CN114283935A - 一种疼痛等级评估方法及系统 - Google Patents

一种疼痛等级评估方法及系统 Download PDF

Info

Publication number
CN114283935A
CN114283935A CN202111582180.5A CN202111582180A CN114283935A CN 114283935 A CN114283935 A CN 114283935A CN 202111582180 A CN202111582180 A CN 202111582180A CN 114283935 A CN114283935 A CN 114283935A
Authority
CN
China
Prior art keywords
brain network
brain
pain
coefficient
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.)
Granted
Application number
CN202111582180.5A
Other languages
English (en)
Other versions
CN114283935B (zh
Inventor
胡斌
郑炜豪
赵磊磊
姚志军
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.)
Lanzhou University
Original Assignee
Lanzhou 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 Lanzhou University filed Critical Lanzhou University
Priority to CN202111582180.5A priority Critical patent/CN114283935B/zh
Publication of CN114283935A publication Critical patent/CN114283935A/zh
Application granted granted Critical
Publication of CN114283935B publication Critical patent/CN114283935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请提供了一种疼痛等级评估方法及系统，所述方法通过疼痛样本、对照样本以及诱发样本的样本数据，建立各样本数据对应的脑网络，并计算各脑网络模型的拓扑属性值，得到疼痛样本数据对应的脑网络相对于对照样本数据对应的脑网络的动态性变异梯度属性和各脑区参与疼痛感知的权重值，从而得到动态疼痛标志物，根据动态疼痛标志物，可以准确、定量评估慢性疼痛患者大脑对疼痛的感知程度。本申请提供的方法及系统通过脑区的动态性变异梯度属性可以直观反映疼痛样本相较于对照样本的变异性，且通过求得的各脑区参与疼痛感知的权重值可以有效去除慢性疼痛的病理性影响，求得的动态疼痛标志物更聚焦于躯体感知层面，得到更为客观的疼痛等级评估结果。

Description

一种疼痛等级评估方法及系统
技术领域
本申请涉及脑科学技术领域，尤其涉及一种疼痛等级评估方法及系统。
背景技术
慢性疼痛是疾病中最普遍、最重要的症状，作为一个主观症状，一般以患者自身的感受为基础来对疼痛程度进行评价。因此，疼痛的等级很难被定量，如何客观的评价疼痛强度一直是学者们研究的问题。目前疼痛的评估方法主要以患者的主观评分为依据，包括：数值评分量表、视觉模拟量表、语言评分量表等。然而这些方法的主观依赖性较强，无法形成客观、统一的疼痛评估体系。
随着脑电、脑磁和磁共振影像等生物电和成像技术的快速发展，通过大脑活动实现对慢性疼痛的客观检测和评估逐渐受到关注。例如：Daniel Martins等人使用形态相似性映射方法发现了慢性疼痛会使得大脑皮层的结构发生重塑，进而对慢性疼痛进行评估；Lindquist等人提出了一种多元模式分析方法对患者疼痛进行评估。但是，上述方法并未同时考虑在时间维度上大脑拓扑组织结构的动态变化以及大脑各区域间可能存在的变异性梯度，即无法考虑慢性疼痛在宏观脑网络层面引起的异常改变，因此难以对患者的疼痛程度进行准确评估。
发明内容
本申请提供了一种疼痛等级评估方法及系统，以解决现有技术中由于未考虑慢性疼痛在宏观脑网络层面引起的异常改变，因此难以对患者的疼痛程度进行准确评估的问题。
一方面，本申请提供了一种疼痛等级评估方法，包括：
根据疼痛样本数据，建立与之对应的若干第一脑网络G1＝{g1,g2,…,gn}；根据对照样本数据，建立与之对应的第二脑网络G2＝{g1,g2,…,gn}；根据诱发样本数据，建立与之对应的若干第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}，其中，所述第三脑网络G3＝{g1,g2,…,gn}是根据所述诱发样本数据中低于疼痛阈值的数据得到的，所述第四脑网络G4＝{g1,g2,…,gn}是根据所述诱发样本数据中高于疼痛阈值的数据得到的；
分别提取所述第一脑网络G1＝{g1,g2,…,gn}、所述第二脑网络G2＝{g1,g2,…,gn}、所述第三脑网络G3＝{g1,g2,…,gn}和所述第四脑网络G4＝{g1,g2,…,gn}对应的拓扑属性值，所述拓扑属性值包括度值、参与系数和聚集系数；
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述拓扑属性值和所述第二脑网络G2＝{g1,g2,…,gn}的所述拓扑属性值，获取所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度；
根据所述第三脑网络G3＝{g1,g2,…,gn}的所述拓扑属性值和所述第四脑网络G4＝{g1,g2,…,gn}的所述拓扑属性值，获取各脑区参与疼痛感知的权重值；
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物；
根据所述动态疼痛标志物，得到客观疼痛等级。
可选的，所述根据对照样本数据，建立与之对应的第二脑网络G2＝{g1,g2,…,gn}，还包括：
根据m组对照样本数据，建立与之对应的m个脑网络
Figure BDA0003427377850000021
对所述m个脑网络加和后取平均值，即
Figure BDA0003427377850000022
其中
Figure BDA0003427377850000023
Figure BDA0003427377850000024
将
Figure BDA0003427377850000025
确定为第二脑网络G2＝{g1,g2,…,gn}。
可选的，所述第一脑网络G1＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000026
参与系数
Figure BDA0003427377850000027
聚集系数
Figure BDA0003427377850000028
所述第二脑网络G2＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000029
参与系数
Figure BDA00034273778500000210
聚集系数
Figure BDA00034273778500000211
所述根据所述第一脑网络G1＝{g1,g2,…,gn}的所述拓扑属性值和所述第二脑网络G2＝{g1,g2,…,gn}的所述拓扑属性值，获取所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度，还包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000212
参与系数
Figure BDA00034273778500000213
聚集系数
Figure BDA00034273778500000214
获取其对应的在时间维度上的度值序列
Figure BDA00034273778500000215
参与系数序列
Figure BDA00034273778500000216
以及聚集系数序列
Figure BDA00034273778500000217
根据所述第二脑网络G2＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000218
参与系数
Figure BDA00034273778500000219
聚集系数
Figure BDA00034273778500000220
获取其对应的在时间维度上的度值序列
Figure BDA00034273778500000221
参与系数序列
Figure BDA00034273778500000222
以及聚集系数序列
Figure BDA00034273778500000223
根据所述第一脑网络G1＝{g1,g2,…,gn}对应的所述度值序列
Figure BDA00034273778500000224
所述参与系数序列
Figure BDA00034273778500000225
所述聚集系数序列
Figure BDA00034273778500000226
和所述第二脑网络G1＝{g1,g2,…,gn}对应的所述度值序列
Figure BDA00034273778500000227
所述参与系数序列
Figure BDA00034273778500000228
Figure BDA00034273778500000229
所述聚集系数序列
Figure BDA00034273778500000230
建立线性回归模型，以获取所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度。
可选的，所述建立线性回归模型，包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述度值序列
Figure BDA00034273778500000231
和所述第二脑网络G2＝{g1,g2,…,gn}的所述度值序列
Figure BDA00034273778500000232
建立第一线性回归模型，所述第一线性回归模型yd＝Kd*Xd+b；
其中，
Figure BDA00034273778500000233
Figure BDA00034273778500000234
Kd为所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的度值的动态性变异梯度。
可选的，所述建立线性回归模型，包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述系数序列
Figure BDA00034273778500000235
和所述第二脑网络G2＝{g1,g2,…,gn}的所述参与系数序列
Figure BDA00034273778500000236
建立第二线性回归模型，所述第二线性回归模型yp＝Kp*Xp+b；
其中，
Figure BDA00034273778500000237
Figure BDA00034273778500000238
Kp为所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述参与系数的动态性变异梯度。
可选的，所述建立线性回归模型，包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述聚集系数序列
Figure BDA0003427377850000031
和所述第二脑网络G2＝{g1,g2,…,gn}的所述聚集系数序列
Figure BDA0003427377850000032
建立第三线性回归模型，所述第三线性回归模型yc＝Kc*Xc+b；
其中，
Figure BDA0003427377850000033
Figure BDA0003427377850000034
Kc为所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述聚集系数的动态性变异梯度。
可选的，所述根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物，还包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度Kd、所述参与系数的动态性变异梯度Kp、所述聚集系数的动态性变异梯度Kc，获取所述第一脑网络相对于所述第二脑网络的动态性变异梯度属性
Figure BDA0003427377850000035
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述动态性变异梯度属性[Kd,Kp,Kc]和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物。
可选的，所述第三脑网络G3＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000036
参与系数
Figure BDA0003427377850000037
聚集系数
Figure BDA0003427377850000038
所述第四脑网络G4＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000039
参与系数
Figure BDA00034273778500000310
聚集系数
Figure BDA00034273778500000311
所述根据所述第三脑网络G3＝{g1,g2,…,gn}的所述拓扑属性值和所述第四脑网络G4＝{g1,g2,…,gn}的所述拓扑属性值，获取各脑区参与疼痛感知的权重值，还包括：
获取由所述第三脑网络G3＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000312
参与系数
Figure BDA00034273778500000313
和聚集系数
Figure BDA00034273778500000314
得到的所述第三脑网络的拓扑属性值矩阵
Figure BDA00034273778500000315
获取由所述第四脑网络G4＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000316
参与系数
Figure BDA00034273778500000317
聚集系数
Figure BDA00034273778500000318
得到的所述第四脑网络的拓扑属性值矩阵
Figure BDA00034273778500000319
根据
Figure BDA00034273778500000320
和
Figure BDA00034273778500000321
获取各脑区参与疼痛感知的权重值，所述各脑区参与疼痛感知的权重值α为：
α＝([de,pc,cc]w-[de,pc,cc]p)/[de,pc,cc]w。
可选的，所述根据所述动态疼痛标志物，得到客观疼痛等级，包括：
根据所述动态疼痛标志物，预测所述疼痛样本数据的VAS疼痛评分；
根据预测得到的所述疼痛样本数据的VAS疼痛评分，得到客观疼痛等级。
另一方面，本申请还提供一种疼痛等级评估系统，所述系统被配置为：
根据疼痛样本数据，建立第一脑网络G1＝{g1,g2,…,gn}；根据对照样本数据，建立第二脑网络G2＝{g1,g2,…,gn}；根据诱发样本数据，建立第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}，其中，所述第三脑网络G3＝{g1,g2,…,gn}是根据所述诱发样本数据中低于疼痛阈值的数据得到的，所述第四脑网络G4＝{g1,g2,…,gn}是根据所述诱发样本数据中高于疼痛阈值的数据得到的；
分别提取所述第一脑网络G1＝{g1,g2,…,gn}、所述第二脑网络G2＝{g1,g2,…,gn}、所述第三脑网络G3＝{g1,g2,…,gn}和所述第四脑网络G4＝{g1,g2,…,gn}对应的拓扑属性值，所述拓扑属性值包括度值、参与系数和聚集系数；
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述拓扑属性值和所述第二脑网络G2＝{g1,g2,…,gn}的所述拓扑属性值，获取所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度；
根据所述第三脑网络G3＝{g1,g2,…,gn}的所述拓扑属性值和所述第四脑网络G4＝{g1,g2,…,gn}的所述拓扑属性值，获取各脑区参与疼痛感知的权重值；
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物；
根据所述动态疼痛标志物，得到客观疼痛等级。
由以上技术方案可知，本申请提供了一种疼痛等级评估方法及系统，所述方法通过疼痛样本、对照样本以及诱发样本三组样本数据，建立各样本数据对应的脑网络模型，以及计算各脑网络模型的拓扑属性值，得到疼痛样本数据对应的脑网络模型相对于对照样本数据对应的脑网络模型的动态变异性梯度属性和各脑区参与疼痛感知的权重值，从而进一步得到动态疼痛标志物，根据所述动态疼痛标志物，可以准确、定量评估慢性疼痛患者大脑对疼痛的感知程度。本申请提供的方法及系统通过脑区的动态性变异梯度属性可以直观反映慢性疼痛患者相较于对照组的变异性，且通过诱发样本数据建立的脑网络求得的各脑区参与疼痛感知的权重值可以有效去除慢性疼痛的病理性影响，使得求得的动态疼痛标志物更聚焦于躯体感知层面，以获取更为客观的疼痛等级评估结果。
附图说明
图1示例性的示出了本申请具体实施方式中提供的一种疼痛等级评估方法的流程图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
基于本申请描述的示例性实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换，例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
图1示例性的示出了本申请具体实施方式中提供的一种疼痛等级评估方法的流程图，如图1所示，所述方法包括：
S100：根据疼痛样本数据，建立与之对应的若干第一脑网络G1＝{g1,g2,…,gn}；根据对照样本数据，建立与之对应的第二脑网络G2＝{g1,g2,…,gn}；根据诱发样本数据，建立与之对应的若干第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}，其中，所述第三脑网络G3＝{g1,g2,…,gn}是根据所述诱发样本数据中低于疼痛阈值的数据得到的，所述第四脑网络G4＝{g1,g2,…,gn}是根据所述诱发样本数据中高于疼痛阈值的数据得到的；
其中，疼痛样本数据是通过采集若干疼痛患者的静息态fMRI图像得到的，对照样本数据是通过采集若干健康人的静息态fMRI图像得到的，诱发样本数据是通过在对若干健康人施加不同的温度刺激时采集其各自对应的任务态fMRI图像得到的。
在一些实施例中，可以使用SPM12工具箱对所有疼痛样本数据、对照样本数据以及诱发样本数据的fMRI影像数据进行时间校准，使用刚性变换将所有图像中的脑都固定在同一个靶位置上对图像进行头动校准，然后将各类样本数据的大脑分割为灰质、白质和脑脊液并进行空间平滑操作，将图像配准到Brain Connectome分区模板(包含大脑及小脑组织共274个脑区)并提取274个脑区灰质的BOLD信号的时间序列。使用一个大小为50个TR时间的窗口，以1个TR时间为步长在疼痛样本数据和对照样本数据的脑区时间序列上进行滑动，可得到T-50+1个窗口(其中T为脑区时间序列的时间点个数)。在每一个窗口中，计算两两脑区间的皮尔森相关系数，通过Fisher’s Z变换对皮尔森相关系数进行修正得到z值。两两脑区间的z值即为两个脑区节点连接的权重，由z值组成的矩阵即为大脑功能连接矩阵。将所有窗口对应的功能连接矩阵按照窗口序列排列，可以得到第一脑网络G1＝{g1,g2,…,gn}、第二脑网络G2＝{g1,g2,…,gn}、第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}。
S110：提取所有所述第一脑网络G1＝{g1,g2,…,gn}、所述第二脑网络G2＝{g1,g2,…,gn}、所述第三脑网络G3＝{g1,g2,…,gn}和所述第四脑网络G4＝{g1,g2,…,gn}对应的拓扑属性值，所述拓扑属性值包括度值、参与系数和聚集系数。
需要说明的是，网络中节点的度值是刻画节点在网络中重要性的最直接的度量指标。一个节点的度值越高，说明与该节点有连接的边越多，并且在网络中与该节点产生直接信息交换的节点也越多，因此该节点在网络中的重要性就越高。对于一个无向有权网络来说，节点的度值计算如下：
Figure BDA0003427377850000051
其中，N表示网络中节点的总数，aij表示节点i与节点j之间边的权值，其值等于上述对应脑区时间序列应用Fisher’s Z变换后得到的z值。
节点的参与系数是用来描述单个节点嵌入网络局部模块深度的度量，由节点在模块内的连接数与整个网络内的连接数的比值来表示。节点的参与系数越大，则表明节点在其局部模块中的连接越多。本发明中采用Yeo等人预定义的功能子网络划分，将274个脑区划分为7个皮层子网络、皮层下网络及小脑网络。节点的参与系数计算如下：
Figure BDA0003427377850000052
其中，M表示网络中模块的集合，
Figure BDA0003427377850000053
表示网络中节点i的权重，
Figure BDA0003427377850000054
表示节点i与模块m连接的权重。
节点的聚集系数度量网络中节点聚集在一起的倾向，由节点水平上的三角形数量表示，是实际存在的边数与最多可能存在的边数的比值。一个节点的聚集系数反映了与该节点相邻的节点也相邻的可能性，计算如下：
Figure BDA0003427377850000055
其中，
Figure BDA0003427377850000056
为节点i周围的三角形个数，ki表示网络中节点i的权重。
在一些实施例中，根据上述求解度值、参与系数和聚集系数的方式可以得到第一脑网络G1＝{g1,g2,…,gn}在相应时间节点下的度值
Figure BDA0003427377850000061
参与系数
Figure BDA0003427377850000062
以及聚集系数
Figure BDA0003427377850000063
Figure BDA0003427377850000064
在一些实施例中，根据m组对照样本数据，建立与之对应的m个脑网络
Figure BDA0003427377850000065
对所述m个脑网络加和后取平均值，即
Figure BDA0003427377850000066
其中
Figure BDA0003427377850000067
将
Figure BDA0003427377850000068
确定为第二脑网络G2＝{g1,g2,…,gn}。并进一步得到第二脑网络G2＝{g1,g2,…,gn}在相应时间节点下的度值
Figure BDA0003427377850000069
参与系数
Figure BDA00034273778500000610
聚集系数
Figure BDA00034273778500000611
S120：根据所述第一脑网络的所述拓扑属性值和所述第二脑网络的所述拓扑属性值，获取所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度。
在一些实施例中，根据第一脑网络G1＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000612
参与系数
Figure BDA00034273778500000613
Figure BDA00034273778500000614
聚集系数
Figure BDA00034273778500000615
可以得到其对应的在时间维度上的度值序列
Figure BDA00034273778500000616
Figure BDA00034273778500000617
参与系数序列
Figure BDA00034273778500000618
以及聚集系数序列
Figure BDA00034273778500000619
Figure BDA00034273778500000620
根据第二脑网络G2＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000621
参与系数
Figure BDA00034273778500000622
聚集系数
Figure BDA00034273778500000623
Figure BDA00034273778500000624
可以得到其对应的在时间维度上的度值序列
Figure BDA00034273778500000625
参与系数序列
Figure BDA00034273778500000626
以及聚集系数序列
Figure BDA00034273778500000627
根据所述第一脑网络G1＝{g1,g2,…,gn}对应的所述度值序列
Figure BDA00034273778500000628
所述参与系数序列
Figure BDA00034273778500000629
所述聚集系数序列
Figure BDA00034273778500000630
和所述第二脑网络G2＝{g1,g2,…,gn}对应的所述度值序列
Figure BDA00034273778500000631
所述参与系数序列
Figure BDA00034273778500000632
Figure BDA00034273778500000633
所述聚集系数序列
Figure BDA00034273778500000634
建立线性回归模型，以获取所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度。
通过以上计算，可以得到疼痛样本数据和对照样本数据在每个时间窗下的脑网络拓扑属性值，即脑网络拓扑属性的时间变化序列。通过建立线性回归模型计算得到脑网络拓扑属性度值的动态性变异梯度Kd，参与系数的动态性变异梯度Kp和聚集系数的动态性变异梯度Kc。
在一些实施例中，线性回归模型包括第一线性回归模型、第二线性回归模型以及第三线性回归模型，第一线性回归模型用于计算第一脑网络相对于第二脑网络的所述度值的动态性变异梯度，第二线性回归模型用于计算第一脑网络相对于第二脑网络的所述参与系数的动态性变异梯度，第三线性回归模型用于计算第一脑网络相对于第二脑网络的所述聚集系数的动态性变异梯度。
第一线性回归模型为yd＝Kd*Xd+b，其中，
Figure BDA00034273778500000635
Figure BDA00034273778500000636
Kd为所述第一脑网络相对于所述第二脑网络的度值的动态性变异梯度。
第二线性回归模型为yp＝Kp*Xp+b，其中，
Figure BDA00034273778500000637
Figure BDA00034273778500000638
Kp为所述第一脑网络相对于所述第二脑网络的所述参与系数的动态性变异梯度。
第三线性回归模型为yc＝Kc*Xc+b，其中，
Figure BDA00034273778500000639
Figure BDA00034273778500000640
Kc为所述第一脑网络相对于所述第二脑网络的所述聚集系数的动态性变异梯度。
在一些实施例中，根据上述计算得到的第一脑网络相对于所述第二脑网络的度值的动态性变异梯度Kd、参与系数的动态性变异梯度Kp和聚集系数的动态性变异梯度Kc，可以进一步获取第一脑网络相对于第二脑网络的动态性变异梯度属性
Figure BDA0003427377850000071
根据第一脑网络相对于第二脑网络的动态性变异梯度属性
Figure BDA0003427377850000072
和各脑区参与疼痛感知的权重值，可以得到动态疼痛标志物，从而对疼痛等级进行客观的评估。
S130：根据所述第三脑网络的所述拓扑属性值和所述第四脑网络的的所述拓扑属性值，获取各脑区参与疼痛感知的权重值。
在一些实施例中，诱发样本数据是通过在对健康人施加不同的温度刺激时采集其任务态fMRI图像得到的，可预先设定疼痛阈值，根据诱发样本数据中低于疼痛阈值的数据建立第三脑网络G3＝{g1,g2,…,gn}，根据诱发样本数据中高于疼痛阈值的数据建立第四脑网络G4＝{g1,g2,…,gn}，这种根据温度刺激诱发的疼痛脑网络计算各脑区参与疼痛感知加工过程的权重，可以降低慢性疼痛引发的脑损伤对疼痛感知评估的可能影响。
在一些实施例中，第三脑网络G3＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000073
参与系数
Figure BDA0003427377850000074
聚集系数
Figure BDA0003427377850000075
第四脑网络G4＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000076
参与系数
Figure BDA0003427377850000077
聚集系数
Figure BDA0003427377850000078
根据第三脑网络G3＝{g1,g2,…,gn}的度值
Figure BDA0003427377850000079
参与系数
Figure BDA00034273778500000710
和聚集系数
Figure BDA00034273778500000711
可以得到第三脑网络的拓扑属性值矩阵
Figure BDA00034273778500000712
根据第四脑网络G4＝{g1,g2,…,gn}的度值
Figure BDA00034273778500000713
参与系数
Figure BDA00034273778500000714
聚集系数
Figure BDA00034273778500000715
Figure BDA00034273778500000716
可以得到第四脑网络的拓扑属性值矩阵
Figure BDA00034273778500000717
根据
Figure BDA00034273778500000718
和
Figure BDA00034273778500000719
可以进一步得到各脑区参与疼痛感知的权重值，各脑区参与疼痛感知的权重值
Figure BDA00034273778500000720
各脑区参与疼痛感知的权重值α为：
α＝([de,pc,cc]w-[de,pc,cc]p)/[de,pc,cc]w。
上述计算可以赋予疼痛处理相关脑区更高的权重，同时减弱其它区域活动对最终评价的影响。
S140：根据所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物；在一些实施例中，利用上述所得的动态性变异梯度属性
Figure BDA00034273778500000721
和各脑区参与疼痛感知的权重值α相乘，即可得到本申请所提出的动态疼痛标志物，疼痛标志物
Figure BDA00034273778500000722
需要说明的是，本申请提出的动态疼痛标志物是一种无创、敏感的慢性疼痛生物标志，可准确、定量评估慢性疼痛患者大脑对疼痛的感知程度。
S150：根据所述动态疼痛标志物，得到客观疼痛等级。
在一些实施例中，本发明中使用的评估模型为Lasso回归模型，是一种线性模型，模型通过压缩估计构造一个惩罚函数，进而计算一个精炼的模型。通过求解：
arg min||y-Xβ||2s.t.∑βj≤s
可得到Lasso回归构造的模型。
利用上述模型，根据动态疼痛标志物可以预测疼痛样本数据的VAS疼痛评分,并采用重复十次的五折交叉验证来评估此动态疼痛标志物的有效性。经测试，Lasso的预测的均方误差为0.04±0.02(均值±标准差)，验证了本发明的有效性。
根据上述方法模型，本申请还提供了一种疼痛等级评估系统，所述系统被配置为：
根据疼痛样本数据，建立第一脑网络G1＝{g1,g2,…,gn}；根据对照样本数据，建立第二脑网络G2＝{g1,g2,…,gn}；根据诱发样本数据，建立第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}，其中，所述第三脑网络G3＝{g1,g2,…,gn}是根据所述诱发样本数据中低于疼痛阈值的数据得到的，所述第四脑网络G4＝{g1,g2,…,gn}是根据所述诱发样本数据中高于疼痛阈值的数据得到的；
分别提取所述第一脑网络G1＝{g1,g2,…,gn}、所述第二脑网络G2＝{g1,g2,…,gn}、所述第三脑网络G3＝{g1,g2,…,gn}和所述第四脑网络G4＝{g1,g2,…,gn}对应的拓扑属性值，所述拓扑属性值包括度值、参与系数和聚集系数；
根据所述第一脑网络的所述拓扑属性值和所述第二脑网络的所述拓扑属性值，获取所述第一脑网络相对于所述第二脑网络的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度；
根据所述第三脑网络的所述拓扑属性值和所述第四脑网络的的所述拓扑属性值，获取各脑区参与疼痛感知的权重值；
根据所述第一脑网络相对于所述第二脑网络的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物；
根据所述动态疼痛标志物，得到客观疼痛等级。
由上述技术方案可得，本申请提供了一种疼痛等级评估方法及系统，所述方法通过疼痛样本、对照样本以及诱发样本三组样本数据，建立各样本数据对应的脑网络模型，以及计算各脑网络模型的拓扑属性值，得到疼痛样本数据对应的脑网络模型相对于对照样本数据对应的脑网络模型的动态变异性梯度属性和各脑区参与疼痛感知的权重值，从而进一步得到动态疼痛标志物，根据所述动态疼痛标志物，可以准确、定量评估慢性疼痛患者大脑对疼痛的感知程度。本申请提供的方法及系统通过脑区的动态性变异梯度属性可以直观反映慢性疼痛患者大脑相较于对照组产生的变异性，且通过诱发样本数据建立的脑网络求得的各脑区参与疼痛感知的权重值可以有效去除慢性疼痛的病理性影响，使得求得的动态疼痛标志物更聚焦于躯体感知层面，以获取更为客观的疼痛等级评估结果。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的疼痛等级评估方法及系统的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于显示设备及显示设备的控制方法实施例而言，由于其基本相似于显示设备实施例，所以描述的比较简单，相关之处参见显示设备实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种疼痛等级评估方法，其特征在于，包括：
根据疼痛样本数据，建立与之对应的若干第一脑网络G1＝{g1,g2,…,gn}；根据对照样本数据，建立与之对应的第二脑网络G2＝{g1,g2,…,gn}；根据诱发样本数据，建立与之对应的若干第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}，其中，所述第三脑网络G3＝{g1,g2,…,gn}是根据所述诱发样本数据中低于疼痛阈值的数据得到的，所述第四脑网络G4＝{g1,g2,…,gn}是根据所述诱发样本数据中高于疼痛阈值的数据得到的；
提取每一个所述第一脑网络G1＝{g1,g2,…,gn}、所述第二脑网络G2＝{g1,g2,…,gn}、所述第三脑网络G3＝{g1,g2,…,gn}和所述第四脑网络G4＝{g1,g2,…,gn}对应的拓扑属性值，所述拓扑属性值包括度值、参与系数和聚集系数；
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述拓扑属性值和所述第二脑网络G2＝{g1,g2,…,gn}的所述拓扑属性值，获取所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度；
根据所述第三脑网络G3＝{g1,g2,…,gn}的所述拓扑属性值和所述第四脑网络G4＝{g1,g2,…,gn}的所述拓扑属性值，获取各脑区参与疼痛感知的权重值；
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物；
根据所述动态疼痛标志物，得到客观疼痛等级。
2.根据权利要求1所述的方法，其特征在于，所述根据对照样本数据，建立与之对应的第二脑网络G2＝{g1,g2,…,gn}，还包括：
根据m组对照样本数据，建立与之对应的m个脑网络
Figure FDA0003427377840000011
对所述m个脑网络加和后取平均值，即
Figure FDA0003427377840000012
其中
Figure FDA0003427377840000013
Figure FDA0003427377840000014
将G'h确定为第二脑网络G2＝{g1,g2,…,gn}。
3.根据权利要求2所述的方法，其特征在于，所述第一脑网络G1＝{g1,g2,…,gn}的度值
Figure FDA0003427377840000015
Figure FDA0003427377840000016
参与系数
Figure FDA0003427377840000017
聚集系数
Figure FDA0003427377840000018
所述第二脑网络G2＝{g1,g2,…,gn}的度值
Figure FDA0003427377840000019
参与系数
Figure FDA00034273778400000110
聚集系数
Figure FDA00034273778400000111
所述根据所述第一脑网络G1＝{g1,g2,…,gn}的所述拓扑属性值和所述第二脑网络G2＝{g1,g2,…,gn}的所述拓扑属性值，获取所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度，还包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的度值
Figure FDA00034273778400000112
参与系数
Figure FDA00034273778400000113
聚集系数
Figure FDA00034273778400000114
获取其对应的在时间维度上的度值序列
Figure FDA00034273778400000115
参与系数序列
Figure FDA00034273778400000116
以及聚集系数序列
Figure FDA00034273778400000117
根据所述第二脑网络G2＝{g1,g2,…,gn}的度值
Figure FDA00034273778400000118
参与系数
Figure FDA00034273778400000119
聚集系数
Figure FDA00034273778400000120
获取其对应的在时间维度上的度值序列
Figure FDA00034273778400000121
参与系数序列
Figure FDA0003427377840000021
以及聚集系数序列
Figure FDA0003427377840000022
根据所述第一脑网络G1＝{g1,g2,…,gn}对应的所述度值序列
Figure FDA0003427377840000023
所述参与系数序列
Figure FDA0003427377840000024
所述聚集系数序列
Figure FDA0003427377840000025
和所述第二脑网络G1＝{g1,g2,…,gn}对应的所述度值序列
Figure FDA0003427377840000026
所述参与系数序列
Figure FDA0003427377840000027
Figure FDA0003427377840000028
所述聚集系数序列
Figure FDA0003427377840000029
建立线性回归模型，以获取所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度。
4.根据权利要求3所述的方法，其特征在于，所述建立线性回归模型，包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述度值序列
Figure FDA00034273778400000210
和所述第二脑网络G2＝{g1,g2,…,gn}的所述度值序列
Figure FDA00034273778400000211
建立第一线性回归模型，所述第一线性回归模型yd＝Kd*Xd+b；
其中，
Figure FDA00034273778400000212
Figure FDA00034273778400000213
Kd为所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的度值的动态性变异梯度。
5.根据权利要求4所述的方法，其特征在于，所述建立线性回归模型，包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述参与系数序列
Figure FDA00034273778400000214
和所述第二脑网络G2＝{g1,g2,…,gn}的所述参与系数序列
Figure FDA00034273778400000215
建立第二线性回归模型，所述第二线性回归模型yp＝Kp*Xp+b；
其中，
Figure FDA00034273778400000216
Figure FDA00034273778400000217
Kp为所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述参与系数的动态性变异梯度。
6.根据权利要求5所述的方法，其特征在于，所述建立线性回归模型，包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述聚集系数序列
Figure FDA00034273778400000218
和所述第二脑网络G2＝{g1,g2,…,gn}的所述聚集系数序列
Figure FDA00034273778400000219
建立第三线性回归模型，所述第三线性回归模型yc＝Kc*Xc+b；
其中，
Figure FDA00034273778400000220
Figure FDA00034273778400000221
Kc为所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述聚集系数的动态性变异梯度。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物，还包括：
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度Kd、所述参与系数的动态性变异梯度Kp、所述聚集系数的动态性变异梯度Kc，获取所述第一脑网络相对于所述第二脑网络的动态性变异梯度属性
Figure FDA00034273778400000222
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述动态性变异梯度属性[Kd,Kp,Kc]和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物。
8.根据权利要求7所述的方法，其特征在于，所述第三脑网络G3＝{g1,g2,…,gn}的度值
Figure FDA0003427377840000031
Figure FDA0003427377840000032
参与系数
Figure FDA0003427377840000033
聚集系数
Figure FDA0003427377840000034
所述第四脑网络G4＝{g1,g2,…,gn}的度值
Figure FDA0003427377840000035
参与系数
Figure FDA0003427377840000036
聚集系数
Figure FDA0003427377840000037
所述根据所述第三脑网络G3＝{g1,g2,…,gn}的所述拓扑属性值和所述第四脑网络G4＝{g1,g2,…,gn}的的所述拓扑属性值，获取各脑区参与疼痛感知的权重值，还包括：
获取由所述第三脑网络G3＝{g1,g2,…,gn}的度值
Figure FDA0003427377840000038
参与系数
Figure FDA0003427377840000039
和聚集系数
Figure FDA00034273778400000310
得到的所述第三脑网络的拓扑属性值矩阵
Figure FDA00034273778400000311
获取由所述第四脑网络G4＝{g1,g2,…,gn}的度值
Figure FDA00034273778400000312
参与系数
Figure FDA00034273778400000313
聚集系数
Figure FDA00034273778400000314
得到的所述第四脑网络的拓扑属性值矩阵
Figure FDA00034273778400000315
根据
Figure FDA00034273778400000316
和
Figure FDA00034273778400000317
获取各脑区参与疼痛感知的权重值，所述各脑区参与疼痛感知的权重值α为：
α＝([de,pc,cc]w-[de,pc,cc]p)/[de,pc,cc]w。
9.根据权利要求1所述的方法，其特征在于，所述根据所述动态疼痛标志物，得到客观疼痛等级，包括：
根据所述动态疼痛标志物，预测所述疼痛样本数据的VAS疼痛评分；
根据预测得到的所述疼痛样本数据的VAS疼痛评分，得到客观疼痛等级。
10.一种疼痛等级评估系统，其特征在于，所述系统被配置为：
根据疼痛样本数据，建立第一脑网络G1＝{g1,g2,…,gn}；根据对照样本数据，建立第二脑网络G2＝{g1,g2,…,gn}；根据诱发样本数据，建立第三脑网络G3＝{g1,g2,…,gn}和第四脑网络G4＝{g1,g2,…,gn}，其中，所述第三脑网络G3＝{g1,g2,…,gn}是根据所述诱发样本数据中低于疼痛阈值的数据得到的，所述第四脑网络G4＝{g1,g2,…,gn}是根据所述诱发样本数据中高于疼痛阈值的数据得到的；
分别提取所述第一脑网络G1＝{g1,g2,…,gn}、所述第二脑网络G2＝{g1,g2,…,gn}、所述第三脑网络G3＝{g1,g2,…,gn}和所述第四脑网络G4＝{g1,g2,…,gn}对应的拓扑属性值，所述拓扑属性值包括度值、参与系数和聚集系数；
根据所述第一脑网络G1＝{g1,g2,…,gn}的所述拓扑属性值和所述第二脑网络G2＝{g1,g2,…,gn}的所述拓扑属性值，获取所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度和所述聚集系数的动态性变异梯度；
根据所述第三脑网络G3＝{g1,g2,…,gn}的所述拓扑属性值和所述第四脑网络G4＝{g1,g2,…,gn}的的所述拓扑属性值，获取各脑区参与疼痛感知的权重值；
根据所述第一脑网络G1＝{g1,g2,…,gn}相对于所述第二脑网络G2＝{g1,g2,…,gn}的所述度值的动态性变异梯度、所述参与系数的动态性变异梯度、所述聚集系数的动态性变异梯度和所述各脑区参与疼痛感知的权重值，得到动态疼痛标志物；
根据所述动态疼痛标志物，得到客观疼痛等级。
CN202111582180.5A 2021-12-22 2021-12-22 一种疼痛等级评估方法及系统 Active CN114283935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111582180.5A CN114283935B (zh) 2021-12-22 2021-12-22 一种疼痛等级评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111582180.5A CN114283935B (zh) 2021-12-22 2021-12-22 一种疼痛等级评估方法及系统

Publications (2)

Publication Number Publication Date
CN114283935A true CN114283935A (zh) 2022-04-05
CN114283935B CN114283935B (zh) 2024-07-16

Family

ID=80873868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111582180.5A Active CN114283935B (zh) 2021-12-22 2021-12-22 一种疼痛等级评估方法及系统

Country Status (1)

Country Link
CN (1) CN114283935B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102266223A (zh) * 2010-06-01 2011-12-07 四川大学华西医院 基于磁共振静息态功能成像的疼痛评定系统
US20140066739A1 (en) * 2012-08-29 2014-03-06 Bin He System and method for quantifying or imaging pain using electrophysiological measurements
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
CN111951958A (zh) * 2020-08-21 2020-11-17 深圳大学 一种基于自编码的疼痛数据评估方法及相关组件

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102266223A (zh) * 2010-06-01 2011-12-07 四川大学华西医院 基于磁共振静息态功能成像的疼痛评定系统
US20140066739A1 (en) * 2012-08-29 2014-03-06 Bin He System and method for quantifying or imaging pain using electrophysiological measurements
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
CN111951958A (zh) * 2020-08-21 2020-11-17 深圳大学 一种基于自编码的疼痛数据评估方法及相关组件

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张珊珊;吴文;: "慢性疼痛的脑机制及静息态功能性磁共振研究", 中国疼痛医学杂志, no. 02, 15 February 2013 (2013-02-15) *

Also Published As

Publication number Publication date
CN114283935B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Bigdely-Shamlo et al. Measure projection analysis: a probabilistic approach to EEG source comparison and multi-subject inference
Sui et al. A review of multivariate methods for multimodal fusion of brain imaging data
US11693071B2 (en) Systems and methods for mapping neuronal circuitry and clinical applications thereof
CN113610808B (zh) 基于个体脑连接图的群体脑图谱个体化方法、系统和设备
US20190374154A1 (en) Method, command, device and program to determine at least one brain network involved in carrying out a given process
WO2005023086B1 (en) Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
Rocha et al. Recovery of neural dynamics criticality in personalized whole-brain models of stroke
CN113164126A (zh) 利用脑特征活动图谱数据库来表征内容的装置和方法
CN110392549B (zh) 确定引起期望行为的大脑刺激的系统、方法和介质
WO2017182637A2 (en) Method and system for estimating a location of an epileptogenic zone of a mammalian brain
Wismüller et al. Model-free functional MRI analysis based on unsupervised clustering
Liu et al. Towards tunable consensus clustering for studying functional brain connectivity during affective processing
CN112614126A (zh) 基于机器学习的磁共振图像脑区划分方法、系统和装置
Klein et al. A reliable statistical method to detect eyeblink-artefacts from electroencephalogram data only
CN112418337A (zh) 基于脑功能超网络模型的多特征融合数据分类方法
CN115995299A (zh) 一种个体化调控靶点定位方法、系统、电子设备及介质
CN114708263B (zh) 个体化脑功能区定位方法、装置、设备和存储介质
Hyvärinen et al. Testing independent component patterns by inter-subject or inter-session consistency
Alahmadi et al. Classifying cognitive profiles using machine learning with privileged information in mild cognitive impairment
Wang et al. SEEG-Net: An explainable and deep learning-based cross-subject pathological activity detection method for drug-resistant epilepsy
Mumtaz et al. A comparative study of different EEG reference choices for diagnosing unipolar depression
CN115644892A (zh) 基于深度学习和电生理信号的癫痫病灶区定位系统及方法
CN117731946A (zh) 一种靶向大脑主从功能状态的个体化刺激控制系统及方法
CN115337000B (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
CN111938671A (zh) 一种基于多维度内感知特征的焦虑特质量化方法

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