CN109259764A - 一种确定动态脑功能网络阈值方法 - Google Patents
一种确定动态脑功能网络阈值方法 Download PDFInfo
- Publication number
- CN109259764A CN109259764A CN201810839319.1A CN201810839319A CN109259764A CN 109259764 A CN109259764 A CN 109259764A CN 201810839319 A CN201810839319 A CN 201810839319A CN 109259764 A CN109259764 A CN 109259764A
- Authority
- CN
- China
- Prior art keywords
- brain function
- function network
- threshold
- threshold value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003925 brain function Effects 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 210000004556 brain Anatomy 0.000 claims description 16
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 7
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 2
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 230000001755 vocal effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
Abstract
本发明公开了一种确定动态脑功能网络阈值方法,属于信号处理领域。本发明结合滑动时间窗口技术的特点,用不同的阈值将每个时间窗口内构建的相关系数矩阵稀疏二值化,并通过脑功能网络小世界性和完整性来判断阈值的合理性,因此通过确定的阈值可以减少在用相关分析方法构建动态脑功能网络时的盲目性,从而能构建一个合理的脑功能网络;同时既可避免阈值选取过程中的随意性,又能在合理的情况下便于对后续动态脑功能网络的研究。
Description
技术领域
本发明涉及一种确定动态脑功能网络阈值方法,属于信号处理领域。
背景技术
在使用相关分析构建人脑功能网络时,不同的阈值会对所构建的脑功能网络拓扑性质产生较大的影响。但是目前对于如何选取阈值还没有一个统一的方法。当前比较流行的确定阈值的方法一般会根据脑功能网络已有的特性进行阈值分析,比如小世界性、稀疏性和完整性等,或者通过选取不同的阈值来构建脑功能网络并分析脑功能网络不同的拓扑性质。但是在通过滑动时间窗口技术研究脑功能网络的动态演变过程时,一个fMRI样本会形成多个时间窗口,在每个时间窗口内使用相关分析方法计算相关稀疏矩阵时,该矩阵不经过阈值处理所构建的网络就是一个全连接网络,显然不符合真实脑功能网络稀疏的特性。而且在不同的静息态fMRI扫描时间段上,脑区之间的信息交互会有变化,脑功能网络的具体特征也会随着时间改变,如果随意使用一个固定的阈值对相关系数矩阵进行稀疏二值化时,虽然脑网络已经稀疏,但是不能保证该脑网络满足其他特性。
发明内容
本发明提供一种确定动态脑功能网络阈值方法,以用于实现动态脑功能网络阈值的选取。
本发明的技术方案是:一种确定动态脑功能网络阈值方法,所述方法步骤如下:
步骤一:将n个静息态fMRI原始数据样本进行预处理得到m个脑区在k个采样点上的BOLD信号时间序列;利用滑动窗口技术遍历整个时间序列,将一个样本的BOLD信号时间序列划分为g个时间窗口,n个样本形成n×g个时间窗口;使用相关分析方法构建每个时间窗口内的m个脑区之间的相关系数矩阵,n个样本得到n×g个m×m的相关系数矩阵G(xy),其中x=1,2…n,y=1,2…g;
步骤二:针对每个时间窗口,以步长为0.01从0.01至0.99选择不同阈值T在不考虑自相关的情况下将相关系数矩阵G(xy)稀疏化二值化得到稀疏二值矩阵SG(xy);
步骤三:在矩阵SG(xy)基础上进行完整性判断确定符合阈值范围的上界当选择的阈值T满足则脑功能网络符合完整性;其中i=1,2…m,SGij (xy)表示SG(xy)的第i行第j列;
步骤四:在矩阵SG(xy)基础上所构建脑功能网络并进行小世界性判断确定符合的阈值范围的下界当选择的阈值T使σ>1时,则构建的脑功能网络符合小世界性;其中,σ=λ/γ,λ是小世界网络与随机网络的聚类系数比值,γ是小世界网络与随机网络最短路径系数的比值;
步骤五:通过步骤三和步骤四确定每个时间窗口内符合完整性、小世界性的阈值范围,所有时间窗口计算出的相关系数矩阵确定n×g个阈值范围;
步骤六:对步骤五产生的n×g个阈值范围求并集从而合成一个阈值范围,在该阈值范围内某一阈值T'出次次数最高的阈值为选取的动态脑功能网络阈值。
所述相关分析方法采用Pearson相关分析方法、Kendall相关分析方法或Spearman相关分析方法。
本发明的有益效果是:因为静息态fMRI原始数据样本不同以及每个样本不同时间窗口内脑区之间的交互强度是不同,所以这些阈值范围会发生改变,本发明结合滑动时间窗口技术的特点,用不同的阈值将每个时间窗口内构建的相关系数矩阵稀疏二值化,并通过脑功能网络小世界性和完整性来判断阈值的合理性,因此通过确定的阈值可以减少在用相关分析方法构建动态脑功能网络时的盲目性,从而能构建一个合理的脑功能网络;同时既可避免阈值选取过程中的随意性,又能在合理的情况下便于对后续动态脑功能网络的研究。
附图说明
图1为本发明确定动态脑功能网络阈值方法过程图;
图2为本发明滑动时间窗口构建以及相关系数矩阵的构建方法图;
图3为本发明相关系数矩阵稀疏二值化并进行阈值分析方法图;
图4为本发明脑功能网络合理比例随阈值变化图。
具体实施方式
实施例1:如图1-4所示,一种确定动态脑功能网络阈值方法,所述方法步骤如下:
步骤一:使用Python/FSL Resting State Pipline平台对20个静息态fMRI原始数据样本进行预处理,其中静息态fMRI原始图像数据有265个采样时间点。以其中一个样本进行说明,采用自动解剖图集(Automated Anatomical Labeling,AAL)将全脑分为90个脑区。经过去除前4个时间点、时间层矫正、头动矫正、颅骨去除和带通滤波预处理步骤后得到90个脑区脑区在261采样点上的BOLD信号时间序列。然后以90个脑区BOLD信号的采样时间轴作为基准,利用滑动时间窗口技术以步长1,时间窗口大小为20依次遍历整个时间序列,每一个小时间窗口内的BOLD信号时间序列形成当前采样点的时间时间窗口,这样得到242(242=261-20+1)个时间窗口。时间窗口的构建如图2所示;20个样本形成20×242个时间窗口;
使用Pearson相关分析方法构建每个时间窗口内的90个脑区之间的相关系数矩阵,20个样本得到20×242个90×90的相关系数矩阵G(xy),构建过程如图2所示。其中x=1,2…20,y=1,2…242;
步骤二:针对每个时间窗口,以步长为0.01从0.01至0.99选择不同阈值T在不考虑自相关的情况下将相关系数矩阵G(xy)稀疏化二值化得到稀疏二值矩阵SG(xy);该过程如图3所示。
步骤三:在矩阵SG(xy)基础上进行完整性判断确定符合阈值范围的上界当选择的阈值T满足则脑功能网络符合完整性;其中i=1,2…m,SGij (xy)表示SG(xy)的第i行第j列;即依次判断稀疏二值矩阵的每一行是否为0;当阈值选择越大,该条件越难以满足,因此可以确定一个上界。
步骤四:在矩阵SG(xy)基础上所构建脑功能网络并进行小世界性判断确定符合的阈值范围的下界当选择的阈值T使σ>1时,则构建的脑功能网络符合小世界性;其中,σ=λ/γ,λ是小世界网络与随机网络的聚类系数比值,γ是小世界网络与随机网络最短路径系数的比值;当阈值T选择越小,小世界性越难以满足,因此可以确定一个下界。
通过步骤三、四的构建过程如图3所示,其中孤立脑区个数体现的完整性,σ体现小世界性。
步骤五:通过步骤三和步骤四确定每个时间窗口内符合完整性、小世界性的阈值范围(以步长变化进行阈值的点值确定,同时完整性和小世界性是会因达到一个临界的点而不满足,因此可知能确定的阈值形成一个满足要求的范围),所有时间窗口计算出的相关系数矩阵确定20×242个阈值范围;
步骤六:对步骤五产生的20×242个阈值范围求并集从而合成一个阈值范围,在该阈值范围内某一阈值0.5出次次数最高的阈值为选取的动态脑功能网络阈值。统计结果图如图4所示:当阈值选取为0.5时,所构建的4840个脑网络都符合完整性和小世界性。
进一步地,所述相关分析方法还可以采用Kendall相关分析方法或Spearman相关分析方法。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种确定动态脑功能网络阈值方法,其特征在于:所述方法步骤如下:
步骤一:将n个静息态fMRI原始数据样本进行预处理得到m个脑区在k个采样点上的BOLD信号时间序列;利用滑动窗口技术遍历整个时间序列,将一个样本的BOLD信号时间序列划分为g个时间窗口,n个样本形成n×g个时间窗口;使用相关分析方法构建每个时间窗口内的m个脑区之间的相关系数矩阵,n个样本得到n×g个m×m的相关系数矩阵G(xy),其中x=1,2…n,y=1,2…g;
步骤二:针对每个时间窗口,以步长为0.01从0.01至0.99选择不同阈值T在不考虑自相关的情况下将相关系数矩阵G(xy)稀疏化二值化得到稀疏二值矩阵SG(xy);
步骤三:在矩阵SG(xy)基础上进行完整性判断确定符合阈值范围的上界当选择的阈值T满足则脑功能网络符合完整性;其中i=1,2…m,SGij (xy)表示SG(xy)的第i行第j列;
步骤四:在矩阵SG(xy)基础上所构建脑功能网络并进行小世界性判断确定符合的阈值范围的下界当选择的阈值T使σ>1时,则构建的脑功能网络符合小世界性;其中,σ=λ/γ,λ是小世界网络与随机网络的聚类系数比值,γ是小世界网络与随机网络最短路径系数的比值;
步骤五:通过步骤三和步骤四确定每个时间窗口内符合完整性、小世界性的阈值范围,所有时间窗口计算出的相关系数矩阵确定n×g个阈值范围;
步骤六:对步骤五产生的n×g个阈值范围求并集从而合成一个阈值范围,在该阈值范围内某一阈值T'出次次数最高的阈值为选取的动态脑功能网络阈值。
2.根据权利要求1所述的确定动态脑功能网络阈值方法,其特征在于:所述相关分析方法采用Pearson相关分析方法、Kendall相关分析方法或Spearman相关分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839319.1A CN109259764B (zh) | 2018-07-27 | 2018-07-27 | 一种确定动态脑功能网络阈值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839319.1A CN109259764B (zh) | 2018-07-27 | 2018-07-27 | 一种确定动态脑功能网络阈值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109259764A true CN109259764A (zh) | 2019-01-25 |
CN109259764B CN109259764B (zh) | 2021-05-14 |
Family
ID=65153252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810839319.1A Active CN109259764B (zh) | 2018-07-27 | 2018-07-27 | 一种确定动态脑功能网络阈值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109259764B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211671A (zh) * | 2019-05-28 | 2019-09-06 | 安徽师范大学 | 一种基于权值分布的阈值化方法 |
CN111150392A (zh) * | 2020-02-12 | 2020-05-15 | 五邑大学 | 一种有向动态脑功能网络多类情绪识别构建方法及其装置 |
WO2021046949A1 (zh) * | 2019-09-11 | 2021-03-18 | 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 |
CN112651976A (zh) * | 2020-10-13 | 2021-04-13 | 首都医科大学附属北京天坛医院 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080249431A1 (en) * | 2006-09-29 | 2008-10-09 | The Regents Of The University Of California | Burst suppression monitor for induced coma |
CN102138782A (zh) * | 2011-03-10 | 2011-08-03 | 电子科技大学 | 一种脑功能有效连接分析方法 |
CN102156976A (zh) * | 2009-12-25 | 2011-08-17 | 索尼公司 | 运算装置、运算方法、运算程序、以及显微镜 |
CN105486934A (zh) * | 2015-12-23 | 2016-04-13 | 北京握奇智能科技有限公司 | 一种基于直线拟合的脉冲波形前沿检测的方法和系统 |
CN106991773A (zh) * | 2017-05-16 | 2017-07-28 | 华中科技大学 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
CN107292095A (zh) * | 2017-06-09 | 2017-10-24 | 北京工业大学 | 一种基于多尺度窗口为阈值的复杂度分析方法 |
CN107280650A (zh) * | 2016-03-31 | 2017-10-24 | 日本电气株式会社 | 生命体特征参数获取方法及装置 |
US9897634B2 (en) * | 2014-10-04 | 2018-02-20 | Intelligent Fusion Technology, Inc. | Sliding window energy detection for spectrum sensing under low SNR conditions |
CN108071941A (zh) * | 2017-12-13 | 2018-05-25 | 清华大学 | 一种基于时序向量相似度分析的爆管识别与定位方法 |
-
2018
- 2018-07-27 CN CN201810839319.1A patent/CN109259764B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080249431A1 (en) * | 2006-09-29 | 2008-10-09 | The Regents Of The University Of California | Burst suppression monitor for induced coma |
CN102156976A (zh) * | 2009-12-25 | 2011-08-17 | 索尼公司 | 运算装置、运算方法、运算程序、以及显微镜 |
CN102138782A (zh) * | 2011-03-10 | 2011-08-03 | 电子科技大学 | 一种脑功能有效连接分析方法 |
US9897634B2 (en) * | 2014-10-04 | 2018-02-20 | Intelligent Fusion Technology, Inc. | Sliding window energy detection for spectrum sensing under low SNR conditions |
CN105486934A (zh) * | 2015-12-23 | 2016-04-13 | 北京握奇智能科技有限公司 | 一种基于直线拟合的脉冲波形前沿检测的方法和系统 |
CN107280650A (zh) * | 2016-03-31 | 2017-10-24 | 日本电气株式会社 | 生命体特征参数获取方法及装置 |
CN106991773A (zh) * | 2017-05-16 | 2017-07-28 | 华中科技大学 | 一种基于s变换特征提取的安防系统振动信号识别方法 |
CN107292095A (zh) * | 2017-06-09 | 2017-10-24 | 北京工业大学 | 一种基于多尺度窗口为阈值的复杂度分析方法 |
CN108071941A (zh) * | 2017-12-13 | 2018-05-25 | 清华大学 | 一种基于时序向量相似度分析的爆管识别与定位方法 |
Non-Patent Citations (4)
Title |
---|
SENLIN WU,RONG CHEN: "THRESHOLD VARIABLE DETERMINATION AND THRESHOLD VARIABLE DRIVEN SWITCHING AUTOREGRESSIVE MODELS", 《STATISTICA SINICA》 * |
杨健,张焕国: "约束条件下基于区间组合的测试用例生成", 《武汉大学学报(理学版)》 * |
胡云奉: "基于图论的脑连接关系构建与分析", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
黄晓霞,何红霞: "基于偏相关系数的脑功能连接分析", 《计算机应用与软件》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211671A (zh) * | 2019-05-28 | 2019-09-06 | 安徽师范大学 | 一种基于权值分布的阈值化方法 |
CN110211671B (zh) * | 2019-05-28 | 2021-03-16 | 安徽师范大学 | 一种基于权值分布的阈值化方法 |
WO2021046949A1 (zh) * | 2019-09-11 | 2021-03-18 | 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 |
CN111150392A (zh) * | 2020-02-12 | 2020-05-15 | 五邑大学 | 一种有向动态脑功能网络多类情绪识别构建方法及其装置 |
CN112651976A (zh) * | 2020-10-13 | 2021-04-13 | 首都医科大学附属北京天坛医院 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 |
CN112651976B (zh) * | 2020-10-13 | 2022-07-19 | 首都医科大学附属北京天坛医院 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109259764B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109259764A (zh) | 一种确定动态脑功能网络阈值方法 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN112350899B (zh) | 一种基于图卷积网络融合多特征输入的网络流量预测方法 | |
CN108416755A (zh) | 一种基于深度学习的图像去噪方法及系统 | |
CN104281858B (zh) | 三维卷积神经网络训练方法、视频异常事件检测方法及装置 | |
CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
CN106845401A (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
CN107785029A (zh) | 目标语音检测方法及装置 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN106570516A (zh) | 一种利用卷积神经网络cnn的障碍物识别方法 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN102930495B (zh) | 一种基于隐写测评的隐写分析方法 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN106951912B (zh) | 一种果蔬外观变化识别模型的建立方法和识别方法 | |
CN109394205A (zh) | 一种基于深度神经网络的心电信号多病症分析方法 | |
CN108549685A (zh) | 行为分析方法、装置、系统及可读存储介质 | |
CN106685749B (zh) | 网络流量的检验方法和装置 | |
CN113570861B (zh) | 一种基于合成数据的交通流量预测方法及装置 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
Shen et al. | Discussion of skill improvement in marine ecosystem dynamic models based on parameter optimization and skill assessment | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN115941934A (zh) | 基于深度卷积神经网络的多帧融合视频噪声评估方法 | |
CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 |
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 |