CN112690777B - 一种基于状态转换动态脑网络算法的神经障碍诊断系统 - Google Patents

一种基于状态转换动态脑网络算法的神经障碍诊断系统 Download PDF

Info

Publication number
CN112690777B
CN112690777B CN202110042559.0A CN202110042559A CN112690777B CN 112690777 B CN112690777 B CN 112690777B CN 202110042559 A CN202110042559 A CN 202110042559A CN 112690777 B CN112690777 B CN 112690777B
Authority
CN
China
Prior art keywords
brain
dynamic
network
time
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.)
Active
Application number
CN202110042559.0A
Other languages
English (en)
Other versions
CN112690777A (zh
Inventor
邹凌
宋志伟
孔万增
周天彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN202110042559.0A priority Critical patent/CN112690777B/zh
Publication of CN112690777A publication Critical patent/CN112690777A/zh
Application granted granted Critical
Publication of CN112690777B publication Critical patent/CN112690777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Neurosurgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于状态转换动态脑网络算法的神经障碍诊断系统，包括范式设计模块、数据转换模块、网络构建模块、动态分析模块、数据检测模块以及结果示出模块。数据转换模块用于采集核磁共振脑功能成像BOLD信号并进行预处理；网络构建模块采用互信息算法构建全脑功能网络；动态分析模块根据空间标准差对全时段脑功能网络进行动态时间窗划分，在数据驱动下解码适当数量的脑部状态，使用曲率面积算法进行脑网络指标计算，获取模型训练分析结果，形成数据化诊断报告。本发明能够为一些神经障碍疾病提供一种新型的疾病诊断与预测思路，在脑功能连接分析领域具有一定的实际意义与应用价值。

Description

一种基于状态转换动态脑网络算法的神经障碍诊断系统
技术领域
本发明涉及一种基于状态转换动态脑网络算法的神经障碍诊断系统，属于医疗诊断技术领域。
背景技术
功能性磁共振成像(functional magnetic resonance imaging,fMRI)技术利用磁振造影来测量神经元活动所引发的血液动力学的改变。随着神经影像技术的成熟发展，使用fMRI技术对脑神经疾病进行诊断与辅助治疗，已成为一种专业认可的治疗方法。
近年来，脑功能网络已被用于各类神经疾病与脑部疾病中的检测中。对于注意缺陷与多动障碍(Attention deficit and hyperactivity disorder,ADHD)、阿兹海默症等神经障碍疾病而言，基于图论的脑功能网络分析已经成为一个热点。脑功能网络能够抽象地把复杂的大脑转化为由节点和边组成的脑网络，通过对脑网络相关指标进行计算，为神经障碍类疾病治疗提供辅助诊断。
在脑功能网络研究中,脑区之间的连接叫做功能连接，连接性的强度值可以反映脑网络强度的变化。对于脑功能网络，可通过图论中的各项网络指标，如度分布、介数、平均最短路径等，来衡量脑网络的整体及局部特征。目前，在脑功能网络中，对于动态脑功能网络的研究大都是对整个时间段划分固定的等量时间窗，再依次进行网络指标分析。此方法能够将实验过程中的脑网络分割成等时间段的动态网络，却忽略了脑网络在各个模态之间的转变可能是非线性的，划分等长时间窗会造成动态信息的割裂，造成重要脑连接信息的丢失，对诊断的结果有一定影响。
发明内容
本发明的目的在于提供一种基于状态转换动态脑网络算法的神经障碍诊断系统，将全时段脑网络分为各个动态时段分网络，能够动态地，较为准确地反映患者脑功能区所存在的异常情况，从而为神经障碍类疾病的信息技术诊断提供思路。
为达到上述目的，本发明采取以下技术方案：
本发明提供一种基于状态转换动态脑网络算法的神经障碍诊断系统，包括范式设计模块、数据转换模块、网络构建模块、动态分析模块，数据检测模块以及结果示出模块；
所述范式设计模块用于进行神经障碍疾病的实验范式设计；
所述数据转换模块用于采集核磁共振脑功能成像BOLD信号图像，以及进行预处理和存储；
所述网络构建模块用于构建全脑功能网络；
所述动态分析模块用于基于BOLD信号图像划分动态时变滑动窗，将全脑功能网络划分为若干个动态时变脑网络；以及，提取各动态时变脑网络曲率特征；
所述数据检测模块用于基于提取的曲率特征构建分类模型，对正常和神经障碍患者进行预测；
所述结果示出模块用于根据分类模型结果合成输出神经障碍疾病检测分析报告。
进一步的，所述范式设计模块具体用于，
采取视觉图形障碍范式设定，设计患者组和对照组的任务态实验方案。
进一步的，所述数据转换模块包括上位机数据采集单元、格式转化单元、数据筛选单元与数据预处理单元；
所述上位机数据采集单元用于采集各脑区核磁共振脑功能成像BOLD信号图像；
所述格式转换单元用于将各脑区的BOLD信号图像按照时间排序形成时间序列；
所述数据筛选单元用于除去噪声数据与机器误差数据；
所述数据预处理单元用于对筛选后的数据依次执行时间层校正，头动校正，空间标准化，空间平滑，图像卷积和滤波操作；并将预处理后的数据保存在静态链接库中。
进一步的，所述数据预处理单元还用于，
对预处理后的数据打标签，静息态数据前缀标0，任务态数据前缀标1，统一保存在静态链接库中。
进一步的，所述网络构建模块具体用于，
采用互信息方法构建脑功能网络，将大脑内部任意脑区之间的相关性表示为：
Figure BDA0002895874720000021
其中，I(X；Y)为脑区X和Y之间的相关性，p(x,y)是脑区X和Y的联合概率分布函数，p(x)和p(y)分别是脑区X和Y的边缘概率分布函数。
进一步的，所述动态分析模块包括全脑时间分析单元，动态划分单元和指标计算单元；
所述全脑时间分析单元用于评估时间序列的有效时间段；所述评估标准为，时间序列中每张BOLD信号图像代表1个时间点，有效时间段内各时间点的BOLD信号值差不超过平均值的20％；
所述动态划分单元用于基于选取的有效时间段，将全脑区分割为若干个动态时变滑动窗；以及，对每个动态时变滑动窗构建动态时变脑网络；
所述指标计算单元用于计算各动态时变脑网络的曲率面积指标以及提取曲率特征。
进一步的，所述动态划分单元具体用于，
对每个时间点计算空间标准差：
Figure BDA0002895874720000031
其中，sm为时间点m的空间标准差，n是脑区数量，xi是第i个脑区中的BOLD值，
Figure BDA0002895874720000034
是所有BOLD值的平均值；
如果所计算的时间点的空间标准差超过预设阈值，则该点为动态约束点；
基于各个动态约束点，构成动态时变滑动窗；
对各个动态时变滑动窗，分别利用互信息方法构建动态时变脑网络，每个动态时变滑动窗对应一个动态时变脑网络。
进一步的，所述指标计算单元具体用于，
计算各动态时变脑网络的曲率面积指标：
Figure BDA0002895874720000032
其中，D表示曲率面积指标，N代表动态时变脑网络中节点的个数，一个脑区为一个节点，p为网络稀疏度阈值；
以及，
设定网络稀疏度阈值的步长；
在网络稀疏度阈值p的取值范围内，以步长为间隔依次选取阈值计算曲率面积点，构建动态时间窗脑网络曲率面积曲线，并进行拟合；
基于拟合函数，对动态时间窗脑网络曲率面积曲线上的点求曲率：
Figure BDA0002895874720000033
其中，y代表所拟合的函数，y'是y的一阶导数，y”是y的二阶导数，K则为曲线上点的曲率。
进一步的，所述网络稀疏度阈值取值为0.1-0.4；
所述步长为0.01或0.02。
进一步的，所述数据检测模块具体用于，
实时获取各动态时间窗脑网络中各点曲率，进行T检验和FDR校验；
基于分类模型，得到是否神经障碍患者的预测结果；
以及，
根据训练样本的各动态时间窗脑网络中各点曲率，进行T检验和FDR校验；
采用极限学习机或支持向量机分类算法构建分类模型，识别是否神经障碍患者。
本发明所达到的有益效果是：
(1)本发明通过互信息方法构建脑功能网络，能够将复杂的脑网络分解成抽象模型，具形化各脑区互相作用形成的图网络结构。
(2)本发明通过SSD方法处理脑区时间序列，获取动态时变滑动窗，二次重构动态时变网络，进一步体现网络之间的相关协调程度，并从网络模态变化的角度对神经机理进行更好的解释与分析，为神经障碍类疾病的信息技术诊断提供思路。
(3)本发明选取曲率面积指标作为特征，以此能够较为精准地定位动态脑区的特征，得到最优化结果。
(4)本发明能够对患者进行评估，判断受试者是否存在神经障碍类疾病，有利于临床医生对神经障碍类疾病患者的诊断与治疗，起到辅助作用。
附图说明
图1是本发明的基于状态转换动态脑网络算法的神经障碍诊断系统示意图；
图2是本发明数据转换模块结构示意图；
图3是本发明中动态分析模块示意图；
图4是本发明的基于状态转换动态脑网络算法的神经障碍诊断流程图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供一种基于状态转换动态脑网络算法的神经障碍诊断系统，如图1所示，包括范式设计模块、数据转换模块、网络构建模块、动态分析模块，数据检测模块以及结果示出模块。
以ADHD儿童数据为例，本发明实施例应用如下：
范式设计模块用于根据实验ADHD儿童患者的特征，进行实验范式的设计与实现。
本发明实施中，实验操作人员基于Visual Studio 2019软件，实现对应神经障碍疾病的实验范式设计，从时间长度、沉浸体验、头戴式设备舒适度等方面进行考虑，进行范式设计实现。本实施例中，系统采取视觉图形障碍范式设定，进行患者组和对照组的任务态实验方案。
参见图2，数据转换模块包括上位机数据采集单元、格式转化单元、数据筛选单元与数据预处理单元。
其中，上位机数据采集单元用于采集核磁共振脑功能成像BOLD信号(血氧水平依赖信号，blood oxygen level dependent)。每一张核磁共振脑功能图片对应一个BOLD信号。
格式转换单元用于将单个被试者采集的BOLD信号图片按照时间进行排序形成时间序列，一张BOLD信号图片代表1个时间点，被试者的每个脑区都有一个时间序列。
数据筛选单元用于对格式转换后的数据进行筛选，除去实验中产生的噪声数据与机器误差数据。
数据预处理单元用于对筛选后的数据依次执行时间层校正，头动校正，空间标准化，空间平滑，图像卷积和滤波操作；以及，对预处理后的数据打标签，静息态数据前缀标0，任务态数据前缀标1，统一保存在静态链接库中。每获取一次数据，就将数据保存在静态链接库中，可供随时调用。
网络构建模块用于采用互信息方法构建脑功能网络，将复杂的脑网络分解成抽象模型，以图网络的形式进行后续分析。
互信息表示两个变量之间是否有关系，以及关系的强弱。在大脑内部，互信息算法可以有效反映任意两个脑区之间的相关性，从而根据两两脑区之间的相关性，构建全脑功能网络。对于大脑内部任意脑区X和Y，有：
Figure BDA0002895874720000051
其中，I(X；Y)为脑区X和Y之间的相关性，p(x,y)是脑区X和Y的联合概率分布函数，p(x)和p(y)分别是脑区X和Y的边缘概率分布函数。
参见图3，动态分析模块包括全脑时间分析单元，动态划分单元和指标计算单元。
其中，
全脑时间分析单元用于评估时间序列的有效时间段。评估的标准为各时间点的BOLD信号值差不超过平均值的20％。
动态划分单元用于基于选取的有效时间段，将全脑区分割为若干个动态时变滑动窗。具体操作如下：
使用空间标准差(spatial standard deviation,SSD)对各个被测的感兴趣区进行区间划分。以0.2为阈值，若SSD计算结果超过0.2，则认为此时间点可作为一个动态约束点，以此类推对全时间段的信号进行分割，一张BOLD信号图片代表1个时间点，SSD计算如下：
Figure BDA0002895874720000052
其中，sm为时间点m的空间标准差，n是感兴趣区(region of interest，ROI)，即大脑脑区的数量，xi是第i个ROI中的BOLD值，
Figure BDA0002895874720000053
是所有BOLD值的平均值。
基于动态约束点，构建动态时变滑动窗，并对各个动态时变滑动窗，分别利用互信息方法构建动态时变脑网络，即每个动态时变滑动窗对应一个动态时变脑网络。
指标计算单元用于计算各动态时变脑网络的曲率面积指标以及提取曲率特征。具体操作如下：
各动态时变脑网络的曲率面积指标计算为：
Figure BDA0002895874720000061
其中，D表示曲率面积指标，N代表动态时变脑网络中节点的个数，一个脑区为一个节点，p为网络稀疏度阈值，为了让网络不过分密集也不过于稀疏，一般控制阈值为0.1-0.4。
曲率特征提取过程为：
设定步长，一般为0.01或0.02；
在阈值p的取值范围内，以步长为间隔依次选取阈值计算曲率面积点，构建动态时间窗脑网络曲率面积曲线，并进行拟合；
基于拟合函数，对动态时间窗脑网络曲率面积曲线上的点求曲率，曲率的计算公式表示为：
Figure BDA0002895874720000062
其中，y代表所拟合的函数，y'是其一阶导数，y”是其二阶导数，K则为某一点的曲率。
数据检测模块用于实时获取各动态时间窗脑网络参数，即各点曲率，进行T检验和FDR(false discovery rate)校验，并在显著性高的情况下，使用极限学习机(ExtremeLearning Machine,ELM)、支持向量机(Support Vector Machine,SVM)等分类算法构建分类模型，区分正常人与ADHD儿童，以静态链接库的形式保存于本地。
结果示出模块用于将数据检测模块中的分类预测结果合成为儿童ADHD检测分析报告，辅助医生进行ADHD的临床诊断与治疗。
在本实施例中，系统平台采用Windows操作系统下微软Visual studio开发环境下实现，数据采集、存储、预处理的载体为专业GPU算力运算单元服务器，人机交互界面载体为戴尔液晶触摸显示屏。
如图4所示，本发明还提供一种基于状态转换动态脑网络算法的神经障碍诊断方法，具体包括：
(1)根据神经障碍疾病的靶向脑区的临床变化，进行任务态实验的范式设计，并招募被试进行实验。
(2)导入从实验对象头部提取的fMRI图像，调整处理软件能够识别的格式后缀，依次进行：数据预处理，提取时间序列，构建脑网络，划分动态时变滑动窗，提取二次重构特征(曲率)，进行数据拟合，最终将形成的分类模型用于儿童ADHD的临床检测诊断。
(3)对形成的儿童ADHD的临床检测诊断模型进行多次化拟合分析，判断模型中存在的误差，并进行相应调整，在整个模型训练连续5次达到99％以上的识别率后，再重新导入实验原数据，进行后续分析。
(4)将临床医生对于重点脑区的缺陷检测与动态时间窗脑网络曲率进行匹配度整合，若整合高度一致，则该受试者具有较高患ADHD的风险，以此评估是否存在ADHD神经障碍的风险，若存在风险，即进行相应检查治疗，若不存在风险，则观察一段时间，进行下一次实验分析。
值得指出的是，该装置实施例是与上述方法实施例对应的，上述方法实施例的实现方式均适用于该装置实施例中，并能达到相同或相似的技术效果，故不在此赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，包括范式设计模块、数据转换模块、网络构建模块、动态分析模块，数据检测模块以及结果示出模块；
所述范式设计模块用于进行神经障碍疾病的实验范式设计；
所述数据转换模块用于采集核磁共振脑功能成像BOLD信号图像，以及进行预处理和存储；
所述网络构建模块用于构建全脑功能网络；
所述动态分析模块用于基于BOLD信号图像划分动态时变滑动窗，将全脑功能网络划分为若干个动态时变脑网络；以及，提取各动态时变脑网络曲率特征；
所述动态分析模块包括全脑时间分析单元，动态划分单元和指标计算单元；
所述全脑时间分析单元用于评估时间序列的有效时间段；所述评估标准为，时间序列中每张BOLD信号图像代表1个时间点，有效时间段内各时间点的BOLD信号值差不超过平均值的20％；
所述动态划分单元用于基于选取的有效时间段，将全脑区分割为若干个动态时变滑动窗，如下：
对每个时间点计算空间标准差：
Figure FDA0003840061900000011
其中，sm为时间点m的空间标准差，n是脑区数量，xi是第i个脑区中的BOLD值，
Figure FDA0003840061900000012
是所有BOLD值的平均值；
如果所计算的时间点的空间标准差超过预设阈值，则该点为动态约束点；
基于各个动态约束点，构成动态时变滑动窗；
所述动态划分单元还用于，对各个动态时变滑动窗，分别利用互信息方法构建动态时变脑网络，每个动态时变滑动窗对应一个动态时变脑网络；
所述指标计算单元用于计算各动态时变脑网络的曲率面积指标以及提取曲率特征；
所述数据检测模块用于基于提取的曲率特征构建分类模型，对正常和神经障碍患者进行预测；
所述结果示出模块用于根据分类模型结果合成输出神经障碍疾病检测分析报告。
2.根据权利要求1所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述范式设计模块具体用于，
采取视觉图形障碍范式设定，设计患者组和对照组的任务态实验方案。
3.根据权利要求1所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述数据转换模块包括上位机数据采集单元、格式转化单元、数据筛选单元与数据预处理单元；
所述上位机数据采集单元用于采集各脑区核磁共振脑功能成像BOLD信号图像；
所述格式转换单元用于将各脑区的BOLD信号图像按照时间排序形成时间序列；
所述数据筛选单元用于除去噪声数据与机器误差数据；
所述数据预处理单元用于对筛选后的数据依次执行时间层校正，头动校正，空间标准化，空间平滑，图像卷积和滤波操作；并将预处理后的数据保存在静态链接库中。
4.根据权利要求3所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述数据预处理单元还用于，
对预处理后的数据打标签，静息态数据前缀标0，任务态数据前缀标1，统一保存在静态链接库中。
5.根据权利要求1所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述网络构建模块具体用于，
采用互信息方法构建脑功能网络，将大脑内部任意脑区之间的相关性表示为：
Figure FDA0003840061900000021
其中，I(X；Y)为脑区X和Y之间的相关性，p(x,y)是脑区X和Y的联合概率分布函数，p(x)和p(y)分别是脑区X和Y的边缘概率分布函数。
6.根据权利要求1所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述指标计算单元具体用于，
计算各动态时变脑网络的曲率面积指标：
Figure FDA0003840061900000022
其中，D表示曲率面积指标，N代表动态时变脑网络中节点的个数，一个脑区为一个节点，p为网络稀疏度阈值；
以及，
设定网络稀疏度阈值的步长；
在网络稀疏度阈值p的取值范围内，以步长为间隔依次选取阈值计算曲率面积点，构建动态时间窗脑网络曲率面积曲线，并进行拟合；
基于拟合函数，对动态时间窗脑网络曲率面积曲线上的点求曲率：
Figure FDA0003840061900000023
其中，y代表所拟合的函数，y'是y的一阶导数，y”是y的二阶导数，K则为曲线上点的曲率。
7.根据权利要求6所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述网络稀疏度阈值取值为0.1-0.4；
所述步长为0.01或0.02。
8.根据权利要求6所述的一种基于状态转换动态脑网络算法的神经障碍诊断系统，其特征在于，所述数据检测模块具体用于，
实时获取各动态时间窗脑网络中各点曲率，进行T检验和FDR校验；
基于分类模型，得到是否神经障碍患者的预测结果；
以及，
根据训练样本的各动态时间窗脑网络中各点曲率，进行T检验和FDR校验；
采用极限学习机或支持向量机分类算法构建分类模型，识别是否神经障碍患者。
CN202110042559.0A 2021-01-13 2021-01-13 一种基于状态转换动态脑网络算法的神经障碍诊断系统 Active CN112690777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110042559.0A CN112690777B (zh) 2021-01-13 2021-01-13 一种基于状态转换动态脑网络算法的神经障碍诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110042559.0A CN112690777B (zh) 2021-01-13 2021-01-13 一种基于状态转换动态脑网络算法的神经障碍诊断系统

Publications (2)

Publication Number Publication Date
CN112690777A CN112690777A (zh) 2021-04-23
CN112690777B true CN112690777B (zh) 2023-03-21

Family

ID=75514453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110042559.0A Active CN112690777B (zh) 2021-01-13 2021-01-13 一种基于状态转换动态脑网络算法的神经障碍诊断系统

Country Status (1)

Country Link
CN (1) CN112690777B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113571148B (zh) * 2021-06-07 2023-04-11 四川大学华西医院 一键式精神影像个体化脑功能报告生成系统、设备及存储介质
CN114129147A (zh) * 2021-10-14 2022-03-04 北京理工大学 基于脑功能网络的帕金森患者dbs术后效果预测系统及方法
CN114463607B (zh) * 2022-04-08 2022-07-26 北京航空航天大学杭州创新研究院 基于h无穷滤波方式构建因效脑网络的方法和装置
CN116898401B (zh) * 2023-07-17 2024-02-02 燕山大学 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置
CN117045228A (zh) * 2023-09-27 2023-11-14 燕山大学 一种孤独症谱系障碍动态脑网络性别差异分析方法及装置
CN117122303B (zh) * 2023-10-26 2024-01-30 烟台大学 一种脑网络的预测方法、系统、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110522463A (zh) * 2019-08-28 2019-12-03 常州大学 一种基于脑功能连接分析的抑郁症辅助诊断系统
CN111739647A (zh) * 2020-08-07 2020-10-02 暨南大学 基于磁共振影像的双相障碍自杀风险预测方法及相关装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10311373B2 (en) * 2015-04-16 2019-06-04 Siemens Healthcare Gmbh Subject-specific assessment of neurological disorders with biochemical propagation mechanisms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110522463A (zh) * 2019-08-28 2019-12-03 常州大学 一种基于脑功能连接分析的抑郁症辅助诊断系统
CN111739647A (zh) * 2020-08-07 2020-10-02 暨南大学 基于磁共振影像的双相障碍自杀风险预测方法及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于偶极子特征优化的情绪重评同步EEG-fMRI源定位研究;张蔚等;《中国生物医学工程学报》;20210630;第40卷(第3期);280-290 *

Also Published As

Publication number Publication date
CN112690777A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN112690777B (zh) 一种基于状态转换动态脑网络算法的神经障碍诊断系统
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
Zonneveld et al. Patterns of functional connectivity in an aging population: The Rotterdam Study
Aerts et al. Modeling brain dynamics after tumor resection using The Virtual Brain
US11517235B2 (en) Machine differentiation of abnormalities in bioelectromagnetic fields
EP4005498A1 (en) Information processing device, program, learned model, diagnostic assistance device, learning device, and method for generating prediction model
Curtiss et al. The conditional process model of mindfulness and emotion regulation: An empirical test
Karch et al. Identifying predictors of within-person variance in MRI-based brain volume estimates
CN104903897A (zh) 癫痫和癫痫发作的易发性的评定
JP2009542351A (ja) 時間的尺度を使用した脳パターンの解析
CN103800011A (zh) 一种基于功能磁共振成像的脑区效应连接分析系统
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
Dai et al. Predicting individual brain functional connectivity using a Bayesian hierarchical model
CN112561848A (zh) 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
Qian et al. Intrinsic frequency specific brain networks for identification of MCI individuals using resting-state fMRI
Xue et al. A Bayesian spatial model to predict disease status using imaging data from various modalities
CN115730269A (zh) 多模态神经生物信号处理方法、装置、服务器及存储介质
Pham et al. Multimodal deep learning model of predicting future visual field for glaucoma patients
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Qendro et al. High frequency eeg artifact detection with uncertainty via early exit paradigm
Castagna et al. Modeling brain dynamics and gaze behavior: Starting point bias and drift rate relate to frontal midline theta oscillations
Eisenhauer et al. Context-based facilitation in visual word recognition: Evidence for visual and lexical but not pre-lexical contributions
KR20200025852A (ko) 기능적 연결성을 사용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
Anchana et al. Comparative study of detection of ADHD using EEG signals
Obayya et al. A novel automated Parkinson’s disease identification approach using deep learning and EEG

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210423

Assignee: Jiangsu Haoyang Microelectronics Co.,Ltd.

Assignor: CHANGZHOU University

Contract record no.: X2023980051996

Denomination of invention: A Neural Disorder Diagnosis System Based on State Transition Dynamic Brain Network Algorithm

Granted publication date: 20230321

License type: Common License

Record date: 20231213

EE01 Entry into force of recordation of patent licensing contract