CN114463607A - 基于h无穷滤波方式构建因效脑网络的方法和装置 - Google Patents

基于h无穷滤波方式构建因效脑网络的方法和装置 Download PDF

Info

Publication number
CN114463607A
CN114463607A CN202210364580.7A CN202210364580A CN114463607A CN 114463607 A CN114463607 A CN 114463607A CN 202210364580 A CN202210364580 A CN 202210364580A CN 114463607 A CN114463607 A CN 114463607A
Authority
CN
China
Prior art keywords
causal
brain network
infinite
model
brain
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
CN202210364580.7A
Other languages
English (en)
Other versions
CN114463607B (zh
Inventor
高阳
马宇宇
宁晓琳
房建成
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.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang 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 Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202210364580.7A priority Critical patent/CN114463607B/zh
Publication of CN114463607A publication Critical patent/CN114463607A/zh
Application granted granted Critical
Publication of CN114463607B publication Critical patent/CN114463607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Pathology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及基于H无穷滤波方式构建因效脑网络的方法和装置，方法包括基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列
Figure 6636DEST_PATH_IMAGE001
，借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 967638DEST_PATH_IMAGE001
进行建模，生成所述节点信号时间序列
Figure 678105DEST_PATH_IMAGE001
的MVAR模型；利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 749967DEST_PATH_IMAGE002
；基于所述MVAR模型系数矩阵
Figure 190175DEST_PATH_IMAGE002
，采用预先构建的格兰杰因果方法确定所述脑网络节点之间的因果关系值；基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。本方法提高了网络连接动态性能，增加了MVAR模型系数的计算精度，降低了脑网络构建误差。

Description

基于H无穷滤波方式构建因效脑网络的方法和装置
技术领域
本发明涉及大脑功能信号网络构建技术领域，尤其涉及一种基于H无穷滤波方式构建因效脑网络的方法和装置。
背景技术
大脑信息传递是动态时变的过程，脑网络是大脑不同空间位置的皮层区域通过结构或功能联系整合起来形成的网络模式。因效脑网络以有向网络的视角度量了大脑功能信息的因果关系和信息流向，因其更接近真实的大脑功能机制，已应用于认知、语言理解、神经精神类疾病等方面的研究。
基于多元线性自回归模型（multivariate autoregressive modeling，MVAR模型）的格兰杰因果分析是构建因效脑网络的常用算法，算法要求数据具有平稳性。然而脑电、脑磁、近红外脑功能成像、功能核磁共振等检测方式得到的大脑功能信号是动态非平稳的，随时间变化具有较大波动。为使用格兰杰因果分析方法构建动态因效脑网络，在现有技术中，使用滑动时间窗法分析信号动态时变的性能，认为在选定的时间窗口下，脑磁信号是平稳的，再使用最小二乘法估计MVAR模型系数，从而进行格兰杰因效脑网络构建。
由于滑动时间窗法存在窗口的长度没有明确选择方法，存在选择较大的窗口影响时间精度，动态性差，选择较小的窗口不能正确计算网络连接关系的缺点。此外，自然界的噪声均为有色噪声，现有技术中，为了计算方便，均将噪声假设为高斯白噪声，存在无法全面考虑模型中存在的有色噪声的问题，再者最小二乘法对噪声较敏感，估计模型系数时，会将信噪比不高的信号中的噪声进行放大，导致获取的MVAR模型系数存在误差，产生伪连接，导致构建的脑网络存在较大的误差。
发明内容
（一）要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于H无穷滤波方式构建因效脑网络的方法，其解决了计算网络连接动态性能差、获取MVAR模型系数精度低和脑网络构建误差大的技术问题。
（二）技术方案
为了达到上述目的，第一方面，本发明实施例提供一种基于H无穷滤波方式构建因效脑网络的方法，包括：
S10、基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列
Figure 661792DEST_PATH_IMAGE001
， 借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 850328DEST_PATH_IMAGE001
进行建模，生成所述节点信号时间 序列
Figure 363349DEST_PATH_IMAGE001
的MVAR模型；
S20、利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷 滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 699652DEST_PATH_IMAGE002
；
可选地，所述步骤S20具体为：
S201、基于所述脑网络节点的节点信号噪声特性，确定所述H无穷滤波方式的噪声模型；
S202、基于MVAR模型系数矩阵
Figure 221901DEST_PATH_IMAGE002
和节点信号时间序列
Figure 259084DEST_PATH_IMAGE001
，建立H无穷滤波估计 模型系数滤波方程，基于噪声模型和H无穷滤波估计模型系数滤波方程，进行H无穷滤波估 计模型系数滤波方程的初始化；
可选地，步骤S202中，所述H无穷滤波估计模型系数滤波方程，具体为：
Figure 208585DEST_PATH_IMAGE003
Figure 32185DEST_PATH_IMAGE004
为状态向量，
Figure 826965DEST_PATH_IMAGE005
为所述节点信号时间序列
Figure 990093DEST_PATH_IMAGE001
的量测值，
Figure 172813DEST_PATH_IMAGE006
为量测矩阵，
Figure 155813DEST_PATH_IMAGE007
为系统噪声，
Figure 19863DEST_PATH_IMAGE008
为量测噪声。
S203、基于所述H无穷滤波估计模型系数滤波方程，进行迭代计算，确定每时刻所 述MVAR模型的系数矩阵
Figure 303077DEST_PATH_IMAGE002
的值。
可选地，基于预先构建的精度等级划分方式和模糊算法，自适应的确定衰减因子， 基于所述衰减因子，改进所述H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计 模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 391119DEST_PATH_IMAGE002
。
可选地，通过预先构建的精度等级划分方式和模糊算法自适应的确定衰减因子，具体步骤为：
通过所述精度等级划分方式，依据所述量测数据的噪声方差的范围，将所述量测 数据划分为d个精度等级；
Figure 267939DEST_PATH_IMAGE009
为第k个等级精度；
通过所述模糊算法，依据所述量测数据的量测残差
Figure 732419DEST_PATH_IMAGE010
序列，确定所述量测数据每 时刻的等级精度
Figure 870139DEST_PATH_IMAGE009
；
基于所述等级精度
Figure 66765DEST_PATH_IMAGE009
，自适应的确定衰减因子；
所述量测数据为节点信号时间序列
Figure 289936DEST_PATH_IMAGE001
在t-1至t-p时刻的量测值。
S30、基于所述MVAR模型系数矩阵
Figure 292527DEST_PATH_IMAGE002
，采用预先构建的格兰杰因果方法确定所述 脑网络节点之间的因果关系值；
可选地，步骤S30中，依据预先构建的格兰杰因果方法确定所述MVAR模型中脑网络节点之间的因果关系值，具体包括：
所述格兰杰因果方法，包括经典格兰杰算法、偏格兰杰算法、定向传递函数和部分有向相干方法；
采用所述经典格兰杰算法、偏格兰杰算法、定向传递函数和/或部分有向相干方法，获取所述MVAR模型中脑网络节点之间的因果关系值。
S40、基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
可选地，S50、基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络的构建。
可选地，步骤S50中，具体包括：
S501、将所述因果关系值与预先设定的因果关系阈值进行比较：
若所述因果关系值大于所述因果关系阈值，则判断所述两个节点之间存在网络连接关系；
否则，则判断所述两个节点之间不存在网络连接关系；
S502、借助于预先构建的统计检验方法，基于所述脑网络节点间的因果关系值，确认脑网络节点间统计显著的时频区域；
存在统计显著的时频区域，判断所述脑网络节点间存在网络连接关系；
否则，则判断所述两个节点之间不存在网络连接关系；
基于所述网络连接关系，优化所述因效脑网络的构建。
第二方面，本申请还提供了一种基于H无穷滤波方式构建因效脑网络的装置，包括：
第一确认单元，用于基于预先选取的脑网络节点，确定所述脑网络节点的节点信 号时间序列
Figure 19175DEST_PATH_IMAGE001
，借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 917860DEST_PATH_IMAGE001
进行建模，生成 所述节点信号时间序列
Figure 425065DEST_PATH_IMAGE001
的MVAR模型；
第二确认单元，用于利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程， 基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 169030DEST_PATH_IMAGE002
；
第三确认单元，用于基于所述MVAR模型系数矩阵
Figure 15763DEST_PATH_IMAGE002
，采用预先构建的格兰杰因 果方法确定所述脑网络节点之间的因果关系值；
构建单元，用于基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
第三方面，本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述存储器中存储的计算机程序，实现上述第一方面任一所述的基于H无穷滤波方式构建因效脑网络的方法的步骤。
（三）有益效果
本发明提供的一种基于H无穷滤波方式构建因效脑网络的方法，使用H无穷滤波方式估计MVAR模型的模型系数，H无穷滤波方式不要求量测数据的平稳性，滤波具有明显的鲁棒性，对于非平稳、波动性大的脑网络节点信号适用，提高了量测数据的利用率。
本发明使用H无穷滤波方式估计得到每时刻MVAR模型的模型系数用以构建因效脑网络，提高了时间精度，增强了计算网络连接的动态性能。
本发明使用H无穷滤波方式，噪声模型的选取可为更符合实际情况的非高斯噪声模型，利用期望最大化算法进行噪声参数估计，减小了噪声对模型的干扰，提高了脑网络节点之间的连接关系准确度。
本发明使用自适应衰减因子对H无穷滤波方式进行改进，通过精度等级和模糊算法自适应的确定衰减因子，减小了模型和量测不确定性对滤波精度的影响同时保证了算法的稳定性和计算精度。
本发明提供的方法能够构建每时刻分频率的因效脑网络，使用统计检验的方法计算得出不同大脑节点间统计显著的时频区域，以此优化因效脑网络构建，提高了因效脑网络的精准度。
附图说明
图1为本发明一实施例提供的一种基于H无穷滤波方式构建因效脑网络的方法流程示意图；
图2为本发明另一实施例提供的基于改进的H无穷滤波估计MVAR模型系数滤波方程的算法原理示意图；
图3（a）为本发明再一实施例提供的脑网络节点i到节点k时频因果值示意图；
图3（b）为本发明再一实施例提供的脑网络节点j到节点k时频因果值示意图；
图3（c）为本发明再一实施例提供的脑网络节点i到节点j时频因果值示意图；
图4（a）为本发明再一实施例提供的统计显著区域75ms-125ms脑网络节点连接示意图；
图4（b）为本发明再一实施例提供的统计显著区域160ms-230ms脑网络节点连接示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体地实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。
脑网络是大脑不同空间位置的皮层区域通过结构或功能联系整合起来形成的网络模式。因效脑网络以有向网络的视角度量了大脑功能信息的因果关系和信息流向，因其更接近真实的大脑功能机制，已应用于认知、语言理解、神经精神类疾病等方面的研究，构建精准的脑网络，在医学领域有利于脑疾病的诊断，具有重要的临床应用价值。
图1为本发明一实施例提供了一种基于H无穷滤波方式构建因效脑网络的方法，如图1所示，主要包括以下步骤：
S10、基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列
Figure 616509DEST_PATH_IMAGE001
， 借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 814272DEST_PATH_IMAGE001
进行建模，生成所述节点信号时间 序列
Figure 96349DEST_PATH_IMAGE001
的MVAR模型。
在实际应用中，预先获取的脑网络节点依据实际需求来进行确认。举例来说，对于脑电、脑磁信号、近红外脑功能信号等，可以选择脑电电极、脑磁探头位置、近红外探头等作为脑网络节点，还可以进行源定位后，将溯源区域体素或脑区作为脑网络节点；对于功能核磁信号，可以选取大脑激活区域的体素或脑区作为节点等。
举例来说，在一实施例中，预先选取的脑网络节点为脑电、脑磁、近红外功能信号节点或大脑皮质溯源区域节点、功能核磁共振节点，则在t时刻，N维节点信号表示为：
Figure 859906DEST_PATH_IMAGE011
借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 100394DEST_PATH_IMAGE001
进行建模，获取所述节点 信号时间序列
Figure 254295DEST_PATH_IMAGE001
的MVAR模型，可以表示为：
Figure 605642DEST_PATH_IMAGE012
令：
Figure 223705DEST_PATH_IMAGE013
则：
Figure 369516DEST_PATH_IMAGE014
矩阵
Figure 276292DEST_PATH_IMAGE002
为MVAR模型的系数矩阵，其中，
Figure 962488DEST_PATH_IMAGE015
为量测噪声，p为模型阶数，矩阵
Figure 638320DEST_PATH_IMAGE002
表示如下：
Figure 17349DEST_PATH_IMAGE016
其中，元素
Figure 411421DEST_PATH_IMAGE017
表示t时刻第r阶第j个脑网络节点
Figure 104570DEST_PATH_IMAGE018
对第r个脑网络节点
Figure 369330DEST_PATH_IMAGE019
的因果交互作用。
所述MVAR模型中，存在需要确定的模型阶数p，在一实施例中，模型阶数p通过赤池信息量准则(Akaike Information Criterion，AIC)和/或施瓦兹贝叶斯准则(SchwarzBayes Criterion，SBC)等确认：
所述AIC计算公式为：
Figure 919260DEST_PATH_IMAGE020
所述SBC计算公式为：
Figure 800628DEST_PATH_IMAGE021
其中，
Figure 31889DEST_PATH_IMAGE022
为噪声协方差矩阵的行列式，
Figure 479051DEST_PATH_IMAGE023
，T为样本点数，M为试验数。
S20、利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程；基于所述H无穷 滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 137565DEST_PATH_IMAGE002
。
S30、基于所述MVAR模型系数矩阵
Figure 234791DEST_PATH_IMAGE002
，采用预先构建的格兰杰因果方法确定所述 脑网络节点之间的因果关系值。
S40、根据所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
基于本方法构建的脑网络，能够有效的度量大脑的信息流向，脑网络能够用于研究不同的脑疾病，有利于脑疾病的早期诊断和疗效评价，具有重要的临床应用价值。
本申请实施例提供的一种基于H无穷滤波方式构建因效脑网络的方法，使用H无穷 滤波方式估计MVAR模型的系数矩阵
Figure 269743DEST_PATH_IMAGE002
，H无穷滤波方式不要求量测数据的平稳性，滤波具 有明显的鲁棒性，对于波动性大的脑网络节点信号适用，提高了量测数据的利用率；采用状 态空间方法描述系统，获取每时刻MVAR模型系数用以构建因效脑网络，提高了时间精度，可 用于每时刻MVAR模型系数的实时估计，比基于时间窗计算网络动态连接的方法具有更好的 动态性能。本申请实施例提供的噪声模型的选取可为更符合实际情况的非高斯噪声模型， 利用期望最大化算法进行噪声参数估计，减小了噪声对模型的干扰，提高了脑网络节点之 间的连接关系准确度，因效脑网络的构建更加准确，研究脑疾病时更加精确。
在其他一些实施例中，还可包括S50、基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络的构建，减小因效脑网络的构建误差。
在其他一些实施例中，建立所述节点信号时间序列
Figure 836991DEST_PATH_IMAGE001
的MVAR模型后，针对步骤 S20，具体可实施以下步骤：
S201、基于所述脑网络节点的节点信号噪声特性，确定所述H无穷滤波方式的噪声模型；
在实际应用中，所述噪声模型可为高斯噪声模型或者非高斯噪声模型，一些脑电等节点信号的信号噪声分布具有重尾特性，为使用噪声分布具有一般性，在一实施例中，噪声模型可选取混合高斯噪声模型，采用高斯混合分布近似噪声分布的重尾特性，系统残差和量测残差序列近似为系统噪声和量测噪声，使用期望最大化算法进行混合高斯模型噪声参数估计。
举例来说，一般高斯混合噪声概率密度函数可表示为：
Figure 666407DEST_PATH_IMAGE024
其中
Figure 256788DEST_PATH_IMAGE025
。
在一些实施例中，为简化噪声模型，M可取2，具体表达式为：
Figure 892169DEST_PATH_IMAGE026
其中，
Figure 251606DEST_PATH_IMAGE027
>>1为方差因子，用于调节非高斯噪声干扰的发生；
Figure 251923DEST_PATH_IMAGE028
为混合系数。
在滤波初始迭代过程中，定义系统残差
Figure 329600DEST_PATH_IMAGE029
和量测残差
Figure 768672DEST_PATH_IMAGE030
序列为：
Figure 982616DEST_PATH_IMAGE031
在计算过程中，系统残差
Figure 419413DEST_PATH_IMAGE029
和量测残差
Figure 781124DEST_PATH_IMAGE030
序列近似为系统噪声
Figure 695991DEST_PATH_IMAGE007
和量测噪声
Figure 30020DEST_PATH_IMAGE008
，使用期望最大化算法进行混合高斯模型噪声参数估计。在期望最大化算法中，
Figure 434457DEST_PATH_IMAGE032
的似 然函数为：
Figure 486726DEST_PATH_IMAGE033
然后对对数似然函数求期望，求满足最大期望的期望
Figure 939704DEST_PATH_IMAGE034
，噪声方差
Figure 393820DEST_PATH_IMAGE035
，系数
Figure 969157DEST_PATH_IMAGE028
。
在现有技术中，会出现由于噪声影响导致判断脑网络连接时出现伪连接，而自然界噪声多为有色噪声，为了方便计算，因此将模型噪声简化为服从高斯分布的白噪声，而本实施例提供的基于H无穷滤波方式构建因效脑网络的方法，不需要将模型噪声简化为白噪声，提高了脑网络的构建精度，降低了脑网络的构建难度。
进一步地，确定噪声模型后，实施步骤S202、基于MVAR模型系数矩阵
Figure 243144DEST_PATH_IMAGE002
和节点信 号时间序列
Figure 765392DEST_PATH_IMAGE001
，建立H无穷滤波估计模型系数滤波方程，基于噪声模型和H无穷滤波估计模 型系数滤波方程，设置初始状态向量、初始系统噪声、初始量测噪声和
Figure 870751DEST_PATH_IMAGE036
矩阵的初始值等， 进行H无穷滤波估计模型系数滤波方程的初始化；所述初始状态向量、初始系统噪声、初始 量测噪声和
Figure 820253DEST_PATH_IMAGE036
矩阵的初始值等均由实际情况进行确认，此处不做限制。
所述H无穷滤波估计模型系数滤波方程，具体为：
Figure 315956DEST_PATH_IMAGE003
其中，
Figure 438633DEST_PATH_IMAGE037
为状态向量，为MVAR模型的系数矩阵
Figure 601761DEST_PATH_IMAGE002
中的元素
Figure 456585DEST_PATH_IMAGE038
；
Figure 767480DEST_PATH_IMAGE039
为脑网络节 点的节点信号时间序列
Figure 631531DEST_PATH_IMAGE001
的量测值，
Figure 383586DEST_PATH_IMAGE040
为量测矩阵，
Figure 940470DEST_PATH_IMAGE007
为系统噪声，
Figure 473082DEST_PATH_IMAGE008
为量测噪声；
Figure 140824DEST_PATH_IMAGE041
为 与
Figure 747386DEST_PATH_IMAGE037
和
Figure 271908DEST_PATH_IMAGE007
有关的矩阵，当
Figure 495079DEST_PATH_IMAGE041
=I时，获取的是状态向量
Figure 435353DEST_PATH_IMAGE037
，I为单位矩阵。
进一步地，实施步骤S203、基于H无穷滤波估计模型系数滤波方程，进行H无穷滤波 的迭代计算，确定每时刻所述MVAR模型系数矩阵
Figure 427580DEST_PATH_IMAGE002
的值，具体包括：
基于预先获取的量测数据与初始化的H无穷滤波估计模型系数方程，获取所述H无 穷滤波估计模型系数滤波方程的代价函数；所述量测数据为节点信号时间序列
Figure 123003DEST_PATH_IMAGE001
在t-1至t-p时刻的量测值。
基于所述代价函数，确定所述代价函数的协方差矩阵、系统噪声矩阵、量测噪声矩 阵和
Figure 302312DEST_PATH_IMAGE042
矩阵等，上述矩阵均为对称矩阵和正定矩阵。
进一步地，进行所述H无穷滤波估计模型系数的步进计算，确定t时刻的节点信号 时间序列在所述MVAR模型系数矩阵
Figure 311856DEST_PATH_IMAGE002
中相应的元素的值。本申请提出的基于H无穷滤波 方式构建因效脑网络的方法，所述因效脑网络是动态时变的，因此在一些实施例中，也称为 时变因效脑网络。
在一些实施例中，为了能够提高脑网络构建的精准度，使滤波对状态和模型不确 定性的突然变化敏感，同时为了保证算法的稳定性，将自适应的衰减因子
Figure 220906DEST_PATH_IMAGE043
加入上式中的 更新方程。
通过预先构建的精度等级划分方式和模糊算法自适应的确定衰减因子，基于所述 衰减因子，改进所述H无穷滤波估计模型系数滤波方程，基于改进后的H无穷滤波估计模型 系数滤波方程，确定所述MVAR模型系数矩阵
Figure 24914DEST_PATH_IMAGE002
。
如图2所示，图2示出了本发明另一实施例提供的基于H无穷滤波方式估计MVAR模 型系数矩阵
Figure 957098DEST_PATH_IMAGE002
的算法原理示意图。
对于H无穷滤波估计模型系数滤波方程，首先设置初始值：初始状态向量
Figure 301492DEST_PATH_IMAGE044
，初始 系统噪声
Figure 285889DEST_PATH_IMAGE045
，初始量测噪声
Figure 995219DEST_PATH_IMAGE046
，
Figure 680278DEST_PATH_IMAGE036
矩阵的初始值
Figure 828363DEST_PATH_IMAGE047
，进行H无穷滤波估计模型系数滤波方 程的初始化， 基于节点信号时间序列
Figure 384109DEST_PATH_IMAGE001
在t-1至t-p时刻的量测数据进行系数估计，取代 价函数：
Figure 795499DEST_PATH_IMAGE048
在本实施例中，选取代价函数的边界为1/
Figure 499013DEST_PATH_IMAGE049
，即J 1<1/
Figure 122892DEST_PATH_IMAGE049
，则：
Figure 64303DEST_PATH_IMAGE050
通过选择合适的
Figure 177753DEST_PATH_IMAGE051
使J最小，基于代价函数，选取合适的协方差矩阵
Figure 571825DEST_PATH_IMAGE052
，系统噪声
Figure 999395DEST_PATH_IMAGE053
、量测噪声
Figure 592051DEST_PATH_IMAGE054
和
Figure 345243DEST_PATH_IMAGE036
矩阵，并保证矩阵对称和正定。
进一步的，进行滤波算法的步进计算：
Figure 961032DEST_PATH_IMAGE055
选取
Figure 192293DEST_PATH_IMAGE049
保证：
Figure 639455DEST_PATH_IMAGE056
其中，
Figure 297970DEST_PATH_IMAGE043
为衰减因子，
Figure 666634DEST_PATH_IMAGE057
为附加的正定矩阵。
本实施例中，所述自适应的衰减因子
Figure 498324DEST_PATH_IMAGE043
，通过预先构建的精度等级划分方式和模 糊算法确定，具体为：通过精度等级划分方式，依据所述量测数据的噪声方差的范围，将所 述量测数据划分为d个精度等级（d= 1, 2,..., d）；
Figure 3255DEST_PATH_IMAGE009
为第k个等级精度，等级精度越大 噪声越大。
通过预先构建的模糊算法，依据所述量测数据的量测残差
Figure 832670DEST_PATH_IMAGE058
序列，确定所述量测 数据每时刻的等级精度
Figure 485369DEST_PATH_IMAGE009
；基于所述等级精度
Figure 58432DEST_PATH_IMAGE009
，确定衰减因子。
所述模糊算法为模糊数学理论的隶属度函数方法，依据所述量测数据的量测残差
Figure 417870DEST_PATH_IMAGE058
序列，通过期望最大化算法确定的噪声方差
Figure 683766DEST_PATH_IMAGE035
确定量测数据的等级精度
Figure 558181DEST_PATH_IMAGE009
。
在实际应用中由于量测具有不确定性，认为在一定区间范围内的噪声，其对应的 量测等级精度是相同的。为减小不确定性对结果的影响，根据先验选取d个衰减因子
Figure 934936DEST_PATH_IMAGE059
，假设在一定等级精度的噪声水平上，第k个等级精度
Figure 414458DEST_PATH_IMAGE009
对应于衰减因 子
Figure 647994DEST_PATH_IMAGE060
。
进一步地，针对步骤S30，采用预先构建的格兰杰因果方法，所述格兰因果方法包括经典格兰杰算法、偏格兰杰算法、定向传递函数分析和部分定向相干分析等方法，基于所述经典格兰杰算法、偏格兰杰算法、定向传递函数分析和/或部分定向相干分析等方法度量不同大脑网络节点的因果关系值。
举例来说，在一实施例中，采用定向传递函数分析和/或部分定向相干分析等方法，度量不同大脑网络节点频域的因果关系值，即获取多节点脑功能信号的频谱特征：
具体地，对MVAR模型每时刻的系数矩阵
Figure 885071DEST_PATH_IMAGE002
进行Z变换，得到：
Figure 799937DEST_PATH_IMAGE061
则
Figure 196284DEST_PATH_IMAGE001
的频域表示
Figure 538403DEST_PATH_IMAGE062
)为：
Figure 387411DEST_PATH_IMAGE063
定向传递函数和/或部分有向相干衡量不同大脑区域神经功能信号间的因果关系，以脑网络节点j和脑网络节点i为例，从脑网络节点j到脑网络节点i的定向传递函数值表示为：
Figure 105968DEST_PATH_IMAGE064
从脑网络节点j到脑网络节点i部分有向相干表示为：
Figure 294504DEST_PATH_IMAGE065
其中，
Figure 73104DEST_PATH_IMAGE066
是
Figure 409407DEST_PATH_IMAGE067
的第ij项，
Figure 931656DEST_PATH_IMAGE068
是
Figure 974698DEST_PATH_IMAGE067
的列向量，
Figure 720937DEST_PATH_IMAGE069
是
Figure 482220DEST_PATH_IMAGE066
的逆矩阵，
Figure 536720DEST_PATH_IMAGE070
表示通道j对通道i的因果关系，
Figure 699848DEST_PATH_IMAGE070
越大，通道j对通道i的因果关系就越强，反之则 越弱，同理，通道i对通道j的因果关系值用
Figure 616989DEST_PATH_IMAGE071
计算得到。
在实际应用中，利用上述步骤，遍历全部脑网络节点，即可得到全部大脑网络节点间的时频因果关系值。
获取所述脑网络节点间的因果关系值后，由于存在噪声影响，可能会导致误差，出现伪连接，为了进一步优化网络构建，还可对所述获取的因果关系值进行筛选，举例来说，在一些实际应用中还实施了步骤S50：
基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络的构建。
可选的，实施步骤S501、利用阈值法减少噪声造成的伪连接，对所述因果关系值进行阈值化和二值化：
预先设置一个因果关系阈值
Figure 865568DEST_PATH_IMAGE072
；
将所述因果关系值与预先设定的因果关系阈值进行比较；
若所述因果关系值大于所述因果关系阈值，则判断所述两个节点之间存在网络连 接关系，即
Figure 729618DEST_PATH_IMAGE073
，判断两个节点存在网络连接，
Figure 543991DEST_PATH_IMAGE074
；
否则，则判断所述两个节点之间不存在网络连接关系，即
Figure 100874DEST_PATH_IMAGE075
，判断两个节点 不存在网络连接，
Figure 571169DEST_PATH_IMAGE076
。
所述因果关系阈值依据实际需求进行确定，此处不做限制。
可选地，为了分析网络连接特性，增加脑网络的准确性，还可实施步骤S502，借助于预先构建的统计检验方法，基于所述脑网络节点间的因果关系值，确认脑网络节点间统计显著的时频区域；存在统计显著的时频区域，判断所述脑网络节点间在统计显著的时间和频率存在网络连接关系；否则，则判断所述两个节点之间不存在网络连接关系；基于所述网络连接关系，优化所述因效脑网络的构建。
如图3（a）、图3（b）、图3（c）所示，以节点i，j，k为例的3节点脑网络，图3（a）示出了本发明一实施例提供的脑网络节点i到节点k节点时频因果图统计显著区域示意图，图3（b）示出了节点j到节点k节点时频因果图统计显著区域示意图，图3（c）示出了节点i到节点j的节点时频因果图统计显著区域示意图，借助于预先构建的统计检验方法，对所述脑网络节点间的网络连接关系进行统计，获取不同脑网络节点间统计显著的时频区域，基于所述时频区域优化因效脑网络的构建。
在其他一些实施例中，所述统计检验方法具体可包括Bootstrap或Permutation统计检验方法等。
以图3（a）、图3（b）、图3（c）所述的实施例来说，使用Bootstrap和/或Permutation统计检验方法进行统计假设检验，向某种疾病患者与正常人给出一个相同刺激，监测给出刺激前后患者与正常人脑网络节点的因果关系值是否存在变化，如图3（a）所示，在75ms-125ms、160ms-230ms时间段内，分别出现频率8Hz-12Hz、30Hz-40Hz的统计显著区域，由此可以判定该时频范围内信息从节点i流向到节点k。
同理，对于图3（b），在75ms-125ms、160ms-230ms时间段内，在8Hz-12Hz、13Hz-30Hz频率范围，信息由脑网络节点j流向节点k；对于图3（c），仅在75ms-125ms时间段内，在12Hz-30Hz频率范围，存在信息由脑网络节点i流向节点j。
由以上时频显著的范围，遍历所有节点即可构建脑网络，统计显著区域75ms-125ms脑网络节点连接如图4（a）所示，统计显著区域160ms-230ms脑网络节点连接如图4（b）所示，其信息因果流向如箭头所示，因果关系值的大小如连接线段的粗细所示。基于此，优化了脑网络的构建，使得获取因效脑网络更精准。
应用此例可以分析一些脑科学脑疾病，举例来说，节点i、节点j分别代表大脑颞叶 和额叶区域，频率上8Hz-12Hz，30Hz-40Hz对应大脑活动的α和
Figure 770070DEST_PATH_IMAGE077
频段，可利用上述实施例中 提供的基于H无穷滤波方式构建的因效脑网络进行分析，颞叶到额叶在时间上75ms-125ms， 160ms-230ms在α和
Figure 907790DEST_PATH_IMAGE077
频段分别有信息传递，针对有关疾病可以进行进一步的研究。
本发明提供的一种基于H无穷滤波方式构建因效脑网络的方法，使用H无穷滤波方式估计MVAR模型的模型系数，H无穷滤波方式不要求量测数据的平稳性，滤波具有明显的鲁棒性，对于波动性大的脑网络节点信号适用，提高了量测数据的利用率；估计每时刻MVAR模型系数用以构建因效脑网络，提高了时间精度，增强了计算网络连接的动态性能。
在本申请实施例提供的方法中，噪声模型的选取不仅可使用高斯噪声模型，还可为更符合实际情况的非高斯噪声模型，不需要将噪声假定为高斯白噪声，利用期望最大化算法进行噪声参数估计，减小了噪声对模型的干扰，提高了脑网络节点之间的连接关系准确度。
本发明提供的基于H无穷滤波方式构建因效脑网络的方法，使用自适应的衰减因子对H无穷滤波方式进行改进，通过精度等级和模糊算法自适应的确定衰减因子，对状态和模型的突然变化保持敏感，减小了模型和量测不确定性对滤波精度的影响，保证了算法的稳定性。
本发明提供的基于H无穷滤波方式构建因效脑网络的方法，使用阈值法和/或统计检验的方法，基于因果关系值，对脑网络节点之间的连接关系进行验证，进一步减少伪连接，提高因效脑网络的精确性。
本发明提供的方法可以更快的分析大脑信息流向，实现测量大脑功能信号与脑网络构建同步进行。
本申请一实施例还提供了一种基于H无穷滤波方式构建因效脑网络的装置，包括：
第一确认单元，用于基于预先选取的脑网络节点，确定所述脑网络节点的节点信 号时间序列
Figure 369995DEST_PATH_IMAGE001
，借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 124325DEST_PATH_IMAGE001
进行建模，生成 所述节点信号时间序列
Figure 595757DEST_PATH_IMAGE001
的MVAR模型；
第二确认单元，用于利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程， 基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 322405DEST_PATH_IMAGE002
；
第三确认单元，用于基于所述MVAR模型系数矩阵
Figure 955511DEST_PATH_IMAGE002
，采用预先构建的格兰杰因 果方法确定所述脑网络节点之间的因果关系值；
构建单元，用于基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
在其它一些实施例中，还可以包括：优化单元，用于基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络构建方法。
可选地，所述第二确认单元还可包括：噪声确认子单元，方程构建子单元，计算子单元。
所述噪声确认子单元，用于基于所述脑网络节点的节点信号噪声特性，确定所述H无穷滤波方式的噪声模型；
所述方程构建子单元，用于基于MVAR模型系数矩阵
Figure 462716DEST_PATH_IMAGE002
和节点信号时间序列
Figure 206681DEST_PATH_IMAGE001
， 建立H无穷滤波估计模型系数滤波方程，基于所述噪声模型和H无穷滤波估计模型系数滤波 方程，进行H无穷滤波估计模型系数滤波方程的初始化；
所述计算子单元，用于基于所述H无穷滤波估计模型系数滤波方程，进行H无穷滤 波的步进计算，确定所述MVAR模型的系数矩阵
Figure 53415DEST_PATH_IMAGE002
。
在一实施例中，所述计算子单元，具体用于基于预先获取的量测数据与初始化的H 无穷滤波估计模型系数滤波方程，获取所述H无穷滤波估计模型系数滤波方程的代价函数； 所述量测数据为节点信号时间序列
Figure 919739DEST_PATH_IMAGE001
在t-1至t-p时刻的量测值；
基于所述代价函数，确定所述代价函数的协方差矩阵、系统噪声矩阵、量测噪声矩 阵和
Figure 586344DEST_PATH_IMAGE078
矩阵等，进一步进行H无穷滤波的步进计算，确定每时刻所述MVAR模型系数矩阵
Figure 399579DEST_PATH_IMAGE002
的值。
在其他一些实施例中，所述第二确认单元还可包括改进子单元，所述改进子单元， 用于基于精度等级划分方式和预先构建的模糊算法自适应的确定衰减因子，基于所述衰减 因子，改进所述H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波 方程，确定所述MVAR模型系数矩阵
Figure 163136DEST_PATH_IMAGE002
。
在一实施例中，所述改进子单元，具体用于通过精度等级划分方式，依据所述量测 数据的噪声方差的范围，将所述量测数据划分为d个精度等级；
Figure 872466DEST_PATH_IMAGE009
为第k个等级精度；通过 预先构建的模糊算法，依据所述量测数据的量测残差
Figure 557525DEST_PATH_IMAGE079
序列，确定所述量测数据每时刻的 等级精度
Figure 705610DEST_PATH_IMAGE009
；
基于所述等级精度
Figure 526935DEST_PATH_IMAGE009
，自适应的确定衰减因子；
基于所述衰减因子，改进所述H无穷滤波估计模型系数滤波方程，基于所述H无穷 滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 407167DEST_PATH_IMAGE002
。
在实际应用中，所述第三确认单元，具体用于基于所述经典格兰杰算法、偏格兰杰算法、定向传递函数和/或部分有向相干方法等方法，获取所述MVAR模型中脑网络节点之间的因果关系值。
在一些实施例中，所述优化单元还可包括：优化子单元，阈值比较子单元和/或统计检验子单元。
所述阈值比较子单元，用于将所述因果关系值与预先设定的因果关系阈值进行比较。具体地，在一实施例中，具体应用为：将所述因果关系值与预先设定的因果关系阈值进行比较，若所述因果关系值大于所述因果关系阈值，则判断所述两个节点之间存在网络连接关系，否则，则判断所述两个节点之间不存在网络连接关系。
所述统计检验子单元，用于借助于预先构建的统计检验方法，基于所述脑网络节点间的因果关系值，确认脑网络节点间统计显著的时频区域。在一实施例中，具体应用为：借助于预先构建的统计检验方法，基于所述脑网络节点间的因果关系值，确认脑网络节点间统计显著的时频区域；存在统计显著的时频区域，判断所述脑网络节点间存在网络连接关系，否则，则判断所述两个节点之间不存在网络连接关系。
所述优化子单元，用于基于所述阈值比较子单元和/或所述统计检验子单元判断得出的网络连接关系，优化所述因效脑网络的构建。
本申请提供的一种基于H无穷滤波方式构建因效脑网络的装置，能够有效地构建时变因效脑网络，保证大脑信号的动态连接，且有效地避免了噪声带来的干扰，使得构建的脑网络准确，提高了进行实际研究诊疗脑疾病的准确性。
本申请一实施例还提供了一种电子设备，至少包括：存储器和处理器；所述处理器用于执行所述存储器中存储的计算机程序，以实现执行上述实施例任意所述的基于H无穷滤波方式构建因效脑网络的方法的步骤。
在实际应用中，所述电子设备的一实施例，可以直接与脑电图仪、脑磁图仪、近红外脑功能成像仪和/或功能核磁共振仪等仪器连接，在执行上述其他实施例任意所述的基于H无穷滤波方式构建因效脑网络的方法的步骤的同时，实时构建因效脑网络。
另一方面，本发明实施例还提供一种计算机可读存储介质，其用于存储有计算机程序，所述计算机程序被处理器执行时实现上述任意实施例的基于H无穷滤波方式构建因效脑网络的方法的步骤。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种基于H无穷滤波方式构建因效脑网络的方法，其特征在于，包括以下步骤：
S10、基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列
Figure 42031DEST_PATH_IMAGE001
，借助 于MVAR模型建模方法，对所述节点信号时间序列
Figure 993807DEST_PATH_IMAGE001
进行建模，生成所述节点信号时间序列
Figure 669639DEST_PATH_IMAGE001
的MVAR模型；
S20、利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波 估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 251930DEST_PATH_IMAGE002
；
S30、基于所述MVAR模型系数矩阵
Figure 380423DEST_PATH_IMAGE002
，采用预先构建的格兰杰因果方法确定所述脑网 络节点之间的因果关系值；
S40、基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
2.根据权利要求1所述的方法，其特征在于，还包括：
S50、基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络的构建。
3.根据权利要求1所述的方法，其特征在于，还包括：
通过预先构建的精度等级划分方式和模糊算法，自适应的确定衰减因子，基于所述衰 减因子，改进所述H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤 波方程，确定所述MVAR模型系数矩阵
Figure 73572DEST_PATH_IMAGE002
。
4.根据权利要求1所述的方法，其特征在于，所述步骤S20具体为：
S201、基于所述脑网络节点的节点信号噪声特性，确定所述H无穷滤波方式的噪声模型；
S202、基于MVAR模型系数矩阵
Figure 666228DEST_PATH_IMAGE002
和节点信号时间序列
Figure 419420DEST_PATH_IMAGE001
，建立H无穷滤波估计模型 系数滤波方程，基于所述噪声模型和H无穷滤波估计模型系数滤波方程，进行H无穷滤波估 计模型系数滤波方程的初始化；
S203、基于所述H无穷滤波估计模型系数滤波方程，进行迭代计算，确定每时刻所述 MVAR模型的系数矩阵
Figure 769630DEST_PATH_IMAGE002
的值。
5.根据权利要求3所述的方法，其特征在于，通过预先构建的精度等级划分方式和模糊算法自适应的确定衰减因子，具体步骤为：
通过所述精度等级划分方式，依据预先获取的量测数据的噪声方差的范围，将所述量 测数据划分为d个精度等级；
Figure 260611DEST_PATH_IMAGE003
为第k个等级精度；
通过所述模糊算法，依据所述量测数据的量测残差
Figure 707773DEST_PATH_IMAGE004
序列，确定所述量测数据每时刻 的等级精度
Figure 631866DEST_PATH_IMAGE003
；
基于所述等级精度
Figure 734952DEST_PATH_IMAGE003
，自适应的确定衰减因子；所述量测数据为节点信号时间序列
Figure 769904DEST_PATH_IMAGE001
在t-1至t-p时刻的量测值。
6.根据权利要求1所述的方法，其特征在于，步骤S30中，依据预先构建的格兰杰因果方法确定所述MVAR模型中脑网络节点之间的因果关系值，具体包括：
所述格兰杰因果方法，包括经典格兰杰算法、偏格兰杰算法、定向传递函数和部分有向相干方法；
采用所述经典格兰杰算法、偏格兰杰算法、定向传递函数和/或部分有向相干方法，获取所述MVAR模型中脑网络节点之间的因果关系值。
7.根据权利要求2所述的方法，其特征在于，步骤S50中，具体包括：
S501、将所述因果关系值与预先设定的因果关系阈值进行比较：
若所述因果关系值大于所述因果关系阈值，则判断所述两个节点之间存在网络连接关系；
否则，则判断所述两个节点之间不存在网络连接关系；
S502、借助于预先构建的统计检验方法，基于所述脑网络节点间的因果关系值，确认脑网络节点间统计显著的时频区域；
存在统计显著的时频区域，判断所述脑网络节点间存在网络连接关系；
否则，则判断所述两个节点之间不存在网络连接关系；
基于所述网络连接关系，优化所述因效脑网络的构建。
8.根据权利要求4所述的方法，其特征在于，
步骤S202中，所述H无穷滤波估计模型系数滤波方程，具体为：
Figure 71572DEST_PATH_IMAGE005
Figure 166567DEST_PATH_IMAGE006
为状态向量，
Figure 491369DEST_PATH_IMAGE007
为所述节点信号时间序列
Figure 330012DEST_PATH_IMAGE001
的量测值，
Figure 751766DEST_PATH_IMAGE008
为量测矩阵，
Figure 17662DEST_PATH_IMAGE009
为系统 噪声，
Figure 829761DEST_PATH_IMAGE010
为量测噪声。
9.一种基于H无穷滤波方式构建因效脑网络的装置，其特征在于，
包括：
第一确认单元，用于基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时 间序列
Figure 206515DEST_PATH_IMAGE001
，借助于MVAR模型建模方法，对所述节点信号时间序列
Figure 482776DEST_PATH_IMAGE001
进行建模，生成所述 节点信号时间序列
Figure 919573DEST_PATH_IMAGE001
的MVAR模型；
第二确认单元，用于利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于 所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵
Figure 218968DEST_PATH_IMAGE002
；
第三确认单元，用于基于所述MVAR模型系数矩阵
Figure 399413DEST_PATH_IMAGE002
，采用预先构建的格兰杰因果方法 确定所述脑网络节点之间的因果关系值；
构建单元，用于基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述存储器中存储的计算机程序，实现上述权利要求1至8任一所述的基于H无穷滤波方式构建因效脑网络的方法的步骤。
CN202210364580.7A 2022-04-08 2022-04-08 基于h无穷滤波方式构建因效脑网络的方法和装置 Active CN114463607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210364580.7A CN114463607B (zh) 2022-04-08 2022-04-08 基于h无穷滤波方式构建因效脑网络的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210364580.7A CN114463607B (zh) 2022-04-08 2022-04-08 基于h无穷滤波方式构建因效脑网络的方法和装置

Publications (2)

Publication Number Publication Date
CN114463607A true CN114463607A (zh) 2022-05-10
CN114463607B CN114463607B (zh) 2022-07-26

Family

ID=81416906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210364580.7A Active CN114463607B (zh) 2022-04-08 2022-04-08 基于h无穷滤波方式构建因效脑网络的方法和装置

Country Status (1)

Country Link
CN (1) CN114463607B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050394A (zh) * 2014-07-04 2014-09-17 北京师范大学 群体脑网络的建模方法及其拓扑属性分析方法
CN107126193A (zh) * 2017-04-20 2017-09-05 杭州电子科技大学 基于滞后阶数自适应选择的多变量因果关系分析方法
WO2018035067A1 (en) * 2016-08-15 2018-02-22 University Of Southern California Stochastic-switched noise stimulation for identification of input-output brain network dynamics and closed loop control
CN108155648A (zh) * 2018-01-09 2018-06-12 河海大学 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
GB201808904D0 (en) * 2018-05-31 2018-07-18 Ucl Business Plc Apparatus and method for analysing MRI data
US20180199848A1 (en) * 2015-07-10 2018-07-19 Universite De Rennes I Method of constructing a data structure representative of a dynamic reorganization of a plurality of brain networks, corresponding device and program
CN109522894A (zh) * 2018-11-12 2019-03-26 电子科技大学 一种探测fMRI脑网络动态协变的方法
CN109918862A (zh) * 2019-04-28 2019-06-21 河海大学 一种基于鲁棒无迹h无穷滤波的发电机动态估计方法
US20190374154A1 (en) * 2017-02-27 2019-12-12 Universite De Rennes 1 Method, command, device and program to determine at least one brain network involved in carrying out a given process
CN111063423A (zh) * 2019-12-16 2020-04-24 哈尔滨工程大学 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法
WO2021067464A1 (en) * 2019-10-01 2021-04-08 The Board Of Trustees Of The Leland Stanford Junior University Joint dynamic causal modeling and biophysics modeling to enable multi-scale brain network function modeling
CN112641450A (zh) * 2020-12-28 2021-04-13 中国人民解放军战略支援部队信息工程大学 面向动态视频目标检测的时变脑网络重构方法
CN112690777A (zh) * 2021-01-13 2021-04-23 常州大学 一种基于状态转换动态脑网络算法的神经障碍诊断系统
CN112932505A (zh) * 2021-01-16 2021-06-11 北京工业大学 一种基于时频能量的符号传递熵及脑网络特征计算方法
CN113143247A (zh) * 2021-04-29 2021-07-23 常州大学 一种大脑功能超网络的构建方法
WO2021197612A1 (en) * 2020-04-03 2021-10-07 Université D'aix-Marseille (Amu) A method for inferring epileptogenicity of a brain region
CN113947157A (zh) * 2021-10-26 2022-01-18 北京工业大学 一种基于层次聚类和结构方程模型的动态脑效应连接网络生成方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050394A (zh) * 2014-07-04 2014-09-17 北京师范大学 群体脑网络的建模方法及其拓扑属性分析方法
US20180199848A1 (en) * 2015-07-10 2018-07-19 Universite De Rennes I Method of constructing a data structure representative of a dynamic reorganization of a plurality of brain networks, corresponding device and program
US20190200934A1 (en) * 2016-08-15 2019-07-04 University Of Southern California Stochastic-switched noise stimulation for identification of input-output brain network dynamics and closed loop control
WO2018035067A1 (en) * 2016-08-15 2018-02-22 University Of Southern California Stochastic-switched noise stimulation for identification of input-output brain network dynamics and closed loop control
US20190374154A1 (en) * 2017-02-27 2019-12-12 Universite De Rennes 1 Method, command, device and program to determine at least one brain network involved in carrying out a given process
CN107126193A (zh) * 2017-04-20 2017-09-05 杭州电子科技大学 基于滞后阶数自适应选择的多变量因果关系分析方法
CN108155648A (zh) * 2018-01-09 2018-06-12 河海大学 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
GB201808904D0 (en) * 2018-05-31 2018-07-18 Ucl Business Plc Apparatus and method for analysing MRI data
CN109522894A (zh) * 2018-11-12 2019-03-26 电子科技大学 一种探测fMRI脑网络动态协变的方法
CN109918862A (zh) * 2019-04-28 2019-06-21 河海大学 一种基于鲁棒无迹h无穷滤波的发电机动态估计方法
WO2021067464A1 (en) * 2019-10-01 2021-04-08 The Board Of Trustees Of The Leland Stanford Junior University Joint dynamic causal modeling and biophysics modeling to enable multi-scale brain network function modeling
CN111063423A (zh) * 2019-12-16 2020-04-24 哈尔滨工程大学 阿尔茨海默病和轻度认知障碍脑网络特异性结构提取方法
WO2021197612A1 (en) * 2020-04-03 2021-10-07 Université D'aix-Marseille (Amu) A method for inferring epileptogenicity of a brain region
CN112641450A (zh) * 2020-12-28 2021-04-13 中国人民解放军战略支援部队信息工程大学 面向动态视频目标检测的时变脑网络重构方法
CN112690777A (zh) * 2021-01-13 2021-04-23 常州大学 一种基于状态转换动态脑网络算法的神经障碍诊断系统
CN112932505A (zh) * 2021-01-16 2021-06-11 北京工业大学 一种基于时频能量的符号传递熵及脑网络特征计算方法
CN113143247A (zh) * 2021-04-29 2021-07-23 常州大学 一种大脑功能超网络的构建方法
CN113947157A (zh) * 2021-10-26 2022-01-18 北京工业大学 一种基于层次聚类和结构方程模型的动态脑效应连接网络生成方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
J. TOPPI 等: "Towards the time varying estimation of complex brain connectivity networks by means of a General Linear Kalman Filter approach", 《2012 ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
MATTIA F. PAGNOTTA 等: "A regularized and smoothed General Linear Kalman Filter for more accurate estimation of time-varying directed connectivity", 《2019 41ST ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 *
何高奇等: "基于rs-fMRI数据的脑功能网络构建与分析", 《华东理工大学学报(自然科学版)》 *
王斌 等: "基于多通道脑电信号的因果网络情绪识别", 《计算机工程》 *
郑威等: "基于格兰杰因果关系磁刺激穴位对亚健康失眠的脑功能网络分析", 《中国医学物理学杂志》 *
黄亮等: "基于自回归模型和相位斜率指数的动态脑连接分析", 《中国生物医学工程学报》 *

Also Published As

Publication number Publication date
CN114463607B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
Zhu et al. Spatially varying coefficient model for neuroimaging data with jump discontinuities
Mattout et al. MEG source localization under multiple constraints: an extended Bayesian framework
Li et al. Surface-based single-subject morphological brain networks: effects of morphological index, brain parcellation and similarity measure, sample size-varying stability and test-retest reliability
Ninness Estimation of 1/f noise
Rajapakse et al. Learning effective brain connectivity with dynamic Bayesian networks
Robinson et al. Determination of effective brain connectivity from functional connectivity with application to resting state connectivities
DSouza et al. Mutual connectivity analysis of resting-state functional MRI data with local models
Cassidy et al. Brain activity: Connectivity, sparsity, and mutual information
Hernandez-Garcia et al. Neuronal event detection in fMRI time series using iterative deconvolution techniques
Duggento et al. Echo state network models for nonlinear granger causality
Rodrigues et al. Lag-based effective connectivity applied to fMRI: a simulation study highlighting dependence on experimental parameters and formulation
Schiefer et al. From correlation to causation: Estimating effective connectivity from zero-lag covariances of brain signals
Zhang et al. Mutual information better quantifies brain network architecture in children with epilepsy
Mohseni et al. Non-Gaussian probabilistic MEG source localisation based on kernel density estimation
Fu et al. Adaptive covariance estimation of non-stationary processes and its application to infer dynamic connectivity from fMRI
Dang et al. Tractography-based score for learning effective connectivity from multimodal imaging data using dynamic bayesian networks
Han et al. Bayesian multiple measurement vector problem with spatial structured sparsity patterns
Pellegrini et al. Identifying good practices for detecting inter-regional linear functional connectivity from EEG
CN114463607B (zh) 基于h无穷滤波方式构建因效脑网络的方法和装置
Cheung et al. Cross validation for selection of cortical interaction models from scalp EEG or MEG
Anzolin et al. Effect of head volume conduction on directed connectivity estimated between reconstructed EEG sources
Pellegrini et al. Identifying best practices for detecting inter-regional functional connectivity from EEG
Wang et al. A variational Bayesian approach to identifying whole-brain directed networks with fMRI data
Lenz et al. Joint EEG/fMRI state space model for the detection of directed interactions in human brains—a simulation study
Pascarella et al. Statistical approaches to the inverse problem

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