CN107358022A - 一种大脑功能网络的模块化分析方法 - Google Patents

一种大脑功能网络的模块化分析方法 Download PDF

Info

Publication number
CN107358022A
CN107358022A CN201710408764.8A CN201710408764A CN107358022A CN 107358022 A CN107358022 A CN 107358022A CN 201710408764 A CN201710408764 A CN 201710408764A CN 107358022 A CN107358022 A CN 107358022A
Authority
CN
China
Prior art keywords
mrow
msub
node
mfrac
brain
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.)
Pending
Application number
CN201710408764.8A
Other languages
English (en)
Inventor
焦竹青
王欢
张煜东
李文杰
邹凌
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.)
Changzhou University
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN201710408764.8A priority Critical patent/CN107358022A/zh
Publication of CN107358022A publication Critical patent/CN107358022A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种大脑功能网络的模块化分析方法。主要步骤包括：首先，将大脑fMRI图像进行预处理后与标准分区模板匹配，并进行ALFF计算；其次，提取大脑所有脑区时间序列，计算任意两个脑区时间序列的相关系数，根据时间序列相关系数矩阵对大脑功能网络进行模块划分；再次，对划分出的模块构建功能连接网络，利用最短路径长度、集聚系数等指标分析模块的信息传递速率和集团化程度等特征，并由节点中心性确定网络中的核心节点；最后，对ALFF结果进行统计，结合节点能量分布分析特定节点的活跃程度以及节点间功能连接强度的差异性。将大脑功能网络进行模块化分析，对研究脑疾病患者与正常人大脑的局部功能结构具有一定的参考价值。

Description

一种大脑功能网络的模块化分析方法
技术领域
本发明涉及一种利用大脑功能核磁共振成像(functional Magnetic ResonanceImaging,fMRI)技术对大脑的功能连接进行分析的方法，具体方法是根据静息态大脑fMRI数据建立大脑功能网络并将其模块化进行研究，属于生物医学信息技术范畴。
背景技术
人类大脑是自然界中存在的最复杂的系统之一，将大脑功能进行分解和整合是对大脑研究的两个基本原则，而大脑的各种神经生理活动都依赖于多个神经元或脑区间的信息传递，因此研究人员通常从网络的角度对大脑功能进行分析。目前，脑网络研究已经是脑科学领域的一个研究热点。
功能影像技术已经成为神经性、精神性脑疾病研究不可或缺的重要手段，其中功能核磁共振成像技术是目前为止功能影响领域最常用的一种非损伤性脑功能检测技术，它通过大脑活动所引起的局部区域血液中含氧量的变化来检测脑部活动。不仅时间分辨率更高，其空间分辨率也可达到毫米水平，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功能进行研究，分析相关脑区的信息传递方式，同时，也可以将大脑的研究延伸至记忆力、注意力以及个人心里活动等领域。
大脑是一个非常复杂的结构，从网络的角度对它的功能进行分析需要对网络的拓扑结构和动态特征有很清晰的认识。研究脑网络的结构和动态特征很重要的一个方法是寻找网络中的模块结构：一些相关的区域构成的功能区，因此将大脑功能网络进行划分，分解为若干模块。采用复杂网络分析方法来刻画大脑网络中节点和边的功能和结构属性，从而对各个模块的功能和结构特征进行研究。将功能磁共振技术与模块结构相结合，能够对人脑各个脑区间的功能协作关系和信息交互模式进行解析，这对脑疾病的诊断和治疗具有理论和应用价值。
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：
提供一种大脑功能网络模块化分析方法，实现对大脑功能网络的模块化和脑区功能连接的分析。
为了达到上述目的，本发明采用以下技术方案：
将采集到的大脑fMRI图像数据进行时间校正、配准、标准化、平滑等预处理，并选定标准化大脑分区模板(如：AAL分区模板、CH2分区模板等)将大脑划分为若干脑区，与预处理后的fMRI图像进行匹配。
进一步，对预处理后的fMRI图像进行ALFF计算，提取大脑所有脑区时间序列，计算任意两个脑区时间序列间的相关系数，得到时间序列相关系数矩阵。其中，相关系数r定义为：
式中，Xi、Yi分别表示节点X和节点Y的时间序列，和表示时间序列的均值。
进一步，由相关系数矩阵，利用算法对大脑功能网络进行划分。划分完成后，选取部分模块，构建功能连接网络，利用最短路径长度，集聚系数等指标分析网络的功能结构特征。
进一步，计算模块网络中节点间的最短路径长度，分析信息在模块和大脑功能网络中的传输效率。定义节点vi到vj的最短路径长度lij为节点vi到vj所要经历的边的最小数目，它的倒数1/lij为节点vi到vj的效率，记为Cij，则该模块的效率Gc定义为：
最短路径刻画了网络的内部结构，对于网络的信息传输有着重要的作用。最短路径长度越短，则两节点间的信息传递速率越快，该模块的信息传递效率就越高。
进一步，计算模块中节点的集群系数，分析模块网络的集团化程度。子图G中，若节点vi与ki个节点相连，这ki个节点间可能存在的最大边数为ki(ki-1)/2，记为ni。则节点vi的集聚系数Ci为：
式中，ki为节点的度，则该模块的平均集聚系数C为：
进一步，由节点中心性确定模块中节点的作用和地位，中心性最大的节点为该模块的核心节点(Hub)。其中，度中心性以节点度来衡量其在模块网络中的重要程度，介数中心性则是以信息流来定义节点的中心程度。
节点度可分为节点出度和入度，若模块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wi out和wi in，则有：
对于模块G中任意节点vi，其介数中心度定义为：
式中，σjk表示节点j到节点k的最短路径的数量，σjk(i)表示最短路径中经过节点vi的数量。
节点中心性在模块中具有最大值，表明该节点为模块的核心节点，在模块中的功能连接强度相对较强。
进一步，对患者组或正常人组fMRI图像的ALFF计算结果进行统计分析，并结合节点能量分布研究大脑特定区域活跃程度以及节点间功能连接强度的差异性。研究大脑相关区域活跃程度与其作为节点的重要程度是否一致。其中，单样本t检验为：
式中，为时间序列X的均值，S为标准差，为大脑所有脑区时间序列的均值。
两样本配对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。
采用上述技术方案后，本发明能够达到的技术效果是：
(1)将大脑功能网络划分为若干模块，将结构相似、功能相互协作的脑区组合在一起进行分析，能够提高对大脑神经活动研究的准确性。
(2)将大脑功能网络模块化后，由复杂网络中的节点特性研究网络的拓扑结构，从而由模块的局部功能结构特征分析延伸至对整个大脑进行神经活动功能机制的研究，进一步确定相关脑区形成的网络结构对网络的重要程度。
附图说明
图1为本发明中大脑功能网络的模块化分析方法的实施流程图。
图2为帕金森患者脑功能网络部分模块的网络结构图。
图3为正常人脑功能网络部分模块的网络结构图。
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，一种大脑功能网络的模块化分析方法，具体实施方式包括以下步骤：
(1)本实施例中，均在静息态下对被试者进行磁共振扫描，其中帕金森患者15名，男性9名，女性6名，年龄在60～75岁之间。正常被试者20名，男女各10人，年龄在60～75岁之间。将采集到的fMRI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、平滑等预处理，最后进行低频滤波(0.01Hz～0.08Hz)。
(2)本实施例中，选定AAL分区模板将大脑分为90个(左右半脑各45个)脑区，对应编号为01～90，并与预处理后的fMRI图像进行匹配。
(3)对预处理后的fMRI图像进行ALFF计算，提取部分帕金森患者和正常人的大脑所有脑区的时间序列，计算任意两个脑区时间序列间的相关系数，得到时间序列相关系数矩阵C。其中Pearson相关系数r定义为：
式中，Xi、Yi分别表示节点X和节点Y的时间序列，和表示时间序列的均值。
(4)对大脑功能网络进行模块划分，本实施例中，以模糊C均值聚类(FCM)算法为例，对帕金森患者大脑功能网络进行模块划分，步骤为：
①用值在0～1间的随机数初始化隶属度矩阵U，使其满足：
②用式(3)计算c个聚类中心ci，i＝1,…,c。
③根据式(4)计算目标函数。如果它小于某个确定的阀值，或它相对上次目标函数值的改变量小于某个阀值，则算法停止。
④用(5)计算新的隶属矩阵U。返回步骤②。
算法停止后，患者大脑功能网络被划分为相对稳定的8个模块：
(5)选择与帕金森患者相关性较强的模块进行分析。计算模块中所有节点时间序列的相关系数，得到时间序列相关系数矩阵。
(6)计算模块中节点间的最短路径长度，分析信息在模块和大脑功能网络中的传输效率。定义节点vi到vj的最短路径长度lij为节点vi到vj所要经历的边的最小数目，它的倒数1/lij为节点vi到vj的效率，记为Cij。各个模块的效率Gc定义为：
最短路径刻画了网络的内部结构，对于信息传输有着重要的作用。最短路径长度越短，则两节点间的信息传递速率越快，该模块的信息传递效率就越高。本实施例中，在最短路径长度都存在时，正常人所选取模块的最短路径长度均普遍高于患者，表明信息在患者网络中的传递速率大于正常人。
(7)计算模块中节点的集群系数，分析模块网络的局部特性。子图G中，若节点vi与ki个节点相连，这ki个节点间可能存在的最大边数为ki(ki-1)/2，记为ni。则节点vi的集聚系数Ci为：
式中，ki为节点的度，则该模块的平均集聚系数C为：
通过本实施例发现，患者网络的集聚系数均高于正常人，表明患者网络的集团化程度高于正常人。
(8)选取合适的阈值将时间序列相关系数矩阵二值化，对选取的模块构建无向连接网络，得到所选模块的网络结构图，其中患者和正常人部分模块的网络结构分别如图2、图3所示。
(9)由中心性确定模块中各个节点的作用和地位，中心性最大的节点认为是患者与正常人模块网络中的核心节点(Hub)。其中，度中心性以节点度来衡量其在网络中的重要程度，介数中心性则是以信息流来定义节点的中心程度。节点度可分为节点出度和入度，若模块网络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wi out和wi in，则有：
对于网络G中任意节点vi，其介数中心性定义为：
式中，σjk表示节点j到节点k的最短路径的数量，σjk(i)表示最短路径中经过节点vi的数量。
由图2、图3可知，该模块正常人节点左右两侧背外侧额上回(SFGdor)的节点度最大且相同，表明以上两个节点在该模块中的作用程度最大，为模块的核心节点。其它节点的度相对较小，说明在该模块中的作用程度较弱。患者模块中节点度均是相同的，表明所有节点在该模块中的功能连接强度基本一致。
(10)对患者组或正常人组fMRI图像的ALFF计算结果进行统计分析，研究大脑相关区域活跃程度与其作为节点的重要程度是否一致。其中，单样本t检验为：
式中，为时间序列X的均值，S为标准差，为大脑所有脑区时间序列的均值。
两样本配对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。

Claims (1)

1.一种大脑功能网络的模块化分析方法，包括以下步骤：
(1)将大脑fMRI数据进行时间校正、配准、标准化、平滑等预处理，并选定标准分区模板(如：AAL分区模板、CH2分区模板等)将大脑划分为若干脑区，并与预处理后的fMRI图像进行匹配。
(2)对预处理后的fMRI图像进行ALFF计算，提取大脑所有脑区的时间序列，计算任意两个脑区时间序列的相关系数，得到时间序列相关系数矩阵。其中，相关系数r定义为：
<mrow> <mi>r</mi> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
式中，Xi、Yi分别表示节点X和节点Y的时间序列，和表示时间序列的均值。
(3)由相关系数矩阵，利用算法对大脑功能网络进行划分；划分完成后，选取部分模块，构建功能连接网络，利用最短路径长度，集聚系数等指标分析网络的功能结构特征。
(4)计算模块中节点间的最短路径长度，分析信息在模块网络和大脑功能网络中的传输效率；定义节点vi到vj的最短路径长度lij为节点vi到vj所要经历的边的最小数目，它的倒数1/lij为节点vi到vj的效率，记为Cij，则该模块的效率Gc定义为：
<mrow> <msub> <mi>G</mi> <mi>c</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>C</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
最短路径刻画了网络的内部结构，对于网络的信息传输有着重要的作用；最短路径长度越短，则两节点间的信息传递速率越快，该模块的信息传递效率就越高。
(5)计算模块中节点的集群系数，分析模块网络的集团化程度；模块G中，若节点vi与ki个节点相连，这ki个节点间可能存在的最大边数为ki(ki-1)/2，记为ni；则节点vi的集聚系数Ci为：
<mrow> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>k</mi> <mi>i</mi> </msub> <msub> <mi>n</mi> <mi>i</mi> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式中，ki为节点的度，则该模块的平均集聚系数C为：
<mrow> <mi>C</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
(6)由节点中心性确定模块中各个节点的作用和地位，中心性最大的节点为模块的核心节点(Hub)；其中，度中心性以节点度来衡量其在网络中的重要程度，介数中心性则是以信息流来定义节点的中心程度；节点度可分为节点出度和入度，若模块网络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wi out和wi in，则有：
<mrow> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mi>w</mi> <mi>i</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>w</mi> <mi>i</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
对于模块G中任意节点vi，其介数中心度定义为：
<mrow> <mi>N</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>k</mi> <mo>&amp;Element;</mo> <mi>G</mi> </mrow> </munder> <mfrac> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
式中，σjk表示节点j到节点k的最短路径的数量，σjk(i)表示最短路径中经过节点vi的数量。
节点中心性具有最大值，表明该节点为模块的核心节点，在模块中的功能连接强度相对较强。
(7)对患者组或正常人组fMRI图像的ALFF计算结果进行统计分析，并结合节点能量分布研究大脑特定区域活跃程度以及节点间功能连接强度的差异性；其中，单样本t检验为：
<mrow> <mi>t</mi> <mo>=</mo> <mfrac> <mrow> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mrow> <mi>S</mi> <mo>/</mo> <msqrt> <mi>n</mi> </msqrt> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式中，为时间序列X的均值，S为标准差，为大脑所有脑区时间序列的均值。两样本配对t检验为：
<mrow> <mi>t</mi> <mo>=</mo> <mfrac> <mrow> <mover> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mover> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> </mrow> <mrow> <msqrt> <mrow> <mfrac> <mrow> <mo>(</mo> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo> <msup> <msub> <mi>S</mi> <mi>x</mi> </msub> <mn>2</mn> </msup> <mo>+</mo> <mo>(</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo> <msup> <msub> <mi>S</mi> <mi>y</mi> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msub> <mi>n</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>n</mi> <mn>2</mn> </msub> <mo>-</mo> <mn>2</mn> </mrow> </mfrac> <mo>(</mo> <mfrac> <mn>1</mn> <msub> <mi>n</mi> <mn>1</mn> </msub> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <msub> <mi>n</mi> <mn>2</mn> </msub> </mfrac> </mrow> </msqrt> <mo>)</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
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；对两组不同的被试者(如脑疾病患者与正常人)分别进行单样本t检验，脑区统计值越高，表明该脑区的活跃程度高于全脑均值的程度越大；对两组不同被试者进行配对t检验，分析二者脑区间的活跃程度与功能连接是否有显著差异。
CN201710408764.8A 2017-06-02 2017-06-02 一种大脑功能网络的模块化分析方法 Pending CN107358022A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710408764.8A CN107358022A (zh) 2017-06-02 2017-06-02 一种大脑功能网络的模块化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710408764.8A CN107358022A (zh) 2017-06-02 2017-06-02 一种大脑功能网络的模块化分析方法

Publications (1)

Publication Number Publication Date
CN107358022A true CN107358022A (zh) 2017-11-17

Family

ID=60272094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710408764.8A Pending CN107358022A (zh) 2017-06-02 2017-06-02 一种大脑功能网络的模块化分析方法

Country Status (1)

Country Link
CN (1) CN107358022A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108354605A (zh) * 2017-12-20 2018-08-03 佛山科学技术学院 基于静息态eeg信号的数学超常青少年脑功能连接网络分析方法
CN109147941A (zh) * 2018-10-17 2019-01-04 上海交通大学 基于结构磁共振影像数据的大脑健壮性评估方法
CN109700458A (zh) * 2019-01-14 2019-05-03 广西医科大学第一附属医院 一种eeg脑功能网络构建方法、装置及存储介质
CN109730678A (zh) * 2019-01-28 2019-05-10 常州大学 一种多层大脑功能网络模块划分方法
CN110459305A (zh) * 2019-08-14 2019-11-15 电子科技大学 一种针对青少年孤独症的大脑结构网络模型分析方法
CN110473635A (zh) * 2019-08-14 2019-11-19 电子科技大学 一种青少年脑结构网络和脑功能网络关系模型的分析方法
CN110473611A (zh) * 2019-08-14 2019-11-19 电子科技大学 一种静息态大脑信号分析方法
CN111227826A (zh) * 2020-02-14 2020-06-05 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
CN111419221A (zh) * 2020-02-14 2020-07-17 广东司法警官职业学院 一种基于图卷积网络的脑电图信号分析方法
CN112308831A (zh) * 2020-10-28 2021-02-02 兰州大学 一种基于复杂网络时序特征的脑网络分析方法
CN112641428A (zh) * 2020-12-18 2021-04-13 丹阳慧创医疗设备有限公司 一种脑损伤状况的诊断装置、诊断设备及诊断系统
CN112700876A (zh) * 2020-12-28 2021-04-23 聊城大学 一种包含高阶信息的脑功能网络构建方法
CN113616184A (zh) * 2021-06-30 2021-11-09 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509123A (zh) * 2011-12-01 2012-06-20 中国科学院自动化研究所 一种基于复杂网络的脑功能磁共振图像分类方法
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
CN104715150A (zh) * 2015-03-19 2015-06-17 上海海事大学 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
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
CN106021949A (zh) * 2016-05-31 2016-10-12 常州大学 一种大脑默认网络的功能连接分析方法
CN106447023A (zh) * 2016-08-18 2017-02-22 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509123A (zh) * 2011-12-01 2012-06-20 中国科学院自动化研究所 一种基于复杂网络的脑功能磁共振图像分类方法
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
CN104715150A (zh) * 2015-03-19 2015-06-17 上海海事大学 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
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
CN106021949A (zh) * 2016-05-31 2016-10-12 常州大学 一种大脑默认网络的功能连接分析方法
CN106447023A (zh) * 2016-08-18 2017-02-22 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

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108354605A (zh) * 2017-12-20 2018-08-03 佛山科学技术学院 基于静息态eeg信号的数学超常青少年脑功能连接网络分析方法
CN109147941A (zh) * 2018-10-17 2019-01-04 上海交通大学 基于结构磁共振影像数据的大脑健壮性评估方法
CN109700458B (zh) * 2019-01-14 2021-09-24 广西医科大学第一附属医院 一种eeg脑功能网络构建方法、装置及存储介质
CN109700458A (zh) * 2019-01-14 2019-05-03 广西医科大学第一附属医院 一种eeg脑功能网络构建方法、装置及存储介质
CN109730678A (zh) * 2019-01-28 2019-05-10 常州大学 一种多层大脑功能网络模块划分方法
CN110459305A (zh) * 2019-08-14 2019-11-15 电子科技大学 一种针对青少年孤独症的大脑结构网络模型分析方法
CN110473635A (zh) * 2019-08-14 2019-11-19 电子科技大学 一种青少年脑结构网络和脑功能网络关系模型的分析方法
CN110473611A (zh) * 2019-08-14 2019-11-19 电子科技大学 一种静息态大脑信号分析方法
CN110473635B (zh) * 2019-08-14 2023-02-28 电子科技大学 一种青少年脑结构网络和脑功能网络关系模型的分析方法
CN111227826A (zh) * 2020-02-14 2020-06-05 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
CN111419221A (zh) * 2020-02-14 2020-07-17 广东司法警官职业学院 一种基于图卷积网络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
CN112308831A (zh) * 2020-10-28 2021-02-02 兰州大学 一种基于复杂网络时序特征的脑网络分析方法
CN112308831B (zh) * 2020-10-28 2024-06-07 兰州大学 一种基于复杂网络时序特征的脑网络分析方法
CN112641428B (zh) * 2020-12-18 2023-09-08 丹阳慧创医疗设备有限公司 一种脑损伤状况的诊断装置、诊断设备及诊断系统
CN112641428A (zh) * 2020-12-18 2021-04-13 丹阳慧创医疗设备有限公司 一种脑损伤状况的诊断装置、诊断设备及诊断系统
CN112700876A (zh) * 2020-12-28 2021-04-23 聊城大学 一种包含高阶信息的脑功能网络构建方法
CN113616184A (zh) * 2021-06-30 2021-11-09 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法
CN113616184B (zh) * 2021-06-30 2023-10-24 北京师范大学 基于多模态磁共振图像的脑网络建模与个体预测方法

Similar Documents

Publication Publication Date Title
CN107358022A (zh) 一种大脑功能网络的模块化分析方法
CN110443798B (zh) 一种基于磁共振图像的自闭症检测方法、装置及系统
CN106503799B (zh) 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN105046709B (zh) 一种基于核磁共振影像的脑龄分析方法
Hramov et al. Functional networks of the brain: from connectivity restoration to dynamic integration
van den Heuvel et al. Topological organization of connectivity strength in the rat connectome
CN109509552A (zh) 一种基于功能连接网络的多层次特征融合的精神病自动判别方法
Kazeminejad et al. Graph theoretical metrics and machine learning for diagnosis of Parkinson's disease using rs-fMRI
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
CN112418337B (zh) 基于脑功能超网络模型的多特征融合数据分类方法
Wang et al. Functional integration and separation of brain network based on phase locking value during emotion processing
CN106447023A (zh) 基于模体结构的大脑默认网络有向连接分析方法
Hu et al. Localizing sources of brain disease progression with network diffusion model
Zhang et al. Brain connectome modularity in weight-restored anorexia nervosa and body dysmorphic disorder
Zhang et al. Aberrant brain connectivity in schizophrenia detected via a fast gaussian graphical model
Cui et al. A new EEG synchronization strength analysis method: S-estimator based normalized weighted-permutation mutual information
CN111227827B (zh) 一种基于社区划分算法的脑电图信号分析方法
CN112700876A (zh) 一种包含高阶信息的脑功能网络构建方法
CN105125213A (zh) 一种大脑功能网络活跃程度的度量方法
Huang et al. Coherent pattern in multi-layer brain networks: Application to epilepsy identification
CN107256408B (zh) 一种大脑功能网络的关键路径搜索方法
CN112560931B (zh) 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
Chen et al. The connectome‐based prediction of trust propensity in older adults: A resting‐state functional magnetic resonance imaging study
Antonakakis et al. Comparison of brain network models using cross-frequency coupling and attack strategies
CN107092925A (zh) 基于成组sim算法的大脑功能磁共振成像盲源分离方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117