CN107194918B - 数据分析方法及装置 - Google Patents

数据分析方法及装置 Download PDF

Info

Publication number
CN107194918B
CN107194918B CN201710341940.0A CN201710341940A CN107194918B CN 107194918 B CN107194918 B CN 107194918B CN 201710341940 A CN201710341940 A CN 201710341940A CN 107194918 B CN107194918 B CN 107194918B
Authority
CN
China
Prior art keywords
data
brain
sets
whole brain
partitions
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
CN201710341940.0A
Other languages
English (en)
Other versions
CN107194918A (zh
Inventor
张嵘
寿小婧
许励治
韩松平
韩济生
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.)
Beijing Beishan Medical Technology Co.,Ltd.
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN201710341940.0A priority Critical patent/CN107194918B/zh
Publication of CN107194918A publication Critical patent/CN107194918A/zh
Application granted granted Critical
Publication of CN107194918B publication Critical patent/CN107194918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明实施例公开了一种数据分析方法及装置，所述方法包括，在接收到N个全脑影像数据组时，对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组；根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值，得到N个特征连接值组；计算所述N个特征连接值组之间的组间效应量；按照所述组间效应量将每个特征连接值分类，并建立分类模型。本方案在将全脑划分多个脑分区后，计算脑分区之间的特征连接值，并以每个全脑的特征连接值参考数据，对多组全脑数据进行分析，从而能够对脑数据进行全局分析，进而能够得到脑分区之间的功能连接和网络。

Description

数据分析方法及装置
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种数据分析方法及装置。
背景技术
随着生命科学的飞速发展，生命科学界对人体最复杂和精密的器官，脑，的研究越来越重视。传统的研究方式通常是，通过磁共振成像技术和功能磁共振成像技术获取人脑的图像数据，以所获取的图像数据为基础，确定待研究的脑分区，并计算待研究的脑分区与其他分区的关系，从而得到该脑分区的研究数据。
基于传统的研究方式可知，现有的脑数据分析方法，将所确定的待研究脑分区作为核心对脑数据进行计算，因此，所得到的研究数据也更偏重于体现待研究脑分区的特征，从而导致所得到的数据结果相对较为片面，进而，对技术人员研究全脑的功能和状态构成限制。
有鉴于此，本领域技术人员急需一种全面分析脑数据的方法。
发明内容
本发明实施例提供了一种数据分析方法及装置，以解决现有技术得到的数据结果较为片面的问题。
第一方面，本发明实施例提供了一种数据分析方法，该方法包括：
在接收到N个全脑影像数据组时，对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组；其中，N是大于或者等于2的正整数，且每个所述全脑影像数据组包括若干个全脑影像数据；
根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值，得到N个特征连接值组；
计算所述N个特征连接值组之间的组间效应量；
按照所述组间效应量将每个特征连接值分类，并建立分类模型。
结合第一方面，在第一方面第一种可能的实现方式中，所述根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值包括：
按照预设的标准模板将全脑划分为若干个脑分区；
分别从每个全脑基础数据中获取相应脑分区对应的基础数据；
对所述脑分区对应的基础数据执行Pearson’s相关；
对Pearson’s相关后的数据执行Fisher’sz变换，得到所述脑分区之间的特征连接值A，其中，
Figure GDA0002526089690000021
其中，所述n表示所述脑分区的数量，ij表示任意两个脑分区之间的功能连接数值。
结合第一方面，在第一方面第二种可能的实现方式中，所述计算所述N个特征连接值组之间的组间效应量包括：
当计算两个特征连接值组之间的组间效应量时，使用公式：
Figure GDA0002526089690000022
其中，所述
Figure GDA0002526089690000023
是所述两个特征连接值组中每个特征连接值组的样本平均值；所述Spool是所述两个特征连接值的样本合并标准差，
Figure GDA0002526089690000024
其中，所述S是所述两个特征连接值组中每个特征连接值组的样本标准差，n1表示样本1中的样本的数量，n2表示样本2中样本的数量。
结合第一方面，在第一方面第三种可能的实现方式中，所述计算所述N个特征连接值组之间的组间效应量统计所述包括：
当计算多个特征连接值组之间的组间效应量时，使用公式：
Figure GDA0002526089690000025
其中，所述η2是一个统计量，表示因素A在总体变异中所占的比例，
Figure GDA0002526089690000031
其中，所述SSA代表因素A产生的所述多个特征连接值组组间变异，所述SStotal为总方差，
SSA＝∑nj(Yj-YT)2
SStotal＝∑(Yij-Yj)2
其中，ij表示任意两个脑分区之间的功能连接数值，所述nj为所述多个特征连接值组中特征连接值的总数，所述Yj为所述多个特征连接值组中每组的平均值，所述YT为所述多个特征连接值组的总平均值，所述Yij为所述多个特征连接值组中的每一个数值。
结合第一方面，在第一方面第四种可能的实现方式中，所述对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，包括：
将所述影像数据从医学数字成像和通信DICOM格式转换为NIFTI格式；
去除NIFTI格式数据中前10个时间点的数据，得到剩余数据；
对所述剩余数据执行时间层矫正和头动矫正；
按照预设标准模板对矫正后的数据执行空间标准化；
对所述空间标准化的数据执行高斯平滑、去线性漂移、滤波和去除协变量的操作。
第二方面，本发明实施例还提供了一种数据分析装置，该装置包括用于执行第一方面及第一方面各实现方式的中方法步骤的模块，具体的，本发明实施例此处不再赘述。
为了解决现有技术得到的数据结果较为片面的问题，本方案在接收到N个全脑影像数据组，并对该N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组之后，可以首先按照预设的标准模板将全脑划分为多个脑分区，然后，根据该N个全脑基础数据组中的每个全脑基础数据，计算每个全脑的若干个脑分区之间的特征连接值，得到N个特征连接值组，进而计算N个特征连接值组之间的组间效应量，并将部分组间效应量作为分类阈值，建立分类模型。由此可见，本方案在将全脑划分多个脑分区后，计算脑分区之间的特征连接值，并以每个全脑的特征连接值参考数据，对多组全脑数据进行分析，从而能够对脑数据进行全局分析，进而能够得到脑分区之间的功能连接和网络。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的数据分析方法的方法流程图；
图2为本发明实施例提供的特征曲线示例图；
图3为本发明实施例提供的数据分析装置的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
参见图1，图1为本发明实施例提供的数据分析方法的方法流程图，图1所示的数据分析方法能够对脑数据进行全局分析，进而能够得到脑分区之间的功能连接和网络。
所述方法包括以下步骤：
步骤S101，对N个全脑影像数据组中的每个全脑影像数据执行预处理操作。
其中，本实施例中，N是大于或者等于2的正整数。
本发明实施例由N组具有不同症状的受试对象提供全脑数据，并通过核磁共振设备采集每位受试对象的全脑影像数据，其中，每组受试对象包括多个人。具体的，可以通过功能磁共振成像技术采集每位受试对象的全脑影像数据。其中，需要指出的是，为了保证数据的准确性，所采集的每位受试对象的全脑时间序列数据不少于180个，并且，在采集影像数据时，每组受试对象保持相同的精神状态，例如，同为清醒，或自然睡眠，或镇静下睡眠状态。其中，清醒状态下进行影像数据采集时，受试对象睁眼或闭眼状态保持一致；自然睡眠状态下进行影像数据采集时，入睡后开始数据采集时间保持一致；镇静后睡眠状态下进行影像数据采集时，每位受试对象服用镇静药物、剂型以及给药方式保持一致，并且入睡后开始数据采集时间保持一致。
由于执行本方案的装置设置于计算机中，因此，核磁共振设备采集到受试对象的全脑影像数据之后，将全脑影像数据输入到计算机，而计算机对全脑影像数据执行分析操作。
具体的，作为原始数据，不但全脑影像数据的数据格式计算机无法识别，而且，全脑影像数据的其他属性也有待调整，基于此，计算机在接收到核磁共振设备输入的全脑影像数据之后，需要对每个全脑影像数据进行预处理。其中，对每个全脑影像数据进行预处理，具体执行为：
首先将DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)格式的影像数据转换为NIFTI格式。然后，由于在数据开始采集时，核磁共振设备的性能和受试对象的状态可能不稳定，因此，去除NIFTI格式数据中前10个时间点的数据，得到剩余数据。进而，由于在影像数据采集时，全脑被分成若干层进行扫描，因此，在每一次扫描全脑时，扫描第一层和扫描最后一层时存在时间差，而本方案在后续计算时，需要将同一扫描周期的每一层数据矫正为同一时间层，所以，本方案可以将时间层面的中间层作为参考层，将其他层面的脑影像矫正到参考层的状态。此外，受试对象在进行影像数据采集时要经历一段时间，而在此期间，受试对象可能会有轻微头动，导致影像数据对应的位置发生变化，从而影响后续数据分析，因此，本方案还可以将同一位受试对象的所有全脑影像矫正到同一位置。下一步，由于各个受试对象的大脑形状会存在差异，因此，可以按照需求确定全脑的标准模板，并将每位受试对象的大脑影像统一映射到该标准模板，实现数据的空间标准化。最后，对空间标准化的数据执行高斯平滑、去线性漂移、滤波和去除协变量等处理，得到N个全脑基础数据组。
需要指出的是，上述预处理的每个执行过程均为本领域技术人员所熟知的过程，本发明此处不再详述。
步骤S102，计算每个全脑预先划分的若干个脑分区之间的特征连接值。
其中，根据上述步骤的描述可知，计算机将每个人的全脑影像映射到了标准模板上，而预先确定的标准模板对应设置有多个分区，因此，本步骤中，在将全脑影像映射到该标准模板上之后，还可以，按照该标准模板将全脑划分为多个脑分区，进而，可以分别从每个全脑基础数据中获取相应脑分区对应的基础数据。
进一步的，对应每个全脑，本方案可以对其脑分区对应的基础数据执行Pearson’s相关，然后，对Pearson’s相关后的数据执行Fisher’sz变换，得到该全脑脑分区之间的特征连接值A，其中，A是表示该全脑的功能连接矩阵，具体可以表现为下述公式：
Figure GDA0002526089690000051
在该公式中，n表示脑分区的数量，ij表示任意两个脑分区之间的功能连接数值。而对于任一受试对象，其基础数据中包括m个时间点的数据，因此，该受试对象的全脑时间序列候选特征值矩阵为m×A，并且，其实际待选特征连接数为(n×n–n)/2个。
步骤S103，计算N个特征连接值组之间的组间效应量。
其中，在上述描述的基础上，N个全脑基础数据组可以对应得到N个特征连接值组，而该特征连接值组可以作为全脑数据分析的参数，具体的，可以计算N个特征连接值组之间的组间效应量。
本步骤具体执行为：当计算两个特征连接值组之间的组间效应量时，使用公式：
Figure GDA0002526089690000061
其中，
Figure GDA0002526089690000062
是两个特征连接值组中每个特征连接值组的样本平均值；Spool是两个特征连接值的样本合并标准差，
Figure GDA0002526089690000063
其中，S是两个特征连接值组中每个特征连接值组的样本标准差，n1表示样本1中的样本的数量，n2表示样本2中样本的数量。
此外，当计算多个特征连接值组之间的组间效应量时，使用公式：
Figure GDA0002526089690000064
其中，η2是一个统计量，表示因素A在总体变异中所占的比例，
Figure GDA0002526089690000065
其中，SSA代表因素A产生的多个特征连接值组组间变异，SStotal为总方差，
SSA＝∑nj(Yj-YT)2
SStotal＝∑(Yij-Yj)2
其中，ij表示任意两个脑分区之间的功能连接数值，nj为多个特征连接值组中特征连接值的总数，Yj为多个特征连接值组中每组的平均值，YT为多个特征连接值组的总平均值，Yij为多个特征连接值组中的每一个数值。
步骤S104，建立分类模型。
在上述步骤的基础上，可以将组间效应量作为阈值，对特征连接值进行分类，具体的，Cohen’s d为0.2时，可以视为较小的效应量，Cohen’s d为0.5时，可以视为中等程度的效应量，Cohen’s d为0.8时，可以视为较高的效应量。Cohen’s f为0.1时，可以视为较小的效应量，Cohen’s f为0.25时，可以视为中等程度的效应量，Cohen’s f为0.4时，可以视为较高的效应量。
本方案中，可以预先建立分类模型，然后，将不同阈值下提取出的连接特征值作为输入样本，可以采用随机森林、近邻取样、支持向量机或者朴素贝叶斯等算法，确定分类模型的参数。进而，在后续治疗过程中，可以通过分类模型输出结果，并通过结果统计真阳性(true positive，TP)，真阴性(true negative,TN)，假阴性(false negative,FN)和假阳性(false positive,FP)，并可以进一步对准确性(accuracy)、敏感性(sensitivity)、特异性(specificity)和精确性(precision)进行计算。其中，
Figure GDA0002526089690000071
Figure GDA0002526089690000072
Figure GDA0002526089690000073
Figure GDA0002526089690000074
需要指出的是，阈值可以根据分析需要选择一定的Cohen’s区间以及间隔，在不同阈值下，可以筛选出不同数量的特征连接值进行进一步分类模型的建立。
此外，还可根据真阳性率和假阳性率绘制受试对象的工作特征曲线，用构图法揭示敏感性和特异性的相互关系，其曲线下面积越大，分类的准确性越高。
对于多组间受试对象进行分类的评价指标，可将其简化为若干组二分类问题，即为每一组受试对象与其他组(此时所有其他组视作一个整体)受试对象进行分类后的评估数值得分，多组分类的总体敏感性、特异性和精确性为各二分类问题评价结果的加权平均值。
下面结合一个实例对建立分类模型进行描述。
参见图2，图2为本发明实施例提供的特征曲线示例图，在图2所示的示例中，在效应量在0.7阈值下，提取出145个最优脑功能连接特征数值，及其受试对象工作特征曲线。该实施例中，区分两组受试对象的准确性为95.88％，敏感性为98.70％，特异性为85.11％，精确性为96.20％，ROC曲线的曲线下面积为0.9838。其中，模型建立采用支持向量机的线性核以及留一交叉验证算法，使用基于python语言的scikit-learn工具箱。具体的，本发明实施例此处不再详述。
由此可见，本方案在将全脑划分多个脑分区后，计算脑分区之间的特征连接值，并以每个全脑的特征连接值参考数据，对多组全脑数据进行分析，从而能够以大数据为基础，并从多个维度对人脑进行全局分析。
与上述实现方法相对应的，本发明实施例还提供了一种数据分析装置，参见图3，图3为本发明实施例提供的数据分析装置的结构示意图，所述装置用于执行图1和图2所对应的数据分析方法。
所述装置包括：执行模块11、计算模块12和建立模块13，其中，执行模块11，用于在接收到N个全脑影像数据组时，对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组；其中，N是大于或者等于2的正整数，且每个所述全脑影像数据组包括若干个全脑影像数据；计算模块12，用于根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值，得到N个特征连接值组；在本实施例中，计算模块12，还用于计算所述N个特征连接值组之间的组间效应量；建立模块13，用于按照所述组间效应量将每个特征连接值分类，并建立分类模型。
在上述实施例的基础上，在一个具体实施例中，计算模块12，具体用于按照预设的标准模板将全脑划分为若干个脑分区；分别从每个全脑基础数据中获取相应脑分区对应的基础数据；对所述脑分区对应的基础数据执行Pearson’s相关；对Pearson’s相关后的数据执行Fisher’s z变换，得到所述脑分区之间的特征连接值A，其中，
Figure GDA0002526089690000081
其中，所述n表示所述脑分区的数量，ij表示任意两个脑分区之间的功能连接数值。
在另一个具体实施例中，当计算两个特征连接值组之间的组间效应量时，计算模块12，用于使用公式：
Figure GDA0002526089690000082
其中，所述
Figure GDA0002526089690000083
是所述两个特征连接值组中每个特征连接值组的样本平均值；所述Spool是所述两个特征连接值的样本合并标准差，
Figure GDA0002526089690000091
其中，所述S是所述两个特征连接值组中每个特征连接值组的样本标准差，n1表示样本1中的样本的数量，n2表示样本2中样本的数量。
当计算多个特征连接值组之间的组间效应量时，计算模块12，用于使用公式：
Figure GDA0002526089690000092
其中，所述η2是一个统计量，表示因素A在总体变异中所占的比例，
Figure GDA0002526089690000093
其中，所述SSA代表因素A产生的所述多个特征连接值组组间变异，所述SStotal为总方差，
SSA＝∑nj(Yj-YT)2
SStotal＝∑(Yij-Yj)2
其中，ij表示任意两个脑分区之间的功能连接数值，所述nj为所述多个特征连接值组中特征连接值的总数，所述Yj为所述多个特征连接值组中每组的平均值，所述YT为所述多个特征连接值组的总平均值，所述Yij为所述多个特征连接值组中的每一个数值。
此外，执行模块11，具体用于将所述影像数据从医学数字成像和通信DICOM格式转换为NIFTI格式；去除NIFTI格式数据中前10个时间点的数据，得到剩余数据；对所述剩余数据执行时间层矫正和头动矫正；按照预设标准模板对矫正后的数据执行空间标准化；对所述空间标准化的数据执行高斯平滑、去线性漂移、滤波和去除协变量的操作。
综上，为了解决现有技术得到的数据结果较为片面的问题，本方案在接收到N个全脑影像数据组，并对该N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组之后，可以首先按照预设的标准模板将全脑划分为多个脑分区，然后，根据该N个全脑基础数据组中的每个全脑基础数据，计算每个全脑的若干个脑分区之间的特征连接值，得到N个特征连接值组，进而计算N个特征连接值组之间的组间效应量，并将部分组间效应量作为分类阈值，建立分类模型。由此可见，本方案在将全脑划分多个脑分区后，计算脑分区之间的特征连接值，并以每个全脑的特征连接值参考数据，对多组全脑数据进行分析，从而能够对脑数据进行全局分析，进而能够得到脑分区之间的功能连接和网络。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种数据分析方法，其特征在于，所述方法包括：
在接收到N个全脑影像数据组时，对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组；其中，N是大于或者等于2的正整数，且每个所述全脑影像数据组包括若干个全脑影像数据；
根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值，得到N个特征连接值组；
计算所述N个特征连接值组之间的组间效应量；
按照所述组间效应量将每个特征连接值分类，并建立分类模型。
2.如权利要求1所述的数据分析方法，其特征在于，所述根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值包括：
按照预设的标准模板将全脑划分为若干个脑分区；
分别从每个全脑基础数据中获取相应脑分区对应的基础数据；
对所述脑分区对应的基础数据执行Pearson’s相关；
对Pearson’s相关后的数据执行Fi sher’s z变换，得到所述脑分区之间的特征连接值A，其中，
Figure FDA0002526089680000011
其中，所述n表示所述脑分区的数量,ij表示任意两个脑分区之间的功能连接数值。
3.如权利要求1或2所述的数据分析方法，其特征在于，所述计算所述N个特征连接值组之间的组间效应量包括：
当计算两个特征连接值组之间的组间效应量时，使用公式：
Figure FDA0002526089680000012
其中，所述
Figure FDA0002526089680000013
是所述两个特征连接值组中每个特征连接值组的样本平均值；所述Spool是所述两个特征连接值的样本合并标准差，
Figure FDA0002526089680000014
其中，所述S是所述两个特征连接值组中每个特征连接值组的样本标准差，n1表示样本1中的样本的数量，n2表示样本2中样本的数量。
4.如权利要求1或2所述的数据分析方法，其特征在于，所述计算所述N个特征连接值组之间的组间效应量包括：
当计算多个特征连接值组之间的组间效应量时，使用公式：
Figure FDA0002526089680000021
其中，所述η2是一个统计量，表示因素A在总体变异中所占的比例，
Figure FDA0002526089680000022
其中，所述SSA代表因素A产生的所述多个特征连接值组组间变异，所述SStotal为总方差，
SSA＝∑nj(Yj-YT)2
SStotal＝∑(Yij-Yj)2
其中，ij表示任意两个脑分区之间的功能连接数值，所述nj为所述多个特征连接值组中特征连接值的总数，所述Yj为所述多个特征连接值组中每组的平均值，所述YT为所述多个特征连接值组的总平均值，所述Yij为所述多个特征连接值组中的每一个数值。
5.如权利要求1所述的数据分析方法，其特征在于，所述对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，包括：
将所述影像数据从医学数字成像和通信DICOM格式转换为NIFTI格式；
去除NIFTI格式数据中前10个时间点的数据，得到剩余数据；
对所述剩余数据执行时间层矫正和头动矫正；
按照预设标准模板对矫正后的数据执行空间标准化；
对所述空间标准化的数据执行高斯平滑、去线性漂移、滤波和去除协变量的操作。
6.一种数据分析装置，其特征在于，所述装置包括：
执行模块，用于在接收到N个全脑影像数据组时，对所述N个全脑影像数据组中的每个全脑影像数据执行预处理操作，得到N个全脑基础数据组；其中，N是大于或者等于2的正整数，且每个所述全脑影像数据组包括若干个全脑影像数据；
计算模块，用于根据所述N个全脑基础数据组中的每个全脑基础数据，计算每个全脑预先划分的若干个脑分区之间的特征连接值，得到N个特征连接值组；还用于计算所述N个特征连接值组之间的组间效应量；
建立模块，用于按照所述组间效应量将每个特征连接值分类，并建立分类模型。
7.如权利要求6所述的数据分析装置，其特征在于，
所述计算模块，具体用于按照预设的标准模板将全脑划分为若干个脑分区；分别从每个全脑基础数据中获取相应脑分区对应的基础数据；对所述脑分区对应的基础数据执行Pearson’s相关；对Pearson’s相关后的数据执行Fisher’s z变换，得到所述脑分区之间的特征连接值A，其中，
Figure FDA0002526089680000031
其中，所述n表示所述脑分区的数量，ij表示任意两个脑分区之间的功能连接数值。
8.如权利要求6或7所述的数据分析装置，其特征在于，
所述计算模块，具体用于当计算两个特征连接值组之间的组间效应量时，使用公式：
Figure FDA0002526089680000032
其中，所述
Figure FDA0002526089680000033
是所述两个特征连接值组中每个特征连接值组的样本平均值；所述Spool是所述两个特征连接值的样本合并标准差，
Figure FDA0002526089680000034
其中，所述S是所述两个特征连接值组中每个特征连接值组的样本标准差，n1表示样本1中的样本的数量，n2表示样本2中样本的数量。
9.如权利要求6或7所述的数据分析装置，其特征在于，
所述计算模块，具体用于当计算多个特征连接值组之间的组间效应量时，使用公式：
Figure FDA0002526089680000035
其中，所述η2是一个统计量，表示因素A在总体变异中所占的比例，
Figure FDA0002526089680000036
其中，所述SSA代表因素A产生的所述多个特征连接值组组间变异，所述SStotal为总方差，
SSA＝∑nj(Yj-YT)2
SStotal＝∑(Yij-Yj)2
其中，ij表示任意两个脑分区之间的功能连接数值，所述nj为所述多个特征连接值组中特征连接值的总数，所述Yj为所述多个特征连接值组中每组的平均值，所述YT为所述多个特征连接值组的总平均值，所述Yij为所述多个特征连接值组中的每一个数值。
10.如权利要求6所述的数据分析装置，其特征在于，
所述执行模块，具体用于将所述影像数据从医学数字成像和通信DICOM格式转换为NIFTI格式；去除NIFTI格式数据中前10个时间点的数据，得到剩余数据；对所述剩余数据执行时间层矫正和头动矫正；按照预设标准模板对矫正后的数据执行空间标准化；对所述空间标准化的数据执行高斯平滑、去线性漂移、滤波和去除协变量的操作。
CN201710341940.0A 2017-05-16 2017-05-16 数据分析方法及装置 Active CN107194918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710341940.0A CN107194918B (zh) 2017-05-16 2017-05-16 数据分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710341940.0A CN107194918B (zh) 2017-05-16 2017-05-16 数据分析方法及装置

Publications (2)

Publication Number Publication Date
CN107194918A CN107194918A (zh) 2017-09-22
CN107194918B true CN107194918B (zh) 2020-11-17

Family

ID=59873224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710341940.0A Active CN107194918B (zh) 2017-05-16 2017-05-16 数据分析方法及装置

Country Status (1)

Country Link
CN (1) CN107194918B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109316188A (zh) * 2018-09-30 2019-02-12 上海海事大学 一种偏头痛脑功能连接模式的提取方法
CN113283465B (zh) * 2021-04-02 2022-04-29 电子科技大学 一种弥散张量成像数据分析方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8265728B2 (en) * 2003-11-26 2012-09-11 University Of Chicago Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images
US8218835B2 (en) * 2005-08-22 2012-07-10 Dai Nippon Printing Co., Ltd. Method for assisting in diagnosis of cerebral diseases and apparatus thereof
US20120221075A1 (en) * 2009-11-02 2012-08-30 Y.K.L. Brain Tech Ltd. Computerized system or device and method for diagnosis and treatment of human, physical and planetary conditions
CN103800011B (zh) * 2014-02-18 2016-08-17 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
CN105022934B (zh) * 2015-06-29 2018-03-09 北京工业大学 一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法
CN105159443A (zh) * 2015-08-06 2015-12-16 杭州电子科技大学 基于PCA和Granger因果的脑网络特征提取方法
CN106447023B (zh) * 2016-08-18 2019-03-05 常州大学 基于模体结构的大脑默认网络有向连接分析方法

Also Published As

Publication number Publication date
CN107194918A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
CN109543526B (zh) 基于深度差异性特征的真假面瘫识别系统
CN108874959B (zh) 一种基于大数据技术的用户动态兴趣模型建立方法
CN110364259B (zh) 一种高原疾病预测方法、系统、介质及电子设备
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
CN104636580A (zh) 一种基于人脸的健康监控手机
CN109817339A (zh) 基于大数据的患者分组方法和装置
CN111401339B (zh) 识别人脸图像中的人的年龄的方法、装置及电子设备
CN113053535A (zh) 一种医疗信息预测系统及医疗信息预测方法
CN107194918B (zh) 数据分析方法及装置
CN112233102A (zh) 图像样本集中噪声的识别方法、装置、设备及存储介质
CN115349828A (zh) 一种基于计算机深度学习的新生儿疼痛评估系统
CN109086794A (zh) 一种基于t-lda主题模型的驾驶行为模式识方法
CN115563484A (zh) 一种基于生理唤醒识别的街道绿化品质检测方法
CN114707608A (zh) 医疗质控数据处理方法、装置、设备、介质及程序产品
CN114358279A (zh) 图像识别网络模型剪枝方法、装置、设备及存储介质
CN114191665A (zh) 机械通气过程中人机异步现象的分类方法和分类装置
Niu et al. Local second-order gradient cross pattern for automatic depression detection
WO2023198224A1 (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
CN112861881A (zh) 一种基于改进MobileNet模型的蜂窝肺识别方法
CN113283465B (zh) 一种弥散张量成像数据分析方法及装置
CN115336977B (zh) 一种精准icu警报分级评估方法
CN111027771A (zh) 景区客流量预估方法、系统、装置及可存储介质
CN108346471B (zh) 一种病理数据的分析方法及装置
CN113724878B (zh) 基于机器学习的医疗风险信息推送方法及装置
CN115526882A (zh) 一种医学图像的分类方法、装置、设备及存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220930

Address after: 102600 Room 101-16, 6/F, Building 9, Zone 2, No. 31, Kechuang 13th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee after: Beijing Beishan Medical Technology Co.,Ltd.

Address before: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District

Patentee before: Peking University