CN108921286B - 一种免阈值设定的静息态功能脑网络构建方法 - Google Patents
一种免阈值设定的静息态功能脑网络构建方法 Download PDFInfo
- Publication number
- CN108921286B CN108921286B CN201810694618.0A CN201810694618A CN108921286B CN 108921286 B CN108921286 B CN 108921286B CN 201810694618 A CN201810694618 A CN 201810694618A CN 108921286 B CN108921286 B CN 108921286B
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- matrix
- brain network
- binary
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种免阈值设定的静息态功能脑网络构建方法,包括以下步骤:步骤S1:获取fMRI数据并提取各个脑区的BOLD信号矩阵;步骤S2:对BOLD信号进行信号处理并计算各个脑区间的皮尔森相关系数以此构建实数脑网络矩阵;步骤S3:将步骤S2中构建的实数脑网络矩阵输入神经网络并输出二值脑网络矩阵;步骤S4:采用遗传优化算法优化步骤S3输出的二值脑网络矩阵;步骤S5:如果步骤S4输出的二值脑网络矩阵符合优化条件,则获取最优二值脑网络矩阵;否则,重新配置神经网络参数,并重复步骤S2‑S5;步骤S6:根据步骤S5中最优二值脑网络矩阵产生免阈值静息态脑功能网络。
Description
技术领域
本发明涉及静息态下功能脑网络构建技术领域,尤其涉及一种免阈值设定的静息态功能脑网络构建方法。
背景技术
大量来自功能磁共振成像(fMRI)的研究表明人处于静息状态(即大脑无特定任务状态)下,大脑区域间存在着低频自发神经元活动的同步性,这种同步活动具有重要的生理意义,同步的脑区构成了功能脑网络。基于图论的复杂网络分析技术使得关于大脑同步活动网络的拓扑结构研究成为可能。
目前三种传统的网络相似度比较方法,即基于退火算法的属性比较法,皮尔逊比较法和Jaccard比较法。基于退火算法的属性比较法是通过对两组网络的属性的统计检验然后利用模拟退火算法对其进行分析。Jaccard的比较方法主要是通过衡量网络重合度来比较两个网络的相似性,重合度越高相似度越强。皮尔逊相关的比较方法是将向量相关的比较方法扩展到矩阵相关,比较两个网络矩阵的相关性,若网络矩阵的相关性好,则网络的相似度高。
相关系数是由统计学家卡尔·皮尔逊设计的一种统计指标,用来反映变量之间相关关系密切程度。相关系数是通过积差方法计算,在两变量与各自平均值的离差基础上将两个离差相乘,以达到反映两变量之间相关程度的目的。这个相关系数就是皮尔逊相关。我们将这种对向量之间进行相关的方法引用到对矩阵的相关性计算中就得到了皮尔逊比较方法。具体而言,在脑网络研究中一个网络的载体是一个二值矩阵,比较网络之间的相似程度可以转化为比较代表这两个网络的两个二值矩阵的相似程度,而比较矩阵的相似程度可以用到皮尔逊相关系数,所以可以得到这样的结论:代表两个网络的二值矩阵的皮尔逊相关系数越大,那么两个网络越相似。当前主流的方法是人为设定一个阈值,比较皮尔逊相关系数与阈值的大小,当皮尔逊相关系数大于阈值时,将皮尔逊相关系数设置为“1”,认为脑区相关;反之将皮尔逊相关系数设置为“0”,,认为脑区不相关。由于阈值的选择受人为因素影响较大,如何选择合理的阈值从而构建真正的脑网络方法一致困扰着业界。
故,针对现有技术的缺陷,实有必要提出一种技术方案以解决现有技术存在的技术问题。
发明内容
有鉴于此,确有必要提供一种免阈值设定的静息态功能脑网络构建方法,采用预处理过的BOLD(血氧饱和度)信号,依次采用滑动窗口采样技术、皮尔森相关性检验技术、遗传算法等自主重构静息态功能脑网络作为认知大脑内部的工作机制,从而构建合理的脑网络用于脑疾病分析,为研究人脑内部的神经活动规律以及脑部疾病诊断提供有效的手段和依据。
为了解决现有技术存在的技术问题,本发明的技术方案如下:
一种免阈值设定的静息态功能脑网络构建方法,包括以下步骤:
步骤S1:获取fMRI数据并提取各个脑区的BOLD信号矩阵;
步骤S2:对BOLD信号进行信号处理并计算各个脑区间的皮尔森相关系数以此构建实数脑网络矩阵;
步骤S3:将步骤S2中构建的实数脑网络矩阵输入神经网络并输出二值脑网络矩阵;
步骤S4:采用遗传优化算法优化步骤S3输出的二值脑网络矩阵;
步骤S5:如果步骤S4输出的二值脑网络矩阵符合优化条件,则获取最优二值脑网络矩阵;否则,重新配置神经网络参数,并重复步骤S3-S5;
步骤S6:根据步骤S5中最优二值脑网络矩阵产生免阈值静息态脑功能网络;
其中,步骤S3中,
所构造神经网络结构如下:
隐藏层计算公式为:
其中,xi为输入层节点,{i∈N+,[1,19]},即步骤S2中获取的实数脑网络矩阵;Hj为隐藏层节点,{j∈N+,[1,20]},wij为输入层节点权值;aj为输入层偏置;f(x)为Sigmod函数;
输出层计算公式为:
Yk为输出节点,{k∈N+,[1,2]};wjk为隐藏层节点权值;bk为隐藏层偏置;
在步骤S4中,遗传优化进一步包括以下步骤:
其中,wij:为输入层节点权值,{wij∈R+,[0,1]};
aj:为输入层节点的偏置,{aj∈R+,[0,1]};
wjk:为隐藏层节点权值,{wjk∈R+,[0,1]};
bk:为隐藏层节点的偏置,{bk∈R+,[0,1]};
(2)设定种群数量10000个,并随机产生;
(3)利用静息态功能脑网络的小世界特性,设置适应度函数作为优化条件,具体步骤如下:
a)满足稀疏性条件下,选择最优小世界网络结构:
b)统计皮尔逊相关系数矩阵经过神经网络计算后,Y=1的数量K,保证矩阵稀疏性;
也即如下公式:
maxS
s.t.K≤0.1N2,N=90;
其中,
Cg,经过遗传算法求解后得到的静息态功能脑网络聚类系数;
Lg,经过遗传算法求解后得到的静息态功能脑网络特征路径长度;
与现有技术相比较,本发明利用遗传算法,通过神经网络自学习出最优脑网络,从而避免了人为设置阈值对脑网络构建带了的主观因素影响。
附图说明
图1为本发明一种免阈值设定的静息态功能脑网络构建方法的流程框图。
如下具体实施例将结合上述附图进一步说明本发明。
具体实施方式
以下将结合附图对本发明提供的技术方案作进一步说明。
参见图1,所示为本发明一种免阈值设定的静息态功能脑网络构建方法的流程框图,包括以下步骤:
步骤S1:获取fMRI数据并提取各个脑区的BOLD信号矩阵;
步骤S2:对BOLD信号进行信号处理并计算各个脑区间的皮尔森相关系数以此构建实数脑网络矩阵;
步骤S3:将步骤S2中构建的实数脑网络矩阵输入神经网络并输出二值脑网络矩阵;
步骤S4:采用遗传优化算法优化步骤S3输出的二值脑网络矩阵;
步骤S5:如果步骤S4输出的二值脑网络矩阵符合优化条件,则获取最优二值脑网络矩阵;否则,重新配置神经网络参数,并重复步骤S3-S5;
步骤S6:根据步骤S5中最优二值脑网络矩阵产生免阈值静息态脑功能网络;
其中,步骤S3中,
所构造神经网络结构如下:
隐藏层计算公式为:
其中,xi为输入层节点,{i∈N+,[1,19]},即步骤S2中获取的实数脑网络矩阵;Hj为隐藏层节点,{j∈N+,[1,20]},wij为输入层节点权值;aj为输入层偏置;f(x)为Sigmod函数;
输出层计算公式为:
Yk为输出节点,{k∈N+,[1,2]};wjk为隐藏层节点权值;bk为隐藏层偏置;
在步骤S4中,遗传优化进一步包括以下步骤:
其中,wij:为输入层节点权值,{wij∈R+,[0,1]};
aj:为输入层节点的偏置,{aj∈R+,[0,1]};
wjk:为隐藏层节点权值,{wjk∈R+,[0,1]};
bk:为隐藏层节点的偏置,{bk∈R+,[0,1]};
(2)设定种群数量10000个,并随机产生;
(3)利用静息态功能脑网络的小世界特性,设置适应度函数作为优化条件,具体步骤如下:
a)满足稀疏性条件下,选择最优小世界网络结构:
b)统计皮尔逊相关系数矩阵经过神经网络计算后,Y=1的数量K,保证矩阵稀疏性;
也即如下公式:
maxS
s.t.K≤0.1N2,N=90;
其中,
Cg,经过遗传算法求解后得到的静息态功能脑网络聚类系数;
Lg,经过遗传算法求解后得到的静息态功能脑网络特征路径长度;
其中,步骤S1中,进一步包括:
1)数据预处理;
2)提取各脑区的时间序列;
3)选取感兴趣的脑部区域;
4)利用滑动时间窗口,截取各脑区的时间序列片段;
5)通过计算皮尔逊相关系数,并以此构建各个脑部区域的动态脑功能子网络;
在一种优选实施方式中,具体步骤如下:
1.对fMRI数据集进行预处理;
2.提取90个感兴趣脑区(得到90*200的BOLD信号矩阵);
3.通过sliding windows(windows尺寸为1*20),每10维信号相重叠,依次截取19段BOLD信号;
4.将90个脑区的19组信号,按时间序列排序并计算90个脑区间的皮尔森相关系数,构成脑网络3D张量模型90*90*19
5.将19个矩阵作为数据集输入给神经网络。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种免阈值设定的静息态功能脑网络构建方法,其特征在于,包括以下步骤:
步骤S1:获取fMRI数据并提取各个脑区的BOLD信号矩阵;
步骤S2:对BOLD信号进行信号处理并计算各个脑区间的皮尔森相关系数以此构建实数脑网络矩阵;
步骤S3:将步骤S2中构建的实数脑网络矩阵输入神经网络并输出二值脑网络矩阵;
步骤S4:采用遗传优化算法优化步骤S3输出的二值脑网络矩阵;
步骤S5:如果步骤S4输出的二值脑网络矩阵符合优化条件,则获取最优二值脑网络矩阵;否则,重新配置神经网络参数,并重复步骤S3-S5;
步骤S6:根据步骤S5中最优二值脑网络矩阵产生免阈值静息态脑功能网络;
其中,步骤S3中,
所构造神经网络结构如下:
隐藏层计算公式为:
其中,xi为输入层节点,{i∈N+,[1,19]},即步骤S2中获取的实数脑网络矩阵;Hj为隐藏层节点,{j∈N+,[1,20]},wij为输入层节点权值;aj为输入层偏置;f(x)为Sigmod函数;
输出层计算公式为:
Yk为输出节点,{k∈N+,[1,2]};wjk为隐藏层节点权值;bk为隐藏层偏置;
在步骤S4中,遗传优化进一步包括以下步骤:
(1)个体编码:[wij|aj|wjk|bk];
其中,wij:为输入层节点权值,{wij∈R+,[0,1]};
aj:为输入层节点的偏置,{aj∈R+,[0,1]};
wjk:为隐藏层节点权值,{wjk∈R+,[0,1]};
bk:为隐藏层节点的偏置,{bk∈R+,[0,1]};
(2)设定种群数量10000个,并随机产生;
(3)利用静息态功能脑网络的小世界特性,设置适应度函数作为优化条件,具体步骤如下:
a)满足稀疏性条件下,选择最优小世界网络结构:
b)统计皮尔逊相关系数矩阵经过神经网络计算后,Y=1的数量K,保证矩阵稀疏性;
也即如下公式:
maxS
s.t.K≤0.1N2,N=90;
其中,
Cg,经过遗传算法求解后得到的静息态功能脑网络聚类系数;
Lg,经过遗传算法求解后得到的静息态功能脑网络特征路径长度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810694618.0A CN108921286B (zh) | 2018-06-29 | 2018-06-29 | 一种免阈值设定的静息态功能脑网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810694618.0A CN108921286B (zh) | 2018-06-29 | 2018-06-29 | 一种免阈值设定的静息态功能脑网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921286A CN108921286A (zh) | 2018-11-30 |
CN108921286B true CN108921286B (zh) | 2020-03-31 |
Family
ID=64422199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810694618.0A Active CN108921286B (zh) | 2018-06-29 | 2018-06-29 | 一种免阈值设定的静息态功能脑网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921286B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656366B (zh) * | 2018-12-19 | 2022-02-18 | 电子科技大学中山学院 | 一种情感状态识别方法、装置、计算机设备及存储介质 |
CN110110855B (zh) * | 2019-05-28 | 2022-04-29 | 西北工业大学 | 基于深度循环神经网络和有监督字典学习的脑网络重构方法 |
CN110491518B (zh) * | 2019-07-31 | 2023-04-07 | 中国医学科学院生物医学工程研究所 | 一种针对任务态的经颅磁刺激建模仿真方法 |
CN110459317B (zh) * | 2019-08-13 | 2023-03-24 | 东北大学 | 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法 |
CN112866037A (zh) * | 2021-03-02 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于后邻域正则化的联网服务质量隐特征提取装置与方法 |
CN115294413B (zh) * | 2022-10-10 | 2023-01-24 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235143A1 (en) * | 2003-12-30 | 2015-08-20 | Kantrack Llc | Transfer Learning For Predictive Model Development |
KR20060030634A (ko) * | 2004-10-06 | 2006-04-11 | 삼성전자주식회사 | 건강 진단 휴대단말기 |
EP2718864A4 (en) * | 2011-06-09 | 2016-06-29 | Univ Wake Forest Health Sciences | AGENT-BASED BRAIN MODEL AND RELATED METHODS |
CN103258120A (zh) * | 2013-04-19 | 2013-08-21 | 杭州电子科技大学 | 一种基于脑电信号的中风康复程度指标计算方法 |
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 |
CN105726026A (zh) * | 2016-01-28 | 2016-07-06 | 电子科技大学 | 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法 |
CN106202720A (zh) * | 2016-07-11 | 2016-12-07 | 西南大学 | 脑网络模型建立方法 |
-
2018
- 2018-06-29 CN CN201810694618.0A patent/CN108921286B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108921286A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921286B (zh) | 一种免阈值设定的静息态功能脑网络构建方法 | |
CN110399857B (zh) | 一种基于图卷积神经网络的脑电情感识别方法 | |
CN110693493B (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 | |
CN110367967B (zh) | 一种基于数据融合的便携型轻量化人脑状态检测方法 | |
CN110163180A (zh) | 运动想象脑电数据分类方法及系统 | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
CN109645989B (zh) | 一种麻醉深度估计系统 | |
CN112766355B (zh) | 一种标签噪声下的脑电信号情绪识别方法 | |
CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
Ashokkumar et al. | RETRACTED: Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection | |
CN104771163A (zh) | 基于csp和r-csp算法的脑电信号特征提取方法 | |
CN112932505B (zh) | 一种基于时频能量的符号传递熵及脑网络特征计算方法 | |
CN110584596B (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
CN110251124B (zh) | 一种有效性脑网络的确定方法及系统 | |
CN112183477A (zh) | 一种基于持续同调的脑电信号持续特征提取方法 | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN112990008A (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及系统 | |
CN113476056A (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
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 | |
CN117574059A (zh) | 高分辨率脑电信号深度神经网络压缩方法及脑机接口系统 | |
CN108021873B (zh) | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 | |
CN108846407B (zh) | 基于独立成分高序不确定脑网络的磁共振影像分类方法 | |
CN113397567B (zh) | 一种人类行为脑电信号分类方法及系统 |
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 |