CN109316188A - 一种偏头痛脑功能连接模式的提取方法 - Google Patents
一种偏头痛脑功能连接模式的提取方法 Download PDFInfo
- Publication number
- CN109316188A CN109316188A CN201811153914.6A CN201811153914A CN109316188A CN 109316188 A CN109316188 A CN 109316188A CN 201811153914 A CN201811153914 A CN 201811153914A CN 109316188 A CN109316188 A CN 109316188A
- Authority
- CN
- China
- Prior art keywords
- brain
- function connection
- column vector
- migraine
- subject
- 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
Links
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
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种偏头痛脑功能连接模式的提取方法,如下:首先采集偏头痛患者和正常人的大脑静息态功能磁共振数据。之后对采集到的数据进行时间层矫正、头动矫正、标准化和平滑四步预处理。然后根据预处理后的数据,使用自动计算方式获取每个被试的全脑稳态功能连接列向量集。之后采用改进的K均值聚类算法对所有被试的全脑稳态功能连接列向量集进行聚类分析。最后根据阈值提取出偏头痛的脑功能连接模式,从而为后续进一步分析提供基础。该发明有助于根据动态性来获取偏头痛的脑功能连接模式。
Description
技术领域
本发明属于医学影像学图像处理技术领域,尤其是涉及一种基于动态功能连接的用于提取偏头痛脑功能连接模式的方法。
背景技术
偏头痛是一种以疼痛反复发作为临床特征的慢性神经综合征,常伴有恶心、呕吐、光敏感、噪声敏感等临床症状。偏头痛发病率比较高,症状严重影响人们的工作效率和生活质量。偏头痛的发病机制至今尚不完全清楚,目前主要有以下几种假说:皮层扩散性抑制学说、三叉神经血管学说、中枢疼痛调节系统功能异常等。并且偏头痛的诊断都基于医生问诊的方式,缺乏明确的生物标志物体征。随着功能影像学技术的发展,有望借助于功能影像学技术进一步了解偏头痛的发病机制,寻找偏头痛患者影像学上的特征性变化,再进一步结合计算机图像处理和数据挖掘技术,发现偏头痛的神经机制,辅助医生进行诊断和治疗。
在各种医学影像学技术中,功能磁共振是一种可以从功能上揭示大脑神经活动的影像学技术,具有无侵入性、无放射性、高空间分辨率和高时间分辨率等优点。特别是基于血氧水平依赖的功能磁共振(BOLD-fMRI)在临床上应用范围最为广泛。而其中的静息态功能磁共振,能够通过神经元的自发活动对静息态下的脑功能连接进行研究,因此对于进行揭示偏头痛的形成机制和病程发展阶段的相关研究更有意义。
目前研究主要集中于静态的功能连接,而人脑是一个复杂的结构。脑区之间的连接和作用是是随着时间动态变化的。当疾病发生时,其动态变化的异常会体现在相应的脑功能连接上。本技术发明旨在基于动态功能连接,通过一定的算法来提取出偏头痛的脑功能连接模式,在此基础上可以进一步研究偏头痛脑功能连接模式特征,从而为探索偏头痛的神经机制异常提供基础。
发明内容
本发明的目的在于提供一种提取偏头痛脑功能连接模式的方法。通过动态功能连接算法提取出全脑稳态功能连接列向量集,使用改进的K均值聚类算法对全脑稳态功能连接列向量集进行聚类。之后根据阈值,提取出偏头痛的脑功能连接模式。为进一步分析提供数据基础。
为了达到上述目的,本发明通过以下技术方案实现:
一种偏头痛脑功能连接模式的提取方法,其特点是,该提取方法包含如下步骤:
步骤1,采集多个偏头痛患者的大脑静息态功能磁共振数据和多个正常人的大脑静息态功能磁共振数据。
步骤2,对采集到的每个被试的静息态功能磁共振数据进行预处理操作,包括时间层矫正、头动矫正、标准化和平滑四个操作。
步骤3,根据上述预处理后的每个被试的静息态功能磁共振数据,使用自动计算方式获得每个被试的全脑稳态功能连接列向量集。
步骤4,使用改进的K均值聚类算法对所有被试的全脑稳态功能连接列向量集进行聚类分析。
步骤5,根据上述聚类分析结果,根据阈值提取偏头痛的脑功能连接模式。
所述的偏头痛脑功能连接模式的提取方法,其特点是,所述的步骤3包含如下步骤:
步骤3.1,对于每一个被试,计算所有脑区的平均时间序列,具体方法如下:根据预处理后的静息态功能磁共振数据,使用现有脑区模板获取全脑的N个脑区B1、B2、……BN所包含的体素的时间信号值,将每个脑区包含的时间信号值进行平均,形成N个脑区的平均时间序列T1、T2、……TN。对于时间长度为M的被试来说,平均时间序列其中 表示第n个脑区在i时刻所有体素的平均时间信号值。
步骤3.2,对于每一个被试,计算全脑动态功能连接矩阵组,具体方法如下:通过采用滑动窗方法,利用一个特定宽度W的滑动窗以步长为1在时间序列T1、T2……TN上滑动,在第j个时间窗下第n个脑区的时间序列表示为 计算该被试所有脑区两两时间序列之间的皮尔森相关系数,得到M-W+1个动态功能连接矩阵dFC,这些动态功能连接矩阵构成了该被试的全脑动态功能连接矩阵组SetdFC={dFC1,dFC2,…,dFCb,…,dFCM-W+1}。
进一步地,脑区两两时间序列之间的皮尔森相关系数具体是指第a个滑动窗下脑区Bx和By时间序列dTxa与dTya之间的皮尔森相关系数,其公式如下:
式中Cov(dTxa,dTya)为dTxa、dTya的协方差,D(dTxa)、D(dTya)分别为dTxa、dTya的方差,1≤a≤(M-W+1),1≤x≤N,1≤y≤N。
进一步地,动态功能连接矩阵dFCb是指第b个滑动窗下所有脑区两两时间序列之间的皮尔森相关系数组成的动态功能连接矩阵,具体表示为:
其中1≤b≤(M-W+1),1≤u≤N,1≤v≤N。
步骤3.3,对于每一个被试,计算全脑动态功能连接强度矩阵wdFC,具体方法如下:将全脑动态功能连接矩阵组SetdFC的动态功能连接矩阵dFCb(1≤b≤(M-W+1)),按照行将每行的数值累加后放到第一列,得到一个全脑动态功能连接强度列向量wdFCVb(1≤b≤(M-W+1));每个列向量大小为N×1;将M-W+1个列向量按照时间点从小到大进行拼接,形成全脑动态功能连接强度矩阵wdFC=[wdFCV1,wdFCV2,…,wdFCVb,…,wdFCVM-W+1],大小为N×(M-W+1)。
进一步地,wdFCVb是指第b个滑动窗下的全脑动态功能连接强度列向量,具体表示为:
其中1≤b≤(M-W+1),1≤c≤N,1≤d≤N。
步骤3.4,使用自动计算的方式将每一个被试的全脑动态功能连接强度矩阵进行自动分割,具体方法如下:对于每一个被试的全脑动态功能连接强度矩阵wdFC,依次计算wdFCVk(2≤k≤N-1)与wdFCVk-1的欧式距离记为Dist1,计算wdFCVk与wdFCVk+1记为Dist2;如果Dist2小于Dist1,则将k记录下来,标记为分割点;起始列向量和结尾列向量不做计算。
进一步地,列向量之间欧式距离,其公式如下:
其中E、F为列向量,eg为E的元素,fg为F的元素,H为列向量大小。
步骤3.5,对于每一个被试,计算全脑稳态功能连接列向量集,具体方法如下:根据得出的分割点,将动态功能连接强度矩阵wdFC沿着时间轴方向分割成段,对每个段内的值进行平均即可得到全脑稳态功能连接列向量;每个列向量大小为N×1;将所有列向量构成了该被试的全脑稳态功能连接列向量集。
上述的偏头痛脑功能连接模式的提取方法,其特点是,上述的步骤4包含如下步骤:
步骤4.1,将所有被试的全脑稳态功能连接列向量集进行合并构成聚类样本,每一个样本是一个被试的一个全脑稳态功能连接列向量;采用基于自动目标生成过程(ATGP)的方法生成Q个初始类心。
步骤4.2,根据上步的初始类心,采用K均值聚类算法对全脑稳态功能连接列向量样本进行聚类,得到Q个类别。
上述的偏头痛脑功能连接模式的提取方法,其特点是,上述的步骤5包含如下步骤:
步骤5.1,按照每个类别,计算属于偏头痛的样本数目与该类别所有样本数目的比例Propt1和属于正常人的样本数目与该类别所有样本数目的比例Propt2;计算R=Propt1/(Propt1+Propt2);如果R大于等于某一阈值,则将该类别标记出来。
步骤5.2,从标记的类别中提取出偏头痛的脑功能连接模式,具体方法如下:对于标记的类别,提取出属于偏头痛的所有样本,也就是属于偏头痛的全脑稳态功能连接列向量;之后逆向定位出步骤3.2的动态功能连接矩阵dFC,将定位出的所有动态功能连接矩阵dFC求平均,得出该类别下偏头痛的脑功能连接模式BFC,具体表示如下:
其中Numb指的是本类别中包含偏头痛的样本数。
本发明与现有技术相比具有以下优点:本发明引入动态功能连接的方法,有助于根据动态性来获取偏头痛的脑功能连接模式;本发明使用了自动分割的方法,提高了整个方法的准确度和效率;本发明提取的偏头痛的脑功能连接模式可以为临床上偏头痛疾病的进一步研究和防治提供分析基础。
附图说明
图1为本发明一种偏头痛脑功能连接模式的提取方法的整体流程图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示一种偏头痛脑功能连接模式的提取方法,该提取方法包含如下步骤:
步骤1,采集多个偏头痛患者的大脑静息态功能磁共振数据和多个正常人的大脑静息态功能磁共振数据。
按照临床医学诊断标准,分别采集偏头痛患者组(MP)和正常人对照组(NC)的大脑静息态功能磁共振图像,两组样本的数目各35个,一共70个被试。数据获取过程中被试要求保持大脑清醒,平躺于磁共振仪器内。每个被试的时间点数为160。
步骤2,对采集到的每个被试的静息态功能磁共振数据进行预处理操作,包括时间层矫正、头动矫正、标准化和平滑四个操作。
所有的数据集采用SPM8软件完成时间层矫正、头动矫正、标准化和平滑。
步骤3,根据上述预处理后的每个被试的静息态功能磁共振数据,使用自动计算方式获得每个被试的全脑稳态功能连接列向量集。
步骤3.1,对于每一个被试,计算所有脑区的平均时间序列,具体方法如下:根据预处理后的静息态功能磁共振数据,使用Brainnetome Atlas获取全脑的N=246个脑区B1、B2、……B246所包含的体素的时间信号值,将每个脑区包含的时间信号值进行平均,形成246个脑区的平均时间序列T1、T2、……T246。对于时间长度为M=160的被试来说,平均时间序列 其中表示第n个脑区在i时刻所有体素的平均时间信号值。
步骤3.2,对于每一个被试,计算全脑动态功能连接矩阵组,具体方法如下:通过采用滑动窗方法,利用一个特定宽度W=12的滑动窗以步长为1在时间序列T1、T2……T246上滑动,在第j个时间窗下第n个脑区的时间序列表示为
计算该被试所有脑区两两时间序列之间的皮尔森相关系数,得到149个动态功能连接矩阵dFC,这些动态功能连接矩阵构成了该被试的全脑动态功能连接矩阵组SetdFC={dFC1,dFC2,…,dFCb,…,dFC149}。
进一步地,脑区两两时间序列之间的皮尔森相关系数具体是指第a个滑动窗下脑区Bx和By时间序列dTxa与dTya之间的皮尔森相关系数,其公式如下:
式中Cov(dTxa,dTya)为dTxa、dTya的协方差,D(dTxa)、D(dTya)分别为dTxa、dTya的方差,1≤a≤149,1≤x≤246,1≤y≤246。
进一步地,动态功能连接矩阵dFCb是指第b个滑动窗下所有脑区两两时间序列之间的皮尔森相关系数组成的动态功能连接矩阵,具体表示为:
其中1≤b≤149,1≤u≤246,1≤v≤246,N=246。
步骤3.3,对于每一个被试,计算全脑动态功能连接强度矩阵wdFC,具体方法如下:将全脑动态功能连接矩阵组SetdFC的动态功能连接矩阵dFCb(1≤b≤149),按照行将每行的数值累加后放到第一列,得到一个全脑动态功能连接强度列向量wdFCVb(1≤b≤149);每个列向量大小为246×1;将149个列向量按照时间点从小到大进行拼接,形成全脑动态功能连接强度矩阵wdFC=[wdFCV1,wdFCV2,…,wdFCVb,…,wdFCV149],大小为246×149。
进一步地,wdFCVb是指第b个滑动窗下的全脑动态功能连接强度列向量,具体表示为:
其中1≤b≤149,1≤c≤246,1≤d≤246,N=246。
步骤3.4,使用自动计算的方式将每一个被试的全脑动态功能连接强度矩阵进行自动分割,具体方法如下:对于每一个被试的全脑动态功能连接强度矩阵wdFC,依次计算wdFCVk(2≤k≤(N-1=245))与wdFCVk-1的欧式距离记为Dist1,计算wdFCVk与wdFCVk+1记为Dist2;如果Dist2小于Dist1,则将k记录下来,标记为分割点;起始列向量和结尾列向量不做计算。
进一步地,列向量之间欧式距离,其公式如下:
其中E、F为列向量,eg为E的元素,fg为F的元素,H为列向量大小。在此实施例中H为246。
步骤3.5,对于每一个被试,计算全脑稳态功能连接列向量集,具体方法如下:根据得出的分割点,将动态功能连接强度矩阵wdFC沿着时间轴方向分割成段,对每个段内的值进行平均即可得到全脑稳态功能连接列向量;每个列向量大小为246×1;将所有列向量构成了该被试的全脑稳态功能连接列向量集。
步骤4,使用改进的K均值聚类算法对所有被试的全脑稳态功能连接列向量集进行聚类分析。
步骤4.1,将所有被试的全脑稳态功能连接列向量集进行合并构成聚类样本,每一个样本是一个被试的一个全脑稳态功能连接列向量;采用基于自动目标生成过程(ATGP)的方法生成20个初始类心。
步骤4.2,根据上步的初始类心,采用K均值聚类算法对全脑稳态功能连接列向量样本进行聚类,得到20个类别。
步骤5,根据上述聚类分析结果,根据阈值提取偏头痛的脑功能连接模式。
步骤5.1,按照每个类别,计算属于偏头痛的样本数目与该类别所有样本数目的比例Propt1和属于正常人的样本数目与该类别所有样本数目的比例Propt2;计算R=Propt1/(Propt1+Propt2);如果R大于等于某一阈值,则将该类别标记出来;本实施例中阈值定为0.8,将符合判定规则的类别标记出来。
步骤5.2,从标记的类别中提取出偏头痛的脑功能连接模式,具体方法如下:对于标记的类别,提取出属于偏头痛的所有样本,也就是属于偏头痛的全脑稳态功能连接列向量;之后逆向定位出步骤3.2的动态功能连接矩阵dFC,将定位出的所有动态功能连接矩阵dFC求平均,得出该类别下偏头痛的脑功能连接模式BFC,具体表示如下:
其中Numb指的是本类别中包含偏头痛的样本数。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (4)
1.一种偏头痛脑功能连接模式的提取方法,其特征在于,该提取方法包含如下步骤:
步骤1,采集多个偏头痛患者的大脑静息态功能磁共振数据和多个正常人的大脑静息态功能磁共振数据;
步骤2,对采集到的每个被试的静息态功能磁共振数据进行预处理操作,包括时间层矫正、头动矫正、标准化和平滑四个操作;
步骤3,根据上述预处理后的每个被试的静息态功能磁共振数据,使用自动计算方式获得每个被试的全脑稳态功能连接列向量集;
步骤4,使用改进的K均值聚类算法对所有被试的全脑稳态功能连接列向量集进行聚类分析;
步骤5,根据上述聚类分析结果,根据阈值提取偏头痛的脑功能连接模式。
2.如权利要求1所述的一种偏头痛脑功能连接模式的提取方法,其特征在于,所述的步骤3包含如下步骤:
步骤3.1,对于每一个被试,计算所有脑区的平均时间序列,具体方法如下:根据预处理后的静息态功能磁共振数据,使用现有脑区模板获取全脑的N个脑区B1、B2、……BN所包含的体素的时间信号值,将每个脑区包含的时间信号值进行平均,形成N个脑区的平均时间序列T1、T2、……TN;对于时间长度为M的被试来说,平均时间序列其中 表示第n个脑区在i时刻所有体素的平均时间信号值;
步骤3.2,对于每一个被试,计算全脑动态功能连接矩阵组,具体方法如下:通过采用滑动窗方法,利用一个特定宽度W的滑动窗以步长为1在时间序列T1、T2……TN上滑动,在第j个时间窗下第n个脑区的时间序列表示为 计算该被试所有脑区两两时间序列之间的皮尔森相关系数,得到M-W+1个动态功能连接矩阵dFC,这些动态功能连接矩阵构成了该被试的全脑动态功能连接矩阵组SetdFC={dFC1,dFC2,...,dFCb,...,dFCM-W+1};
进一步地,脑区两两时间序列之间的皮尔森相关系数具体是指第a个滑动窗下脑区Bx和By时间序列dTxa与dTya之间的皮尔森相关系数,其公式如下:
式中Cov(dTxa,dTya)为dTxa、dTya的协方差,D(dTxa)、D(dTya)分别为dTxa、dTya的方差,1≤a≤(M-W+1),1≤x≤N,1≤y≤N;
进一步地,动态功能连接矩阵dFCb是指第b个滑动窗下所有脑区两两时间序列之间的皮尔森相关系数组成的动态功能连接矩阵,具体表示为:
其中1≤b≤(M-W+1),1≤u≤N,1≤v≤N;
步骤3.3,对于每一个被试,计算全脑动态功能连接强度矩阵wdFC,具体方法如下:将全脑动态功能连接矩阵组SetdFC的动态功能连接矩阵dFCb(1≤b≤(M-W+1)),按照行将每行的数值累加后放到第一列,得到一个全脑动态功能连接强度列向量wdFCVb(1≤b≤(M-W+1));每个列向量大小为N×1;将M-W+1个列向量按照时间点从小到大进行拼接,形成全脑动态功能连接强度矩阵wdFC=[wdFCV1,wdFCV2,…,wdFCVb,…,wdFCVM-W+1],大小为N×(M-W+1);
进一步地,wdFCVb是指第b个滑动窗下的全脑动态功能连接强度列向量,具体表示为:
其中1≤b≤(M-W+1),1≤c≤N,1≤d≤N;
步骤3.4,使用自动计算的方式将每一个被试的全脑动态功能连接强度矩阵进行自动分割,具体方法如下:对于每一个被试的全脑动态功能连接强度矩阵wdFC,依次计算wdFCVk(2≤k≤N-1)与wdFCVk-1的欧式距离记为Dist1,计算wdFCVk与wdFCVk+1记为Dist2;如果Dist2小于Dist1,则将k记录下来,标记为分割点;起始列向量和结尾列向量不做计算;
进一步地,列向量之间欧式距离,其公式如下:
其中E、F为列向量,eg为E的元素,fg为F的元素,H为列向量大小;
步骤3.5,对于每一个被试,计算全脑稳态功能连接列向量集,具体方法如下:根据得出的分割点,将动态功能连接强度矩阵wdFC沿着时间轴方向分割成段,对每个段内的值进行平均即可得到全脑稳态功能连接列向量;每个列向量大小为N×1;将所有列向量构成了该被试的全脑稳态功能连接列向量集。
3.如权利要求2所述的偏头痛脑功能连接模式的提取方法,其特征在于,所述的步骤4包含如下步骤:
步骤4.1,将所有被试的全脑稳态功能连接列向量集进行合并构成聚类样本,每一个样本是一个被试的一个全脑稳态功能连接列向量;采用基于自动目标生成过程(ATGP)的方法生成Q个初始类心;
步骤4.2,根据上步的初始类心,采用K均值聚类算法对全脑稳态功能连接列向量样本进行聚类,得到Q个类别。
4.如权利要求3所述的偏头痛脑功能连接模式的提取方法,其特征在于,所述的步骤5包含如下步骤:
步骤5.1,按照每个类别,计算属于偏头痛的样本数目与该类别所有样本数目的比例Propt1和属于正常人的样本数目与该类别所有样本数目的比例Propt2;计算R==Propt1/(Propt1+Propt2);如果R大于等于某一阈值,则将该类别标记出来;
步骤5.2,从标记的类别中提取出偏头痛的脑功能连接模式,具体方法如下:对于标记的类别,提取出属于偏头痛的所有样本,也就是属于偏头痛的全脑稳态功能连接列向量;之后逆向定位出步骤3.2的动态功能连接矩阵dFC,将定位出的所有动态功能连接矩阵dFC求平均,得出该类别下偏头痛的脑功能连接模式BFC,具体表示如下:
其中Numb指的是本类别中包含偏头痛的样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811153914.6A CN109316188A (zh) | 2018-09-30 | 2018-09-30 | 一种偏头痛脑功能连接模式的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811153914.6A CN109316188A (zh) | 2018-09-30 | 2018-09-30 | 一种偏头痛脑功能连接模式的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109316188A true CN109316188A (zh) | 2019-02-12 |
Family
ID=65265023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811153914.6A Pending CN109316188A (zh) | 2018-09-30 | 2018-09-30 | 一种偏头痛脑功能连接模式的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109316188A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110265148A (zh) * | 2019-06-20 | 2019-09-20 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
CN110652307A (zh) * | 2019-09-11 | 2020-01-07 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测方法 |
CN111402212A (zh) * | 2020-03-04 | 2020-07-10 | 上海海事大学 | 一种海员脑功能网络动态连接活动模式的提取方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104715241A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | 一种基于张量分解的fMRI特征提取与识别方法 |
US20150206051A1 (en) * | 2012-08-02 | 2015-07-23 | Max-Planck-Gesellschaft zur Föderung der Wissenschaften E.V. | Method and computing system for modelling a primate brain |
CN105512454A (zh) * | 2015-07-28 | 2016-04-20 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 |
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
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 |
CN107194918A (zh) * | 2017-05-16 | 2017-09-22 | 北京大学 | 数据分析方法及装置 |
CN108197661A (zh) * | 2018-01-19 | 2018-06-22 | 上海海事大学 | 基于体素水平脑功能信息的认知活动状态分类系统和方法 |
CN108257657A (zh) * | 2016-12-28 | 2018-07-06 | 复旦大学附属华山医院 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
CN111402212A (zh) * | 2020-03-04 | 2020-07-10 | 上海海事大学 | 一种海员脑功能网络动态连接活动模式的提取方法 |
-
2018
- 2018-09-30 CN CN201811153914.6A patent/CN109316188A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150206051A1 (en) * | 2012-08-02 | 2015-07-23 | Max-Planck-Gesellschaft zur Föderung der Wissenschaften E.V. | Method and computing system for modelling a primate brain |
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 |
CN104715241A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | 一种基于张量分解的fMRI特征提取与识别方法 |
CN105512454A (zh) * | 2015-07-28 | 2016-04-20 | 东南大学 | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 |
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
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 |
CN108257657A (zh) * | 2016-12-28 | 2018-07-06 | 复旦大学附属华山医院 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
CN107194918A (zh) * | 2017-05-16 | 2017-09-22 | 北京大学 | 数据分析方法及装置 |
CN108197661A (zh) * | 2018-01-19 | 2018-06-22 | 上海海事大学 | 基于体素水平脑功能信息的认知活动状态分类系统和方法 |
CN111402212A (zh) * | 2020-03-04 | 2020-07-10 | 上海海事大学 | 一种海员脑功能网络动态连接活动模式的提取方法 |
Non-Patent Citations (4)
Title |
---|
AARON F.ALEXANDER-BLOCH等: "The anatomical distance of functional connections predicts brain network topology in health and schizophrenia", 《CEREB CORTEX》 * |
FUCHI YANG等: "Altered Brain Functional Connectome in Migraine with and without Restless Legs Syndrome:A Resting-State Functional MRI Study", 《FRONTIERS IN NEUROLOGY》 * |
张肖肖: "月经性偏头痛患者的静息态功能磁共振研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
王伟伟: "老龄相关静息态fMRI动态功能网络特性研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110265148A (zh) * | 2019-06-20 | 2019-09-20 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
WO2020252805A1 (zh) * | 2019-06-20 | 2020-12-24 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
CN110265148B (zh) * | 2019-06-20 | 2021-06-01 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
CN110652307A (zh) * | 2019-09-11 | 2020-01-07 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测方法 |
CN110652307B (zh) * | 2019-09-11 | 2021-01-12 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
CN111402212A (zh) * | 2020-03-04 | 2020-07-10 | 上海海事大学 | 一种海员脑功能网络动态连接活动模式的提取方法 |
CN111402212B (zh) * | 2020-03-04 | 2023-11-14 | 上海海事大学 | 一种海员脑功能网络动态连接活动模式的提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Interpretation of electrocardiogram (ECG) rhythm by combined CNN and BiLSTM | |
CN109316188A (zh) | 一种偏头痛脑功能连接模式的提取方法 | |
Boumbarov et al. | ECG personal identification in subspaces using radial basis neural networks | |
He et al. | Automatic detection of QRS complexes using dual channels based on U-Net and bidirectional long short-term memory | |
Hammad et al. | End-to-end data authentication deep learning model for securing IoT configurations | |
CN111728590A (zh) | 基于动态功能连接的个体认知能力预测方法和系统 | |
Hossain et al. | ECG-Adv-GAN: Detecting ECG adversarial examples with conditional generative adversarial networks | |
CN114038564B (zh) | 一种糖尿病无创风险预测方法 | |
CN112101413A (zh) | 面向脑卒中风险预测的智能系统 | |
Yang et al. | Proegan-ms: A progressive growing generative adversarial networks for electrocardiogram generation | |
CN107301409A (zh) | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
Guan et al. | Low-dimensional denoising embedding transformer for ECG classification | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
Kim et al. | Physiology-based augmented deep neural network frameworks for ECG biometrics with short ECG pulses considering varying heart rates | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Xu et al. | Arrhythmia detection using gated recurrent unit network with ECG signals | |
Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
Wang et al. | MS-MLP: Multi-scale sampling MLP for ECG classification | |
Tseng et al. | Ecg identification system using neural network with global and local features. | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
Lynn et al. | ECG-based biometric human identification based on backpropagation neural network | |
CN112257573B (zh) | 一种基于t-SNE和Adaboost的ECG身份识别方法 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220920 |
|
AD01 | Patent right deemed abandoned |