CN109259764B - 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
- CN109259764B CN109259764B CN201810839319.1A CN201810839319A CN109259764B CN 109259764 B CN109259764 B CN 109259764B CN 201810839319 A CN201810839319 A CN 201810839319A CN 109259764 B CN109259764 B CN 109259764B
- Authority
- CN
- China
- Prior art keywords
- threshold
- brain function
- function network
- network
- threshold value
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
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'出现 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 CN109259764A (zh) | 2019-01-25 |
CN109259764B true 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) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
CN116564484A (zh) * | 2023-05-16 | 2023-08-08 | 天津大学 | 一种基于网络稀疏度阈值选择的脑功能网络构建方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009004403A2 (en) * | 2006-09-29 | 2009-01-08 | The Regents Of The University Of California | Burst suppression monitor for induced coma |
JP5504881B2 (ja) * | 2009-12-25 | 2014-05-28 | ソニー株式会社 | 演算装置、演算方法、演算プログラム及び顕微鏡 |
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 |
CN105486934B (zh) * | 2015-12-23 | 2019-04-02 | 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 |
CN107280650B (zh) * | 2016-03-31 | 2021-04-13 | 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 |
CN108071941B (zh) * | 2017-12-13 | 2019-06-11 | 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
Also Published As
Publication number | Publication date |
---|---|
CN109259764A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109259764B (zh) | 一种确定动态脑功能网络阈值方法 | |
CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN105528638B (zh) | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 | |
CN110570346B (zh) | 一种基于循环生成对抗网络对书法进行风格迁移的方法 | |
CN106250931A (zh) | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 | |
CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
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 | |
Diao et al. | Short-term weather forecast based on wavelet denoising and catboost | |
CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
CN113988357B (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN113780436A (zh) | 一种基于综合度的复杂网络关键节点识别方法 | |
CN111860570A (zh) | 一种云微粒子图像提取及分类方法 | |
CN112881987A (zh) | 一种基于lstm模型的机载相控阵雷达行为预测方法 | |
Medeiros et al. | Applying the coral reefs optimization algorithm to clustering problems | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
CN113554716A (zh) | 基于知识蒸馏的瓷砖色差检测方法及装置 | |
CN117725373A (zh) | 面向稀疏采集的农机轨迹补全方法、装置及电子设备 | |
CN111104339A (zh) | 基于多粒度学习的软件界面元素检测方法、系统、计算机设备和存储介质 | |
CN116595313A (zh) | 基于多尺度残差注意力网络的故障诊断方法及系统 |
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 |