CN107832656B - 一种基于动态功能脑网络的大脑功能状态信息处理方法 - Google Patents

一种基于动态功能脑网络的大脑功能状态信息处理方法 Download PDF

Info

Publication number
CN107832656B
CN107832656B CN201710838815.0A CN201710838815A CN107832656B CN 107832656 B CN107832656 B CN 107832656B CN 201710838815 A CN201710838815 A CN 201710838815A CN 107832656 B CN107832656 B CN 107832656B
Authority
CN
China
Prior art keywords
brain
micro
state
dynamic
network
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
CN201710838815.0A
Other languages
English (en)
Other versions
CN107832656A (zh
Inventor
周鹏
刘亚男
陈元园
赵欣
刘爽
柯余峰
许敏鹏
綦宏志
何峰
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 CN201710838815.0A priority Critical patent/CN107832656B/zh
Publication of CN107832656A publication Critical patent/CN107832656A/zh
Application granted granted Critical
Publication of CN107832656B publication Critical patent/CN107832656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于大脑状态的判别方法领域，尤其涉及一种基于动态功能脑网络的大脑功能状态信息处理方法，包括步骤一：采集全脑的各个脑区内各体素的时间信号；步骤二：求解各脑区的平均时间信号；步骤三：构建全脑动态功能连接网络；步骤四：进行动态功能连接网络聚类分析；步骤五：进行脑网络功能连接微状态特征量化分析。本发明的有益效果：通过对大脑动态功能连接矩阵进行聚类得到跨时间重现的功能连接微状态，大脑在不同的状态下每个微状态的停留时间以及稳定性都会有所差异，通过对脑网络功能连接微状态特征量如微状态停留时间、微状态转换次数和微状态稳定性进行分析实现对大脑功能状态的判别。

Description

一种基于动态功能脑网络的大脑功能状态信息处理方法
技术领域
本发明属于大脑状态的判别方法领域，尤其涉及一种基于动态功能脑网络的大脑功能状态信息处理方法。
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，脑区之间以网络的形式进行着各种交互作用，构成功能连接网络，其连接强度通常用皮尔森相关系数表示。随着时间的变化，脑区之间的功能连接并不是固定不变的，即脑区之间存在动态功能连接，并且功能连接的动态变化存在一系列固有的微状态，这些微状态的相互转化是功能连接动态改变的基础。大脑在不同的功能状态下其动态功能连接的变化模式也是不同的，本技术发明旨在通过一定的算法来对大脑所处功能状态进行判别。
发明内容
为要解决的上述问题，本发明提供一种基于动态功能脑网络的大脑功能状态信息处理方法。
本发明的技术方案：一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于包括以下步骤：
步骤一：采集全脑的各个脑区内各体素的时间信号；
步骤二：求解各脑区的平均时间信号；
步骤三：构建全脑动态功能连接网络；
步骤四：进行动态功能连接网络聚类分析；
步骤五：进行脑网络功能连接微状态特征量化分析。
进一步地，所述步骤一中采集全脑的各个脑区内各体素的时间信号是指应用功能核磁共振可以获得全脑的n个脑区A1、A2……An内各体素的时间信号。
所述步骤二中求解各脑区的平均时间信号是求解经预处理后的各脑区时间信号的均值S1、S2……Sn。
进一步地，所述步骤三中构建全脑动态功能连接网络是指利用一特定宽度W的滑动窗以步长为1个信号长度在时间信号S1、S2……Sn上滑动，在第i个时间窗下第n个脑区的时间信号表示为Sni(1≤i≤L-W+1)，分别求出全脑两两脑区信号间的皮尔森相关系数，得到L-w+1个动态变化的全脑功能连接矩阵。
进一步地，全脑两两脑区信号间的皮尔森相关系数具体是指第i个滑动窗下脑区Aj、Ak之间的皮尔森相关系数
Figure BDA0001410257200000021
其公式如下：
Figure BDA0001410257200000022
式中
Figure BDA0001410257200000023
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差。
进一步地，步骤四中动态功能连接网络聚类分析是指对得到的动态脑功能连接矩阵进行聚类分析，分析全脑的动态功能连接变化规律。
进一步地，采用K均值聚类算法进行动态功能连接网络聚类分析，具体如下：
步骤A：选取全脑功能连接矩阵中变异性较强的矩阵为聚类样本进行第一次K均值聚类，聚类结果得到K个状态
步骤B：以所述K个状态为初始聚类中心再次对全脑功能连接矩阵进行聚类，得到的所述K个状态是动态脑功能连接矩阵的聚类结果。
所述K个状态是全脑功能连接矩阵是指随着时间的变化所有动态脑功能连接矩阵在所述K个状态之间波动，所述K个状态称作脑网络功能连接微状态。
进一步地，所述步骤五中所述脑网络功能连接微状态特征量包括微状态停留时间、微状态转换次数和微状态稳定性。
进一步地，微所述状态停留时间：统计所有动态功能连接矩阵被聚类到各个微状态的个数，即得到动态功能连接在各微状态的停留时间的总和Tk，即为微状态停留时间；
所述微状态转换次数：各微状态之间的相互转化次数可以被计算出来得到K×K的微状态间的转换次数矩阵，转换次数矩阵的行为转换前的微状态，转换次数列矩阵的列为转换后的微状态，分别计算转换次数矩阵中除对角线元素值的每一列的和得的到每一个微状态向其他各微状态转换次数的和，即微状态转换次数。
进一步地，所述微状态稳定性：某一个状态随时间的变化不向其他状态转换的能力，微状态K稳定性计算公式为：
Ck＝Tk/Nk
式中，Tk为微状态K停留时间；Nk为微状态K转换次数。
本发明有益效果是：通过对大脑动态功能连接矩阵进行聚类得到跨时间重现的功能连接微状态，大脑在不同的状态下每个微状态的停留时间以及稳定性都会有所差异，通过对脑网络功能连接微状态特征量如微状态停留时间、微状态转换次数和微状态稳定性进行分析实现对大脑功能状态的判别，计算量大大减少，脑网络功能连接微状态特征量中微状态稳定性综合了微状态停留时间、微状态转换次数，各特征量更加直观，便于判别。
附图说明
图1是本发明的实施例1的采用K均值聚类且聚类数目为5的流程框图；
图2是本发明的实施例1的脑网络功能连接微状态特征图；
图3是本发明的实施例1的微状态间的转换次数矩阵图；
图4是本发明的实施例1的全脑动态功能连接矩阵图；
图5是本发明的实施例1的全脑动态功能连接矩阵聚类得到的微状态图；
图6是本发明的实施例1的微状态间的转换次数矩阵具体数值图。
具体实施方式
下面结合附图对本发明的一种具体实施方式做出说明。
一种基于动态功能脑网络的大脑功能状态信息处理方法，包括以下步骤：
步骤一：采集全脑的各个脑区内各体素的时间信号；具体地：采集全脑的各个脑区内各体素的时间信号是指应用功能核磁共振可以获得全脑的n个脑区A1、A2……An内各体素的时间信号。
步骤二：求解各脑区的平均时间信号；具体地：求解各脑区的平均时间信号是求解经预处理后的各脑区时间信号的均值S1、S2……Sn。
步骤三：构建全脑动态功能连接网络；具体地：利用一特定宽度W的滑动窗以步长为1个信号长度在时间信号S1、S2……Sn上滑动，在第i个时间窗下第n个脑区的时间信号表示为Sni(1≤i≤L-W+1)，分别求出全脑两两脑区信号间的皮尔森相关系数，得到L-w+1个动态变化的全脑功能连接矩阵。
全脑两两脑区信号间的皮尔森相关系数具体是指第i个滑动窗下脑区Aj、Ak之间的皮尔森相关系数
Figure BDA0001410257200000031
其公式如下：
Figure BDA0001410257200000032
式中
Figure BDA0001410257200000041
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差。
步骤四：进行动态功能连接网络聚类分析；动态功能连接网络聚类分析是指对得到的动态脑功能连接矩阵进行聚类分析，分析全脑的动态功能连接变化规律。
采用K均值聚类算法进行动态功能连接网络聚类分析，该算法具有线性的时间复杂度，可以发现元素的内在规律，得到互不交叠的簇。得到具体如下：
步骤A：选取全脑功能连接矩阵中变异性较强的矩阵为聚类样本进行第一次K均值聚类，聚类结果得到K个状态
步骤B：以K个状态为初始聚类中心再次对全脑功能连接矩阵进行聚类，得到的K个状态是动态脑功能连接矩阵的聚类结果。
K个状态是全脑功能连接矩阵是指随着时间的变化所有动态脑功能连接矩阵在K个状态之间波动，K个状态称作脑网络功能连接微状态。
步骤五：进行脑网络功能连接微状态特征量化分析；脑网络功能连接微状态特征量包括微状态停留时间、微状态转换次数和微状态稳定性。
微状态停留时间：统计所有动态功能连接矩阵被聚类到各个微状态的个数，即得到动态功能连接在各微状态的停留时间(停留时间的单位是窗长W)的总和Tk，即为微状态停留时间；
微状态转换次数：各微状态之间的相互转化次数可以被计算出来得到K×K的微状态间的转换次数矩阵，转换次数矩阵的行为转换前的微状态，转换次数列矩阵的列为转换后的微状态，分别计算转换次数矩阵中除对角线元素值的每一列的和得的到每一个微状态向其他各微状态转换次数的和，即微状态转换次数。
微状态稳定性：某一个状态随时间的变化不向其他状态转换的能力，微状态K稳定性计算公式为：
Ck＝Tk/Nk
式中，Tk为微状态K停留时间；Nk为微状态K转换次数
实施例1
以K均值聚类且聚类数目为5进行说明。
一种基于动态功能脑网络的大脑功能状态信息处理方法，包括以下步骤：
步骤一：采集全脑的各个脑区内各体素的时间信号；具体地：采集全脑的各个脑区内各体素的时间信号是指应用功能核磁共振可以分别获得被试全脑的116个脑区A1、A2……An内各体素的BOLD信号。
步骤二：求解各脑区的平均时间信号；具体地：分别求解经时间层校正、平滑、滤波等预处理后的被试各脑区BOLD信号的均值得到其各脑区的平均BOLD序列S1、S2……Sn，信号长度L＝246。
步骤三：构建全脑动态功能连接网络；具体地：利用一特定宽度W＝20个信号长度的滑动窗以步长为1个信号长度在分别在时间信号S1、S2……Sn上滑动，在第i个时间窗下第n个脑区的时间信号分别表示为Sni(1≤i≤227)，在每一个滑动窗下分别求出被试全脑两两脑区信号间的皮尔森相关系数，得到227个动态变化的全脑功能连接矩阵(图4)。
全脑两两脑区信号间的皮尔森相关系数具体是指第i个滑动窗下脑区Aj、Ak之间的皮尔森相关系数
Figure BDA0001410257200000051
其公式如下：
Figure BDA0001410257200000052
式中
Figure BDA0001410257200000053
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差。
步骤四：进行动态功能连接网络聚类分析；动态功能连接网络聚类分析是指对得到的动态脑功能连接矩阵进行聚类分析，分析全脑的动态功能连接变化规律。
采用距离做为相似性评价指标的K均值聚类算法进行动态功能连接网络聚类分析，K均值聚类且聚类数目为5，该算法具有线性的时间复杂度，可以发现元素的内在规律，得到互不交叠的簇，因此选用这种方法。得到具体如下：
步骤A：选取全脑功能连接矩阵中变异性较强的矩阵为聚类样本进行第一次5均值聚类，聚类结果得到5个状态
步骤B：以5个状态为初始聚类中心再次对全脑功能连接矩阵进行聚类，得到的5个状态是动态脑功能连接矩阵的聚类结果。
5个状态是全脑功能连接矩阵是指随着时间的变化所有动态脑功能连接矩阵在5个状态之间波动，5个状态称作脑网络功能连接微状态(图5)。
步骤五：进行脑网络功能连接微状态特征量化分析；脑网络功能连接微状态特征量包括微状态停留时间、微状态转换次数和微状态稳定性。
微状态停留时间：统计所有动态功能连接矩阵被聚类到各个微状态的个数，即得到动态功能连接在各微状态的停留时间(停留时间的单位是窗长W)的总和Tk，即为微状态停留时间：T1＝38，T2＝10，T3＝105，T4＝6，T5＝68；
微状态转换次数：各微状态之间的相互转化次数可以被计算出来得到K×K的微状态间的转换次数矩阵，转换次数矩阵的行为转换前的微状态，转换次数列矩阵的列为转换后的微状态，分别计算转换次数矩阵中除对角线元素值的每一列的和得的到每一个微状态向其他各微状态转换次数的和，即微状态转换次数.
微状态1的转换次数为：N1＝N12+N13+N14+N15＝10
微状态2的转换次数为：N2＝N21+N23+N24+N25＝9
微状态3的转换次数为：N3＝N31+N32+N34+N35＝3
微状态4的转换次数为：N4＝N41+N42+N43+N45＝15
微状态5的转换次数为：N5＝N51+N52+N53+N54＝9
微状态稳定性：某一个状态随时间的变化不向其他状态转换的能力,
微状态1稳定性:C1＝T1/N1＝3.8
微状态2稳定性:C2＝T2/N2＝1.11
微状态3稳定性:C3＝T3/N3＝35
微状态4稳定性:C4＝T4/N4＝0.4
微状态5稳定性:C5＝T5/N5＝7.56
同一被试者微状态稳定性排序：C3>C5>C1>C2>C4,微状态稳定性的数值越大，微状态越稳定。
不同被试者处于同一微状态，微状态稳定性的数值越大，微状态越稳定，说明该被试维持该微状态的能力越强，对该状态对应脑活动的专注力越强。根据微状态所对应的脑网络的激活状态定位功能性网络，并判定该被试的网络激活情况是否正常，定位异常脑区，为神经外科手术领域提供技术支持。
与现有技术相比，通过对大脑动态功能连接矩阵进行聚类得到跨时间重现的功能连接微状态，将在稳态下只能得到一个功能连接网络的现象改编为的得到K个功能连接网络，大脑在不同的状态下每个微状态的停留时间以及稳定性都会有所差异，通过对脑网络功能连接微状态特征量如微状态停留时间、微状态转换次数和微状态稳定性进行分析实现对大脑功能状态的判别，脑网络功能连接微状态特征量中微状态稳定性综合了微状态停留时间、微状态转换次数，各特征量更加直观，便于判别。
以上对本发明的一个实例进行了详细说明，但内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于包括以下步骤：
步骤一：采集全脑的各个脑区内各体素的时间信号；
步骤二：求解各脑区的平均时间信号；
步骤三：构建全脑动态功能连接网络，得到动态脑功能连接矩阵；
步骤四：对得到的动态脑功能连接矩阵进行聚类分析，分析全脑的动态功能连接变化规律；采用K均值聚类算法进行动态功能连接网络聚类分析，具体如下：
步骤A：选取全脑功能连接矩阵中变异性强的矩阵为聚类样本进行第一次K均值聚类，聚类结果得到K个状态；
步骤B：以所述K个状态为初始聚类中心再次对全脑功能连接矩阵进行聚类，
得到的所述K个状态是动态脑功能连接矩阵的聚类结果；
步骤五：进行脑网络功能连接微状态特征量化分析。
2.根据权利要求1所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于所述步骤一中采集全脑的各个脑区内各体素的时间信号是指应用功能核磁共振可以获得全脑的n个脑区A1、A2……An内内各体素的时间信号；
所述步骤二中求解各脑区的平均时间信号是求解经预处理后的各脑区时间信号的均值S1、S2……Sn。
3.根据权利要求1或2所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于所述步骤三中构建全脑动态功能连接网络是指利用一特定宽度W的滑动窗以步长为1个信号长度在时间信号S1、S2……Sn上滑动，在第i个时间窗下第n个脑区的时间信号表示为Sni，分别求出全脑两两脑区信号间的皮尔森相关系数，得到L-w+1个动态变化的全脑功能连接矩阵；其中，1≤i≤L-W+1。
4.根据权利要求3所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于全脑两两脑区信号间的皮尔森相关系数具体是指第i个滑动窗下脑区Aj、Ak之间的皮尔森相关系数
Figure FDA0003263558210000011
其公式如下：
Figure FDA0003263558210000012
式中，
Figure FDA0003263558210000021
Cov(X、Y)为X、Y的协方差，D(X)、D(Y)分别为X、Y的方差。
5.根据权利要求1所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于所述K个状态是指全脑功能连接矩阵随着时间的变化所有动态脑功能连接矩阵在所述K个状态之间波动，所述K个状态称作脑网络功能连接微状态。
6.根据权利要求1或2所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于所述步骤五中所述脑网络功能连接微状态特征量包括微状态停留时间、微状态转换次数和微状态稳定性。
7.根据权利要求6所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于所述微状态停留时间：统计所有动态功能连接矩阵被聚类到各个微状态的个数，即得到动态功能连接在各微状态的停留时间的总和Tk，即为微状态停留时间；
所述微状态转换次数：各微状态之间的相互转化次数可以被计算出来得到K×K的微状态间的转换次数矩阵，转换次数矩阵的行为转换前的微状态，转换次数矩阵的列为转换后的微状态，分别计算转换次数矩阵中除对角线元素值的每一列的和得的到每一个微状态向其他各微状态转换次数的和，即微状态转换次数Nk。
8.根据权利要求7所述的一种基于动态功能脑网络的大脑功能状态信息处理方法，其特征在于所述微状态稳定性：某一个状态随时间的变化不向其他状态转换的能力，微状态K稳定性计算公式为：
Ck＝Tk/Nk
式中，Tk为微状态K停留时间；Nk为微状态K转换次数。
CN201710838815.0A 2017-09-18 2017-09-18 一种基于动态功能脑网络的大脑功能状态信息处理方法 Active CN107832656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710838815.0A CN107832656B (zh) 2017-09-18 2017-09-18 一种基于动态功能脑网络的大脑功能状态信息处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710838815.0A CN107832656B (zh) 2017-09-18 2017-09-18 一种基于动态功能脑网络的大脑功能状态信息处理方法

Publications (2)

Publication Number Publication Date
CN107832656A CN107832656A (zh) 2018-03-23
CN107832656B true CN107832656B (zh) 2022-02-18

Family

ID=61643327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710838815.0A Active CN107832656B (zh) 2017-09-18 2017-09-18 一种基于动态功能脑网络的大脑功能状态信息处理方法

Country Status (1)

Country Link
CN (1) CN107832656B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108577835B (zh) * 2018-05-17 2019-07-19 太原理工大学 一种基于微状态的脑功能网络构建方法
CN110232332A (zh) * 2019-05-23 2019-09-13 中国人民解放军国防科技大学 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统
CN110584684B (zh) * 2019-09-11 2021-08-10 五邑大学 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法
CN116597994B (zh) * 2023-05-16 2024-05-14 天津大学 基于脑激活聚类算法的精神疾病脑功能活动测评装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488189A (zh) * 2009-02-04 2009-07-22 天津大学 基于独立分量自动聚类处理的脑电信号处理方法
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
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统
CN104473636A (zh) * 2014-12-30 2015-04-01 天津大学 一种基于偏定向相干的疲劳脑网络分析方法
CN106204581A (zh) * 2016-07-08 2016-12-07 西安交通大学 基于pca与k均值聚类的动态脑功能连接模式分解方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488189A (zh) * 2009-02-04 2009-07-22 天津大学 基于独立分量自动聚类处理的脑电信号处理方法
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
CN104346530A (zh) * 2014-10-29 2015-02-11 中国科学院深圳先进技术研究院 大脑异常参数的提取方法和系统
CN104473636A (zh) * 2014-12-30 2015-04-01 天津大学 一种基于偏定向相干的疲劳脑网络分析方法
CN106204581A (zh) * 2016-07-08 2016-12-07 西安交通大学 基于pca与k均值聚类的动态脑功能连接模式分解方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Cluster-based analysis for characterizing dynamic functional connectivity;Sadia Shakil;《Conf Proc IEEE Eng Med Biol Soc. Author manuscript》;20150605;论文全文 *

Also Published As

Publication number Publication date
CN107832656A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107832656B (zh) 一种基于动态功能脑网络的大脑功能状态信息处理方法
CN109522894B (zh) 一种探测fMRI脑网络动态协变的方法
Selvakumari et al. Patient-specific seizure detection method using hybrid classifier with optimized electrodes
WO2021226778A1 (zh) 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质
CN110265148B (zh) 一种fMRI脑网络机制启发的动态功能模式学习方法
CN110598793B (zh) 一种大脑功能网络特征分类方法
Li et al. Surface-based single-subject morphological brain networks: effects of morphological index, brain parcellation and similarity measure, sample size-varying stability and test-retest reliability
Ashokkumar et al. Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection
Ylipaavalniemi et al. Analyzing consistency of independent components: An fMRI illustration
CN114041795B (zh) 基于多模态生理信息与深度学习的情绪识别方法及系统
Yan et al. Using max entropy ratio of recurrence plot to measure electrocorticogram changes in epilepsy patients
Fu et al. Adaptive covariance estimation of non-stationary processes and its application to infer dynamic connectivity from fMRI
CN110141211B (zh) 一种基于经验模态分解的稳态视觉诱发电位的分类方法
Xiong et al. Seizure detection algorithm based on fusion of spatio-temporal network constructed with dispersion index
Zhang et al. Whole-brain dynamic resting-state functional network analysis in benign epilepsy with Centrotemporal spikes
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
Pakravan et al. Extraction and automatic grouping of joint and individual sources in multisubject fMRI data using higher order cumulants
CN116269440A (zh) 一种脑电信号的特征提取方法、装置、系统及介质
CN116226625A (zh) 一种瞬态共激活模式分析方法及系统
CN106175673A (zh) 一种自动识别和提取睡眠脑电中纺锤波的方法
CN115985488A (zh) 基于动态超网络的脑疾病诊断方法、装置及系统
CN115659144A (zh) 基于fMRI多频段分析的亚健康人员分类方法、系统及设备
CN114266738A (zh) 轻度脑损伤磁共振影像数据的纵向分析方法及系统
Khalid et al. Adaptive 2DCCA based approach for improving spatial specificity of activation detection in functional MRI
CN110473202B (zh) 一种高阶动态功能连接网络的时序不变特征提取方法

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
GR01 Patent grant
GR01 Patent grant