下的基音周期检测方法
Chong et al. Estimating the unmeasured membrane potential of neuronal populations from the EEG using a class of deterministic nonlinear filters
Yang et al. Complex behavior of chaotic synchronization under dual coupling channels
Hutt et al. Delay stabilizes stochastic systems near a non-oscillatory instability
Zhang et al. The discrete Kalman filtering of a class of dynamic multiscale systems
Zhang et al. CPPer-FL: Clustered Parallel Training for Efficient Personalized Federated Learning
Joseph et al. Culture, networks, twitter and foursquare: testing a model of cultural conversion with social media data
Berman et al. A Fokker-Planck model for wealth inequality dynamics
Bystrov et al. Usage of video codec based on multichannel wavelet decomposition in video streaming telecommunication systems
Campa et al. Dynamics of coupled oscillator systems in the presence of a local potential
Wang et al. Exploratory analysis of high dimensional time series with applications to multichannel electroencephalograms
Afrasiabi et al. Contexts and encountering with emotional separation among women in City of Yazd
Peng et al. Study on parallel approach in H. 26L video encoder

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant