CN110491501A - 一种青少年孤独症大脑功能网络模型分析方法 - Google Patents
一种青少年孤独症大脑功能网络模型分析方法 Download PDFInfo
- Publication number
- CN110491501A CN110491501A CN201910750028.XA CN201910750028A CN110491501A CN 110491501 A CN110491501 A CN 110491501A CN 201910750028 A CN201910750028 A CN 201910750028A CN 110491501 A CN110491501 A CN 110491501A
- Authority
- CN
- China
- Prior art keywords
- network
- path length
- cerebral function
- autism
- data
- 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
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种青少年孤独症大脑功能网络模型分析方法,包括以下步骤:收集数据、数据预处理、大脑功能网络构建、大脑网络二值化处理、选取密度阈值、大脑功能网络分析和层次化对比;本发明基于孤独症患者组和正常对照组的静息态大脑功能像数据,构建被试的大脑功能网络,对被试的大脑网络进行比较分析,并构建大脑功能的权值网络,分析多个阈值下二值化后功能网络在全局属性上的差异,便于发现孤独症患者组的功能网络在小世界属性上的差异、发展的趋势、局部效率上的差异、同步性的差异以及层次化的不同,该方法可应用于孤独症的辅助诊断和治疗,并可推广应用到网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域。
Description
技术领域
本发明涉及大脑功能网络分析方法领域,尤其涉及一种青少年孤独症大脑功能网络模型分析方法。
背景技术
孤独症是儿童群体中越来越常见的精神疾病,孤独症严重困扰患儿的生活,阻碍患儿的健康成长,给其家庭和社会带来了沉重的负担,若得不到及时治疗,患儿将失去与人正常交流的能力,因此,做好孤独症的早预防早诊断早治疗显得尤为关键,越来越多的研究显示,精神疾病患者的大脑发育一般会存在一定的问题,如果能够量化患者大脑和正常人大脑的某些差异,那么就可以更好地进行疾病诊治,因此,本发明提出一种青少年孤独症大脑功能网络模型分析方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明提出一种青少年孤独症大脑功能网络模型分析方法,该青少年孤独症大脑功能网络模型分析方法基于孤独症患者组和正常对照组的静息态大脑功能像数据,构建被试的大脑功能网络,结合复杂网络和图论的相关理论知识,对被试的大脑网络进行比较分析,便于发现孤独症患者组的功能网络在小世界属性上的差异、发展的趋势、局部效率上的差异、同步性的差异以及层次化的不同,该方法可应用于孤独症的辅助诊断和治疗,并可推广应用到网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域。
为了解决上述问题,本发明提出一种青少年孤独症大脑功能网络模型分析方法,包括以下步骤:
步骤一:收集数据
自fcon_1000项目中的ABIDE数据库中的第二批数据ABIDE II中下载大脑图像数据,得到若干孤独症数据集原始数据,其中包含孤独症患者(ASD)57例以及正常对照组(HC)156例,为被试,取原始数据中的静息态大脑功能图像,然后根据该批数据中的各个被试的功能磁共振图像的扫描时间点参数的不同选用其中时间点为156个的图像数据来进行分析,一共有41例孤独症患者和118例正常对照组,共159例;
步骤二:数据预处理
使用DPARSF软件对步骤一中的静息态大脑功能图像原始处理进行预处理,处理流程包括:去除功能图像前N个时间点的数据、时间校正、头动校正、空间标准化、配准、分割、平滑、去趋势和滤波;
步骤三:大脑功能网络构建
完成功能图像预处理之后,得到拥有146个时间点的4D图像,对于每个被试,使用AAL90模板是将大脑部分划分为90个脑区,提取每个脑区对应的146个时间点的信号序列,并以信号序列之间的皮尔逊相关系数的绝对值作为功能网络中脑区之间的连接强度,具体由公式(2-4)计算:
其中,即为脑区i,j之间的功能连接强度,为脑区i的信号序列,n为146,对于每个被试,都构建了一个带权值的脑功能网络;
步骤四:大脑网络二值化处理
按规则设置阈值,将带权重的网络转换为0-1二值网络,具体由公式(2-5)计算,
其中,网络密度D的定义为网络中实际存在的边数与最大可能边数之比,E为网络中实际存在的边数,N为网络节点数,
在功能网络的构建过程中应用上述规则即可,具体由公式(2-6)计算,
步骤五:选取密度阈值
选取0.04~0.42,步长为0.02的密度阈值区间,一共20个密度阈值,考察在不同密度阈值下0-1功能网络的网络属性差异;
步骤六:大脑功能网络分析
将复杂网络和图论中的部分理论应用到大脑功能网络的分析中,考察孤独症病人组和正常对照组的大脑网络之间的差异,包括全局网络属性,在全局网络分析中,重点关注以下属性:
(1)特征路径长度,即网络中任意两点之间最短路径长度的均值,该属性越小,信息在任意两点之间的平均传递速度越快,特征路径长度越小,网络越接近于随机网络;特征路径长度越大,网络越接近于规则网络,具体由公式(2-7)计算,
其中,N为网络节点数,Distij为节点i到节点j的最短路径长度,
(2)聚类系数,即网络中节点的聚集程度,一般来说,聚类系数越高,网络中的功能分工越发达,结构的复杂化程度越高;否则说明分工不发达,结构的复杂化程度越低,具体由公式(2-8)计算,
其中,degi为节点i的度,ki为与节点i相邻接的节点之间实际存在的边数,
(3)全局效率(Global Efficiency),即网络中任意两点之间最短距离的倒数的均值,当网络为非联通时,特征路径长度为无穷大,此时可计算网络的全局效率,和特征路径长度类似,网络的全局效率也反映网络中信息传递的速度,具体由公式(2-9)计算,
(4)局部效率,即由网络中每个节点同与其相邻的节点导出的子网络的效率的平均值,其中子网络的效率计算方法同全局效率,
(5)小世界属性,介于规则网络和随机网络之间的复杂网络称为小世界网络,它的特征路径长度小,聚类系数高,由公式(2-10)计算,
其中C为该网络的聚类系数,L为该网络的特征路径长度,Crand、Lrand分别为节点数相同的若干随机网络的平均聚类系数和平均特征路径长度,γ称为标准化后的聚类系数,λ称为标准化后的特征路径长度,相较于随机网络,小世界网络的聚类系数更大即γ>1,特征路径长度更小即λ<1,因此有σ>1,
根据上述复杂网络和图论属性进行分析,寻找孤独症患者组和正常对照组之间的网络差异;
步骤七:层次化对比
使用层次结构模型,将需要处理的复杂网络分解为若干个比较简单的、耦合小的部分交给下一层分别进行处理,对比两组被试大脑功能网络的层次化程度。
进一步改进在于:所述步骤一中,孤独症患者(ASD)57例以及正常对照组(HC)156例的年龄分布区间为8岁至13岁,静息态大脑功能图像为NIFTI格式,4D数据,包括时间轴。
进一步改进在于:所述步骤二中,去除功能图像前N个时间点的数据中N取10,时间校正为通过回归方法去掉所采集出来图像在时间上的偏差,空间标准化为将所有被试图像都标准化到MNI空间,滤波为过滤掉0.01~0.1Hz频段以外的数据。
进一步改进在于:所述步骤三中,每个被试都构建了一个带权值的脑功能网络,该脑功能网络不考虑边的方向。
进一步改进在于:所述步骤四中,规则为在保证网络连通的前提下,使网络密度D最小时对应的阈值。
进一步改进在于:所述步骤六中,复杂网络包括随机网络、小世界网络和自相似网络,其中随机网络具有较小的特征路径长度和聚类系数,小世界网络则具有较小的特征路径长度和较大的聚类系数,而自相似网络则是网络在不同尺度上具有相似性质的复杂网络,另外度分布服从幂律分布的复杂网络称为无标度网络,小世界网络介于规则网络和随机网络之间,对于规则网络,每条边以概率p重新连接,随着p的增大,网络的聚类系数和特征路径长度会逐渐变小,此时网络表现出小世界属性,当p=1时,网络演化为随机网络。
进一步改进在于:所述步骤七中,层与层之间相对独立。
本发明的有益效果为:本发明基于孤独症患者组和正常对照组的静息态大脑功能像数据,构建被试的大脑功能网络,结合复杂网络和图论的相关理论知识,对被试的大脑网络进行比较分析,使用AAL90模板对大脑功能图像进行分割,并分别以各个脑区之间时间序列的皮尔逊相关系数为权重构建大脑功能的权值网络,然后分析多个阈值下二值化后功能网络在全局属性上的差异,便于发现孤独症患者组的功能网络在小世界属性上的差异、发展的趋势、局部效率上的差异、同步性的差异以及层次化的不同,该方法可应用于孤独症的辅助诊断和治疗,并可推广应用到网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域。
附图说明
图1为本发明的功能网络聚类系数对比图;
图2为本发明的功能网络特征路径长度对比图;
图3为本发明的功能网络小世界属性对比图;
图4为本发明的功能网络全局效率对比图;
图5为本发明的功能网络局部效率对比图;
图6为本发明的功能网络同步性对比图;
图7为本发明的功能网络层次化对比图。
具体实施方式
为了使发明实现的技术手段、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
根据图1、2、3、4、5、6、7所示,本实施例提供了一种青少年孤独症大脑功能网络模型分析方法,具体步骤如下:
步骤一:收集数据
自fcon_1000项目中的ABIDE数据库中的第二批数据ABIDE II中下载大脑图像数据,得到若干孤独症数据集原始数据,其中包含孤独症患者(ASD)57例以及正常对照组(HC)156例,年龄分布区间为8岁至13岁,为被试,取原始数据中的静息态大脑功能图像,为NIFTI格式,4D数据,包括时间轴,然后根据该批数据中的各个被试的功能磁共振图像的扫描时间点参数的不同选用其中时间点为156个的图像数据来进行分析,一共有41例孤独症患者和118例正常对照组,共159例;
步骤二:数据预处理
使用DPARSF软件对步骤一中的静息态大脑功能图像原始处理进行预处理,处理流程包括:去除功能图像前10个时间点的数据、时间校正:通过回归方法去掉所采集出来图像在时间上的偏差、头动校正、空间标准化:将所有被试图像都标准化到MNI空间、配准、分割、平滑、去趋势和滤波:过滤掉0.01~0.1Hz频段以外的数据;
步骤三:大脑功能网络构建
完成功能图像预处理之后,得到拥有146个时间点的4D图像,对于每个被试,使用AAL90模板是将大脑部分划分为90个脑区,提取每个脑区对应的146个时间点的信号序列,并以信号序列之间的皮尔逊相关系数的绝对值作为功能网络中脑区之间的连接强度,具体由公式(2-4)计算:
其中,即为脑区i,j之间的功能连接强度,为脑区i的信号序列,n为146,对于每个被试,都构建了一个带权值的脑功能网络,该脑功能网络不考虑边的方向;
步骤四:大脑网络二值化处理
按规则设置阈值,规则为在保证网络连通的前提下,使网络密度D最小时对应的阈值,将带权重的网络转换为0-1二值网络,具体由公式(2-5)计算,
其中,网络密度D的定义为网络中实际存在的边数与最大可能边数之比,E为网络中实际存在的边数,N为网络节点数,
在功能网络的构建过程中应用上述规则即可,具体由公式(2-6)计算,
步骤五:选取密度阈值
选取0.04~0.42,步长为0.02的密度阈值区间,一共20个密度阈值,考察在不同密度阈值下0-1功能网络的网络属性差异;
步骤六:大脑功能网络分析
将复杂网络和图论中的部分理论应用到大脑功能网络的分析中,复杂网络包括随机网络、小世界网络和自相似网络,其中随机网络具有较小的特征路径长度和聚类系数,小世界网络则具有较小的特征路径长度和较大的聚类系数,而自相似网络则是网络在不同尺度上具有相似性质的复杂网络,另外度分布服从幂律分布的复杂网络称为无标度网络,小世界网络介于规则网络和随机网络之间,对于规则网络,每条边以概率p重新连接,随着p的增大,网络的聚类系数和特征路径长度会逐渐变小,此时网络表现出小世界属性,当p=1时,网络演化为随机网络,
考察孤独症病人组和正常对照组的大脑网络之间的差异,包括全局网络属性,在全局网络分析中,重点关注以下属性:
(1)特征路径长度,即网络中任意两点之间最短路径长度的均值,该属性越小,信息在任意两点之间的平均传递速度越快,特征路径长度越小,网络越接近于随机网络;特征路径长度越大,网络越接近于规则网络,具体由公式(2-7)计算,
其中,N为网络节点数,Distij为节点i到节点j的最短路径长度,
(2)聚类系数,即网络中节点的聚集程度,一般来说,聚类系数越高,网络中的功能分工越发达,结构的复杂化程度越高;否则说明分工不发达,结构的复杂化程度越低,具体由公式(2-8)计算,
其中,degi为节点i的度,ki为与节点i相邻接的节点之间实际存在的边数,
(3)全局效率(Global Efficiency),即网络中任意两点之间最短距离的倒数的均值,当网络为非联通时,特征路径长度为无穷大,此时可计算网络的全局效率,和特征路径长度类似,网络的全局效率也反映网络中信息传递的速度,具体由公式(2-9)计算,
(4)局部效率,即由网络中每个节点同与其相邻的节点导出的子网络的效率的平均值,其中子网络的效率计算方法同全局效率,
(5)小世界属性,介于规则网络和随机网络之间的复杂网络称为小世界网络,它的特征路径长度小,聚类系数高,由公式(2-10)计算,
其中C为该网络的聚类系数,L为该网络的特征路径长度,Crand、Lrand分别为节点数相同的若干随机网络的平均聚类系数和平均特征路径长度,γ称为标准化后的聚类系数,λ称为标准化后的特征路径长度,相较于随机网络,小世界网络的聚类系数更大即γ>1,特征路径长度更小即λ<1,因此有σ>1,
根据上述复杂网络和图论属性进行分析,寻找孤独症患者组和正常对照组之间的网络差异;
经过计算,我们发现孤独症组功能网络聚类系数在所有密度下均小于正常对照组(如图1所示),不过随着图密度的增加,两组之间的差异越来越小。而在特征路径长度上(如图2所示),两组之间几乎没有差异。根据小世界属性的定义可知,病人功能网络的小世界属性也会弱于正常组,这在图3中也可以看出。说明,孤独症患者大脑功能网络的小世界属性出现了小幅的退化,而根据聚类系数变小,特征路径长度几乎不变,可以看出其有向随机网络发展的趋势。
在全局效率上(如图4所示),孤独症组功能网络的效率在密度较大时(0.16~0.42)优于正常人,而在局部效率上(如图5所示),存在同样的情况,说明孤独症患者功能网络虽有异常,但仍然能维持正常工作,甚至有更高的效率。
由复杂网络相关理论我们知道,规则网络同步性较差,而规则网络在向随机网络演化的过程中,随着重连概率的增大,网络的同步能力也在增强。在小世界网络中,节点间的平均距离(即特征路径长度)越小,网络的同步能力就越好。另外,对于同一个p来说,规模越大的小世界网络同步能力越强。通过对比两组被试大脑功能网络的同步性(如图6所示),可以看出正常人组网络同步性略优于孤独症患者组。
步骤七:层次化对比
使用层次结构模型,将需要处理的复杂网络分解为若干个比较简单的、耦合小的部分交给下一层分别进行处理,层与层之间相对独立,对比两组被试大脑功能网络的层次化程度。
在各种网络设计中常使用层次结构模型,一方面,可以将需要处理的复杂问题分解为若干个比较简单的、耦合小的部分交给下一层分别进行处理,提高处理效率;另一方面,层与层之间的独立性强,结构清晰,易于管理和维护。在复杂网络中,层次化也是非常重要的性质,对于层次清晰的网络,其网络效率和稳定性都很好。通过对比两组被试大脑功能网络的层次化程度上(如图7所示),可以看出正常人组略优于孤独症患者组。
本发明基于孤独症患者组和正常对照组的静息态大脑功能像数据,构建被试的大脑功能网络,结合复杂网络和图论的相关理论知识,对被试的大脑网络进行比较分析,使用AAL90模板对大脑功能图像进行分割,并分别以各个脑区之间时间序列的皮尔逊相关系数为权重构建大脑功能的权值网络,然后分析多个阈值下二值化后功能网络在全局属性上的差异,便于发现孤独症患者组的功能网络在小世界属性上的差异、发展的趋势、局部效率上的差异、同步性的差异以及层次化的不同,该方法可应用于孤独症的辅助诊断和治疗,并可推广应用到网络成瘾、吸烟成瘾、网络游戏成瘾及认知等健康领域。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种青少年孤独症大脑功能网络模型分析方法,其特征在于:包括以下步骤:
步骤一:收集数据
自fcon_1000项目中的ABIDE数据库中的第二批数据ABIDE II中下载大脑图像数据,得到若干孤独症数据集原始数据,其中包含孤独症患者(ASD)57例以及正常对照组(HC)156例,为被试,取原始数据中的静息态大脑功能图像,然后根据该批数据中的各个被试的功能磁共振图像的扫描时间点参数的不同选用其中时间点为156个的图像数据来进行分析,一共有41例孤独症患者和118例正常对照组,共159例;
步骤二:数据预处理
使用DPARSF软件对步骤一中的静息态大脑功能图像原始处理进行预处理,处理流程包括:去除功能图像前N个时间点的数据、时间校正、头动校正、空间标准化、配准、分割、平滑、去趋势和滤波;
步骤三:大脑功能网络构建
完成功能图像预处理之后,得到拥有146个时间点的4D图像,对于每个被试,使用AAL90模板是将大脑部分划分为90个脑区,提取每个脑区对应的146个时间点的信号序列,并以信号序列之间的皮尔逊相关系数的绝对值作为功能网络中脑区之间的连接强度,具体由公式(2-4)计算:
其中,即为脑区i,j之间的功能连接强度,为脑区i的信号序列,n为146,对于每个被试,都构建了一个带权值的脑功能网络;
步骤四:大脑网络二值化处理
按规则设置阈值,将带权重的网络转换为0-1二值网络,具体由公式(2-5)计算,
其中,网络密度D的定义为网络中实际存在的边数与最大可能边数之比,E为网络中实际存在的边数,N为网络节点数,
在功能网络的构建过程中应用上述规则即可,具体由公式(2-6)计算,
步骤五:选取密度阈值
选取0.04~0.42,步长为0.02的密度阈值区间,一共20个密度阈值,考察在不同密度阈值下0-1功能网络的网络属性差异;
步骤六:大脑功能网络分析
将复杂网络和图论中的部分理论应用到大脑功能网络的分析中,考察孤独症病人组和正常对照组的大脑网络之间的差异,包括全局网络属性,在全局网络分析中,重点关注以下属性:
(1)特征路径长度,即网络中任意两点之间最短路径长度的均值,该属性越小,信息在任意两点之间的平均传递速度越快,特征路径长度越小,网络越接近于随机网络;特征路径长度越大,网络越接近于规则网络,具体由公式(2-7)计算,
其中,N为网络节点数,Distij为节点i到节点j的最短路径长度,
(2)聚类系数,即网络中节点的聚集程度,一般来说,聚类系数越高,网络中的功能分工越发达,结构的复杂化程度越高;否则说明分工不发达,结构的复杂化程度越低,具体由公式(2-8)计算,
其中,degi为节点i的度,ki为与节点i相邻接的节点之间实际存在的边数,
(3)全局效率(Global Efficiency),即网络中任意两点之间最短距离的倒数的均值,当网络为非联通时,特征路径长度为无穷大,此时可计算网络的全局效率,和特征路径长度类似,网络的全局效率也反映网络中信息传递的速度,具体由公式(2-9)计算,
(4)局部效率,即由网络中每个节点同与其相邻的节点导出的子网络的效率的平均值,其中子网络的效率计算方法同全局效率,
(5)小世界属性,介于规则网络和随机网络之间的复杂网络称为小世界网络,它的特征路径长度小,聚类系数高,由公式(2-10)计算,
其中C为该网络的聚类系数,L为该网络的特征路径长度,Crand、Lrand分别为节点数相同的若干随机网络的平均聚类系数和平均特征路径长度,γ称为标准化后的聚类系数,λ称为标准化后的特征路径长度,相较于随机网络,小世界网络的聚类系数更大即γ>1,特征路径长度更小即λ<1,因此有σ>1,
根据上述复杂网络和图论属性进行分析,寻找孤独症患者组和正常对照组之间的网络差异;
步骤七:层次化对比
使用层次结构模型,将需要处理的复杂网络分解为若干个比较简单的、耦合小的部分交给下一层分别进行处理,对比两组被试大脑功能网络的层次化程度。
2.根据权利要求1所述的一种青少年孤独症大脑功能网络模型分析方法,其特征在于:所述步骤一中,孤独症患者(ASD)57例以及正常对照组(HC)156例的年龄分布区间为8岁至13岁,静息态大脑功能图像为NIFTI格式,4D数据,包括时间轴。
3.根据权利要求1所述的一种青少年孤独症大脑功能网络模型分析方法,其特征在于:所述步骤二中,去除功能图像前N个时间点的数据中N取10,时间校正为通过回归方法去掉所采集出来图像在时间上的偏差,空间标准化为将所有被试图像都标准化到MNI空间,滤波为过滤掉0.01~0.1Hz频段以外的数据。
4.根据权利要求1所述的一种青少年孤独症大脑功能网络模型分析方法,其特征在于:所述步骤三中,每个被试都构建了一个带权值的脑功能网络,该脑功能网络不考虑边的方向。
5.根据权利要求1所述的一种青少年孤独症大脑功能网络模型分析方法,其特征在于:所述步骤四中,规则为在保证网络连通的前提下,使网络密度D最小时对应的阈值。
6.根据权利要求1所述的一种青少年孤独症大脑功能网络模型分析方法,其特征在于:所述步骤六中,复杂网络包括随机网络、小世界网络和自相似网络,其中随机网络具有较小的特征路径长度和聚类系数,小世界网络则具有较小的特征路径长度和较大的聚类系数,而自相似网络则是网络在不同尺度上具有相似性质的复杂网络,另外度分布服从幂律分布的复杂网络称为无标度网络,小世界网络介于规则网络和随机网络之间,对于规则网络,每条边以概率p重新连接,随着p的增大,网络的聚类系数和特征路径长度会逐渐变小,此时网络表现出小世界属性,当p=1时,网络演化为随机网络。
7.根据权利要求1所述的一种青少年孤独症大脑功能网络模型分析方法,其特征在于:所述步骤七中,层与层之间相对独立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750028.XA CN110491501B (zh) | 2019-08-14 | 2019-08-14 | 一种青少年孤独症大脑功能网络模型分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750028.XA CN110491501B (zh) | 2019-08-14 | 2019-08-14 | 一种青少年孤独症大脑功能网络模型分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110491501A true CN110491501A (zh) | 2019-11-22 |
CN110491501B CN110491501B (zh) | 2023-05-02 |
Family
ID=68549923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750028.XA Active CN110491501B (zh) | 2019-08-14 | 2019-08-14 | 一种青少年孤独症大脑功能网络模型分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110491501B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710415A (zh) * | 2020-06-18 | 2020-09-25 | 中南大学 | 一种基于Granger神经疾病全脑有向网络分析方法 |
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 |
CN113096127A (zh) * | 2021-06-04 | 2021-07-09 | 壹药网科技(上海)股份有限公司 | 一种脑网络演化模型的生成系统及方法 |
CN113706459A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
CN113827203A (zh) * | 2021-09-23 | 2021-12-24 | 广州利科科技有限公司 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
CN114732424A (zh) * | 2022-04-29 | 2022-07-12 | 苏州大学 | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 |
CN117197637A (zh) * | 2023-11-08 | 2023-12-08 | 北京师范大学 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723836A (zh) * | 2005-06-02 | 2006-01-25 | 上海德安生物医学工程有限公司 | 脑循环血液动力学简便分析方法和仪器 |
WO2008060643A2 (en) * | 2006-04-21 | 2008-05-22 | 21St Century Technologies, Inc. | Sna-based anomaly detection |
WO2013142051A1 (en) * | 2012-03-19 | 2013-09-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
US20170120043A1 (en) * | 2005-01-21 | 2017-05-04 | Michael Sasha John | Programming Adjustment for Brain Network Treatment |
CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
US20190069841A1 (en) * | 2017-09-05 | 2019-03-07 | Korea University Research And Business Foundation | Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis |
CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
US20190159737A1 (en) * | 2015-08-14 | 2019-05-30 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
US20190209022A1 (en) * | 2018-01-05 | 2019-07-11 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
-
2019
- 2019-08-14 CN CN201910750028.XA patent/CN110491501B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170120043A1 (en) * | 2005-01-21 | 2017-05-04 | Michael Sasha John | Programming Adjustment for Brain Network Treatment |
CN1723836A (zh) * | 2005-06-02 | 2006-01-25 | 上海德安生物医学工程有限公司 | 脑循环血液动力学简便分析方法和仪器 |
WO2008060643A2 (en) * | 2006-04-21 | 2008-05-22 | 21St Century Technologies, Inc. | Sna-based anomaly detection |
WO2013142051A1 (en) * | 2012-03-19 | 2013-09-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
US20190159737A1 (en) * | 2015-08-14 | 2019-05-30 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
US20190069841A1 (en) * | 2017-09-05 | 2019-03-07 | Korea University Research And Business Foundation | Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis |
CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
US20190209022A1 (en) * | 2018-01-05 | 2019-07-11 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
Non-Patent Citations (5)
Title |
---|
JUNXIAHAN: "Development of Brain Network in Children with Autism from Early Childhood to Late Childhood", 《NEUROSCIENCE》 * |
K.KESSLER: "Brain oscillations and connectivity in autism spectrum disorders (ASD): new approaches to methodology, measurement and modelling", 《NEUROSCIENCE & BIOBEHAVIORAL REVIEWS》 * |
丁志新: "基于复杂网络的人脑研究及其应用", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
姚志军: "轻度认知障碍和阿尔兹海默病脑形态异常的磁共振影像研究", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
韩保祯: "基于多模态信息融合的脑网络研究及其应用", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710415A (zh) * | 2020-06-18 | 2020-09-25 | 中南大学 | 一种基于Granger神经疾病全脑有向网络分析方法 |
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 |
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 |
CN113096127A (zh) * | 2021-06-04 | 2021-07-09 | 壹药网科技(上海)股份有限公司 | 一种脑网络演化模型的生成系统及方法 |
CN113706459A (zh) * | 2021-07-15 | 2021-11-26 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
CN113706459B (zh) * | 2021-07-15 | 2023-06-20 | 电子科技大学 | 一种自闭症患者异常脑区的检测及模拟修复装置 |
CN113827203A (zh) * | 2021-09-23 | 2021-12-24 | 广州利科科技有限公司 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
CN114732424A (zh) * | 2022-04-29 | 2022-07-12 | 苏州大学 | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 |
CN117197637A (zh) * | 2023-11-08 | 2023-12-08 | 北京师范大学 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
CN117197637B (zh) * | 2023-11-08 | 2024-02-02 | 北京师范大学 | 神经影像脑网络效率指标的常模构建方法、应用及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110491501B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110491501A (zh) | 一种青少年孤独症大脑功能网络模型分析方法 | |
CN110443798B (zh) | 一种基于磁共振图像的自闭症检测方法、装置及系统 | |
Wang et al. | Wavelet entropy and directed acyclic graph support vector machine for detection of patients with unilateral hearing loss in MRI scanning | |
CN105046709B (zh) | 一种基于核磁共振影像的脑龄分析方法 | |
CN109767440A (zh) | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 | |
CN107358022A (zh) | 一种大脑功能网络的模块化分析方法 | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
Silva et al. | The tenth annual MLSP competition: Schizophrenia classification challenge | |
WO2020143300A1 (zh) | 听觉注意状态觉醒度识别方法、装置及存储介质 | |
CN110473611A (zh) | 一种静息态大脑信号分析方法 | |
CN116028829B (zh) | 基于传递步长调整的修正聚类处理方法、设备及存储介质 | |
Aishwarya et al. | A novel multimodal medical image fusion using sparse representation and modified spatial frequency | |
CN112634214A (zh) | 一种结合节点属性与多层次拓扑的脑网络分类方法 | |
CN116433590A (zh) | 基于功能磁共振图像的精神障碍群体全脑功能分析方法及系统 | |
KR101126704B1 (ko) | 온라인 고객 진단 시스템 및 그 진단 방법 | |
Kurkela et al. | Integrating region-and network-level contributions to episodic recollection using multilevel structural equation modeling | |
CN116561518A (zh) | 一种基于脑区权重相关性的脑网络构建方法 | |
CN111227833A (zh) | 一种基于广义线性模型的机器学习的术前定位方法 | |
CN114246588A (zh) | 一种抑郁症研究方法 | |
Markošová et al. | NETWORK MODELS FOR CHANGING DEGREE DISTRIBUTIONS OF FUNCTIONAL BRAIN NETWORKS. | |
Chitradevi et al. | Analysis of Alzheimer disease using optimization techniques | |
Valsala et al. | Alzheimer’s detection through neuro imaging and subsequent fusion for clinical diagnosis | |
CN108961171A (zh) | 一种乳腺dti图像去噪方法 | |
CN113627360B (zh) | 基于形态学相似网络对fMRI信号进行滤波分解的方法 | |
Khalilian et al. | Age-related differences in structural and resting-state functional brain network organization across the adult lifespan: A cross-sectional study |
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 |