CN115169067A - 脑网络模型构建方法、装置、电子设备及介质 - Google Patents
脑网络模型构建方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115169067A CN115169067A CN202110359522.0A CN202110359522A CN115169067A CN 115169067 A CN115169067 A CN 115169067A CN 202110359522 A CN202110359522 A CN 202110359522A CN 115169067 A CN115169067 A CN 115169067A
- Authority
- CN
- China
- Prior art keywords
- node
- time
- series
- brain
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开某些实施例公开了一种脑网络模型构建方法、装置、电子设备及可读存储介质。该脑网络模型构建方法包括:获取大脑的功能神经数据,确定所述功能神经数据中的节点;基于收敛交叉映射或延时收敛交叉映射构建各节点之间的有向连接;基于所述节点和所述有向连接构建脑网络模型。该技术方案利用收敛交叉映射或延时收敛交叉映射对人脑网络进行建模,确定各个大脑区域之间的信息流动方向,提高了脑网络模型的准确性。
Description
技术领域
本发明属于计算机技术领域,尤其是一种脑网络模型构建方法、装置、电子设备及可读存储介质。
背景技术
近年神经科学的进展发现人脑是一个密集连接的网络,大脑各区域之间存在非线性的动态相互关系。静息态功能磁共振成像(resting-state functional MagneticResonance Imaging,rs-fMRI)、脑电图(Electroencephalogram,EEG)可以非侵入式地测量大脑神经活动。通过定义节点(Node)和边(Edge)构建脑网络,使得网络科学中的方法能够被应用到功能神经数据分析当中。节点又被称为感兴趣区(Regions of interest,ROI),边又被称为连接(connectivity),fMRI中一种常用的连接计算方法为功能连接(Functionalconnectivity,FC),定义为两个节点时间序列的Pearson相关;EEG中常用的计算功能连接的方法有相位锁定值(phase value locking)、相干性(coherence)、加权相位滞后系数(weighted phase lag index)等。功能连接衡量两个节点之间神经活动的同步性,因而构成的脑网络可被看作一个无向图。用这种方式构建的脑网络无法精确模拟人脑的神经活动。
发明内容
为解决相关技术中的问题,本公开某些实施例提供一种脑网络模型构建方法、装置、电子设备及可读存储介质。
第一方面,本公开某些实施例中提供了一种脑网络模型构建方法。
具体地,所述脑网络模型构建方法,包括:
获取大脑的功能神经数据;
确定所述功能神经数据中的节点;
基于收敛交叉映射或延时收敛交叉映射生成各节点之间的有向连接;
基于所述节点和所述有向连接构建脑网络模型。
结合第一方面,本公开在第一方面的第一种实现方式中,所述基于收敛交叉映射构建各节点之间的有向连接包括:
确定第一节点对应的第一时间序列的第一嵌入流形以及第二节点对应的第二时间序列的第二嵌入流形;
对第一嵌入流形上的任一嵌入流形元素,获取其在所述第一嵌入流形上的多个最近邻元素;
基于所述第二嵌入流形,确定所述第二时间序列中与所述多个最近邻元素对应的多个第一时间序列元素;
根据所述第一时间序列元素预测所述第二时间序列中与所述任一嵌入流形元素对应的第二时间序列元素的预测值;
基于所述第二时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系。
结合第一方面的第一种实现方式,本公开在第一方面的第二种实现方式中,所述基于所述第二时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系,包括:
遍历所述第一时间序列的嵌入流形上的嵌入流形元素,确定所述第二时间序列的多个时间序列元素的预测值,组成预测值序列;
计算所述第二时间序列的测量值序列与所述预测值序列之间的相关系数,确定所述第一节点和第二节点之间的连接关系。
结合第一方面的第一种实现方式,本公开在第一方面的第三种实现方式中,其中:
所述多个最近邻元素的数量为E+1,E为所述嵌入流形的维度;
所述多个最近邻元素基于L2范数确定。
结合第一方面,本公开在第一方面的第四种实现方式为,所述基于延时收敛交叉映射构建各节点之间的有向连接包括:
确定第一节点对应的第一时间序列的第一嵌入流形以及第二节点对应的第二时间序列的第二嵌入流形;
对第一嵌入流形上第τ+1到L个嵌入流形元素中的任一嵌入流形元素,获取其在所述第一嵌入流形上的多个最近邻元素,其中,τ为延时,L为嵌入流形中元素的个数;
基于所述第二嵌入流形,确定所述第二时间序列中与所述多个最近邻元素对应的多个第三时间序列元素;
根据所述第三时间序列元素预测所述第二时间序列中的第四时间序列元素的预测值,所述第四时间序列元素相对于所述任一嵌入流形元素提前所述时延τ;
基于所述第四时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系。
结合第一方面的第四种实现方式,本公开在第一方面的第五种实现方式中,所述基于所述第四时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系,包括:
遍历所述第一嵌入流形上从τ+1到L的所有元素,得到第二时间序列中从1到L-τ的所有元素的预测值,获得第二时间序列的预测值序列;
计算所述第二时间序列的测量值序列与所述预测值序列之间的相关系数,确定所述第一节点和第二节点之间的连接关系。
结合第一方面第一和第四种实现方式,本公开在第一方面的第六种实现方式为:
所述第一节点和第二节点之间的连接关系包括所述第一节点和第二节点之间的连接强度和连接方向,其中,所述连接强度与所述相关系数正相关,所述连接方向为从第二节点至第一节点。
结合第一方面,本公开在第一方面的第七种实现方式中,所述大脑的功能神经数据包括:血氧水平依赖功能磁共振成像数据、任务态脑电图数据和静息态脑电图数据;
当所述大脑的功能神经数据为血氧水平依赖功能磁共振成像数据时,取τ∈{0,1,2,3,4,5};以及/或者
当所述大脑的功能神经数据为任务态脑电图数据时,根据事件标截取分段,对每一段信号分别构建脑网络;以及/或者
当所述大脑的功能神经数据为静息态脑电图数据时,按照固定窗长分段构建脑网络,或者按照固定窗长的滑动窗构建脑网络。
第二方面,本公开某些实施例中提供了一种脑网络模型构建装置。
具体地,所述脑网络模型构建装置包括:
获取模块,被配置为获取大脑的功能神经数据;
确定模块,被配置为确定所述功能神经数据中的节点;
生成模块,被配置为基于收敛交叉映射或延时收敛交叉映射生成各节点之间的有向连接;
构建模块,被配置为基于所述节点和所述有向连接构建所述脑网络模型。
第三方面,本公开某些实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面、第一方面的第一种至第六种实现方式中任一项所述的方法。
第四方面,本公开某些实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面、第一方面的第一种至第六种实现方式中任一项所述的方法。
根据本公开某些实施例提供的技术方案,基于收敛交叉映射或延时收敛交叉映射构建脑网络模型,可以对不同角度对脑网络进行建模,研究各个大脑区域之间的信息流动方向。与现有方案相比,本方案更适用于非线性动态确定性系统,是对现有方案的补充。利用本公开方法,可以从功能磁共振、脑电图等神经功能数据中构建有向脑网络,对群组有向脑网络进行连接路径差异分析,研究疾病状态下脑连接的变化情况,提高了脑网络构建的完整性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出了收敛交叉映射CCM的原理图;
图2示出了本公开实施例的基于收敛交叉映射或延时收敛交叉映射构建脑网络模型的方法的流程图;
图3示出了本公开的基于收敛交叉映射或延时收敛交叉映射构建脑网络模型的方法的一个实施方式;
图4示出了本公开实施例的基于收敛交叉映射构建各节点之间的有向连接的方法的流程图;
图5示出了本公开的基于收敛交叉映射构建各节点之间的有向连接的方法的一个实施方式;
图6示出了本公开实施例的基于延时收敛交叉映射构建各节点之间的有向连接的方法的流程图;
图7示出了本公开的基于延时收敛交叉映射构建各节点之间的有向连接的方法的一个实施方式;
图8示出了利用本公开实施例的方法构建的脑网络模型进行第一种群组差异分析方法的流程图;
图9示出了利用本公开实施例的方法构建的脑网络模型进行第二种群组差异分析方法的流程图;
图10示出了利用本公开实施例的方法构建的脑网络模型进行第三种群组差异分析方法的流程图;
图11示出了本公开实施例的构建脑网络模型的装置图;
图12示出根据本公开实施例的电子设备的框图;
图13示出了适于实现本公开实施例的控制脑网络模型构建方法和装置的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在本公开中,应理解,诸如“包括”、“包含”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解,实质上任意表示两个或更多可选项目的转折连词和/或短语,无论是在说明书、权利要求书还是附图中,都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如,短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本发明人发现,人脑神经活动除了同步性之外,还存在方向性。可以使用有效连接(Effective connectivity,EC)来衡量人脑节点之间的有向相互作用。
有效连接计算两个时间序列之间的因果关系来反映相互关系的方向性,常用的有效连接估计方法包括结构方程模型(structural equation modeling,SEM)、动态因果模型(dynamic causal modeling,DCM)和格兰杰因果分析(Granger causality analysis,GCA)。其中,SEM和DCM依赖理论假设,且需要在估计前指定好模型,不适用于节点数量较大的网络。GCA可以较好地解决上述问题,但这种方法只建模线性因果关系,且要求各个变量可以完整地从系统中分离出来,以比较去除原因变量后对受影响变量预测效果的差异,这也就要求原因变量与受影响的变量之间是独立唯一的关系。随机线性系统能很好地满足这些假设,但对于确定性动态系统中的中等强度相互作用和弱相互作用则无能为力。因此,只用GCA进行线性随机系统建模难以完整反映人脑网络的全部特性。上文提及,现有的基于GCA建模构建脑网络的方法,存在只构建线性因果关系模型,对于确定性动态系统中的中等强度相互作用和弱相互作用无能为力,采用该方法构建的模型难以完整反映人脑网络的全部特性的缺陷。
本公开某些实施例提供的技术方案中,通过采用收敛交叉映射或延时收敛交叉映射构建脑网络的有向连接,来提高模型对脑网络这一动态确定性系统中较弱和中等强度的因果测量的模拟精度,进而提高有向脑网络模型的构建精度。
以下结合附图对本发明实施例做进一步详述。
图1示出了收敛交叉映射CCM的原理图。
收敛交叉映射(convergent cross-mapping,CCM)是一种新的因果关系建模方法,它考察当前状态之间的关系,是根据当前变量X预测当前变量Y,而不是基于当前变量X的状态能否预测变量Y未来的值进行判断。相比于GCA,CCM是一种非线性建模方法,且更适用于动态确定性系统中较弱和中等强度的因果测量。此外,延时CCM方法通过用一个时间序列的过去交叉映射另一个时间序列的现在和未来,区分二者相互作用的方向,避免因为实际强单向作用导致识别出双向因果作用。应用CCM构建脑网络模型,有望弥补GCA等方法只建模线性随机相互作用等不足。
根据CCM的假设,如果变量Y对变量X有因果作用,在变量X对应的嵌入流形MX上分布相近的点在变量Y对应的嵌入流形MY上应当也是近邻,因此,我们可以根据MX上的近邻点,找到它们在MY上对应的点,再根据这些MY上的点预测变量Y。
图2示出了根据某些实施例的脑网络模型构建方法的流程图。
如图2所示,该方法包括步骤S101-S105。
在步骤S101,获取大脑的功能神经数据。所述大脑的功能神经数据可以包括血氧水平依赖功能磁共振成像BOLD fMRI数据、任务态EEG数据或静息态EEG数据。
在步骤S102,确定所述功能神经数据中的节点。
根据某些实施例,所述确定功能神经数据中的节点可以包括,基于脑区定义节点、基于fMRI体素定义节点和基于EEG电极定义节点。所述根据脑区定义节点可以包括,将所述功能神经数据输入标准空间人脑图谱,根据图谱中的脑区定义节点。脑区的划分方法可以包括使用脑图谱(Brain Atlas)划分脑区、EEG溯源套用脑图谱划分的脑区和人工指定区域等。例如,对于BOLD fMRI数据,可以将脑区内每一个体素定义为节点;对于EEG数据,可以直接将采集电极作为节点。对于体素或电极定义的节点,节点的时间序列可以为体素或电极采集到的时间序列;对于脑区定义的节点,节点的时间序列可以为该脑区所包含所有体素时间序列的平均。
根据某些实施例,在确定所述功能神经数据中的节点之前,还可以先对所述大脑的功能神经数据进行预处理。例如,对BOLD fMRI数据可以采用基于MATLAB的SPM工具包进行预处理,对EEG数据可以采用基于MATLAB的EEGLAB工具包进行预处理,获得预处理后的功能神经数据。
在步骤S103,基于收敛交叉映射或延时收敛交叉映射构建各节点之间的有向连接。
根据某些实施例,所述基于收敛交叉映射或延时收敛交叉映射构建各节点之间的有向连接可以包括,针对所述功能神经数据中的所有节点,如A,B,…,X,Y,通过收敛交叉映射或延时收敛交叉映射逐个计算每一节点对其他节点的因果作用强度,如A对B,…,X,Y的因果作用强度,B对A,…,X,Y的因果作用强度等,获得每一对节点两个方向的有向连接。
在步骤S104,基于所述节点和所述有向连接构建所述脑网络模型。
根据某些实施例提供的技术方案,通过收敛交叉映射或延时收敛交叉映射构建脑网络模型,能够更精确地模拟脑网络模型中各节点之间的连接关系,提高了所述脑网络模型的精度。
在本实施例的一个可选实现方式中,如图4或图5所示,在步骤S103中,基于收敛交叉映射构建各节点之间的有向连接,包括步骤S1031-S1035:
在步骤S1031中,确定第一节点对应的第一时间序列的第一嵌入流形以及第二节点对应的第二时间序列的第二嵌入流形。
例如,如图3所示,设网络中共有n个节点,每个节点信号是一个时间序列,时间序列长度设为T。X和Y分别表示两个节点的时间序列,用X=[x(1),x(2),…,x(T)]和Y=[y(1),y(2),…,y(T)]来表示两个节点的时间序列,其中x(i)表示在开始数据采集后,在X节点第i个时间序列元素的数据值,y(i)表示在开始数据采集后,在Y节点第i个时间序列元素的数据值。
根据某些实施例,所述节点X对应的嵌入流形为MX,通过所述节点X的时间序列构建得到。例如,MX={mx(1),mx(2),…,mx(L)},该嵌入流形MX一共有L个嵌入流形元素。每个嵌入流形元素有E个分量(E为该嵌入流形的维度),每个分量是由X的延时坐标构建得到,例如mx(i)=[x(i),x(i+1),…,x(i+E-1)],其中,L、T、E满足L=T-E+1。因此,MX的最后一个嵌入流形元素mx(L)=[x(L),x(L+1),…,x(L+E-1)],该嵌入流形元素的最后一个时间序列元素x(L+E-1)正好是X时间序列的最后一个时间序列元素x(T),也就是说x(L+E-1)=x(T),L+E-1=T。
根据某些实施例,可在每一个嵌入流形中的嵌入流形元素mx(i)与时域的一个时间序列元素x(i)之间建立对应关系,时间序列元素x(i)也就是嵌入流形元素mx(i)的第一个分量,即,可以建立时间序列X=[x(1),x(2),…,x(T)]上第1,2,…,L个时间序列元素与MX={mx(1),mx(2),…,mx(L)}之间的一一对应关系。
对节点Y以及网络中的其他所有节点,都可以按照上述方法构建节点对应的嵌入流形。
可见,维度E是从时域信号X=[x(1),x(2),…,x(T)]构造嵌入流形MX过程中的重要参数。嵌入流形的维度越小,流形元素蕴含的序列信息越少;嵌入流形维度越大,其单变量自预测能力越差。所谓单变量自预测能力,指的是用X=[x(1),x(2),…,x(T)]构造MX后,估计X自身的能力。在执行CCM之前,可以先通过预实验估计嵌入流形合适的维度。在某些实施例中,可以取E=5。
在步骤S1032中,对第一嵌入流形上的任一嵌入流形元素,获取其在所述第一嵌入流形上的多个最近邻元素。
根据某些实施例,遍历嵌入流形MX上所有的嵌入流形元素,对嵌入流形MX上任一嵌入流形元素,获取其在嵌入流形MX上的E+1个最近邻元素。例如,当前遍历到了第i个嵌入流形元素mx(i)时,在嵌入流形MX上寻找嵌入流形元素mx(i)的E+1个距离最近的嵌入流形元素mx(i1),mx(i2),…,mx(iE+1),其中i1,i2,…,iE+1可以是所述E+1个嵌入流形元素的下标,且满足条件i1,i2,…,iE+1∈{1,2,…,L}。mx(i)的最近邻嵌入流形元素不包括mx(i)自己。
根据某些实施例,所述距离可以通过坐标点的L2范数确定,例如通过公式
计算嵌入流形MX上的第j个嵌入流形元素与所述第i个嵌入流形元素之间的L2范数,获得嵌入流形MX上第i个嵌入流形元素与第j个嵌入流形元素之间的距离dx(i,j)。
在步骤S1033中,基于所述第二嵌入流形,确定所述第二时间序列中与所述多个最近邻元素对应的多个第一时间序列元素。
根据某些实施例,选取dx(i,j)的值最小的E+1个嵌入流形元素作为第i个嵌入流形元素的最近邻元素,例如,获取j=i1,j=i2,…,j=iE+1该E+1个嵌入流形元素的下标,根据该E+1个最近邻嵌入流形元素的下标,获得嵌入流形MY上对应的嵌入流形元素my(i1),my(i2),…,my(iE+1),其中,mx(i1)与my(i1)对应,mx(i2)与my(i2)对应,以此类推。由于每一个嵌入流形元素my(i)对应一个时间序列元素y(i),因此嵌入流形元素my(i1),my(i2),…,my(iE+1)对应了节点Y的时间序列中的第一时间序列元素y(i1),y(i2),…,y(iE+1)。
在步骤S1034中,根据所述第一时间序列元素预测所述第二时间序列中与所述任一嵌入流形元素对应的第二时间序列元素的预测值。
根据某些实施例,对节点Y对应的时间序列中的所述第一时间序列元素y(i1),y(i2),…,y(iE+1)加权求和,从而得到第二时间序列元素y(i)的预测值。所述加权计算的权重可以通过最近邻元素的距离计算得到,例如,通过公式
在步骤S1035中,基于所述第二时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系。
根据某些实施例提供的技术方案,基于收敛交叉映射构建脑网络模型中各节点的连接关系,根据第一节点的当前值预测第二节点的当前值,从而确定第一节点和第二节点之间的连接关系,提高了连接关系构建的准确度,进而提高了所述脑网络模型的精度。
根据某些实施例,所述步骤S1035可以包括,遍历所述第一时间序列的嵌入流形上的嵌入流形元素,确定所述第二时间序列的多个时间序列元素的预测值,组成预测值序列。例如,对于嵌入流形MX上的一个嵌入流形元素mx(i),只能预测出节点Y中对应的一个时间序列元素的预测值记录下该预测值后,继续遍历嵌入流形MX上的其他点。在遍历了MX上所有元素之后,获得从节点X交叉映射预测出的节点Y的预测值序列
根据某些实施例,所述步骤S1035还可以包括,计算所述第二时间序列的测量值序列与所述预测值序列之间的相关系数,确定所述第一节点和第二节点之间的连接关系。例如,通过计算预测值序列与测量值序列Y之间的皮尔逊Pearson相关系数,得到节点Y对节点X的因果作用强度,进而根据该节点Y对节点X的因果作用强度,得到节点X和节点Y之间的连接强度和连接方向。所述连接强度与所述皮尔逊Pearson相关系数数正相关,所述连接方向为从节点Y至节点X。
根据某些实施例提供的技术方案,基于收敛交叉映射构建脑网络模型中各节点的连接强度和连接方向,形成节点间的有向连接,进一步提高了连接关系构建的准确度,进而提高了所述脑网络模型的精度。
采用上述方法可以计算两个节点之间的相互因果作用的强弱,但对于强单向作用,因为因果作用强度比较高,可能会识别出双向因果作用。因此,可采用延时收敛交叉映射来解决这个问题。一般来说,在时间维度上先有因再有果,故而可以用一个节点当前的时间序列去交叉映射另一个时间元素过去的时间序列,这就是延时收敛交叉映射。
在本实施例的另一个可选实现方式中,如图6或图7所示,在步骤S103中,基于延时收敛交叉映射构建各节点之间的有向连接,包括步骤S1031’-S1035:
在步骤S1031’中,确定第一节点对应的第一时间序列的第一嵌入流形以及第二节点对应的第二时间序列的第二嵌入流形。
各节点对应的时间序列的嵌入流形的构建方法与步骤S1031相同,此处不再赘述。
在步骤S1032’中,对第一嵌入流形上第τ+1到L个嵌入流形元素中的任一嵌入流形元素,获取其在所述第一嵌入流形上的多个最近邻元素,其中,τ为延时,L为嵌入流形中元素的个数.
根据某些实施例,仅考虑嵌入流形MX上从τ+1到L的嵌入流形元素,按照步骤S1032中所述方法计算最近邻元素。例如,若当前嵌入流形元素对应的时间序列元素的下标为i,最近邻元素的下标为i1,i2,…,iE+1,该最近邻元素的下标的取值范围满足i1,i2,…,iE+1∈{τ+1,τ+2,…,L}。
由于不同采集方法依赖于不同的神经生理假设,因此延时τ根据所使用的功能神经数据类型而有所不同。例如,对于BOLD信号,BOLD fMRI扫描TR=2s时,τ=5对应延时10s,与GCA研究中使用的延时相近,可以反映神经活动短期内的相互因果作用,某些实施例中,可以取τ∈{0,1,2,3,4,5}。对于任务态EEG信号,可以根据事件标截取分段,对每一段长度为Le的信号分别构建脑网络模型,分段长度Le与实验设计相关;对于静息态EEG信号,可以按固定窗长Lw分段或者固定窗长Ls的滑动窗分别构建脑网络模型,当滑动窗之间无重叠时与直接进行数据分段相同。某些实施例中,可以取Lw和Ls等于1s、2s、4s等。针对EEG信号,其延时嵌入还可以多一参数τd,mx(i)=[x(i),x(i+τd),…,x(i+E*τd)]。
在步骤S1033’中,基于所述第二嵌入流形,确定所述第二时间序列中与所述多个最近邻元素对应的多个第三时间序列元素。
根据某些实施例,基于得到的嵌入流形MX上E+1个最近邻嵌入流形元素的下标,得到嵌入流形MY上对应的嵌入流形元素my(i1+E-1),my(i2+E-1),…,my(iE+1+E-1),进而得到节点Y的时间序列中的第三时间序列元素y(i1+E-1),y(i2+E-1),…,y(iE+1+E-1)。
具体计算方法与步骤S1033同,此处不再赘述。
在步骤S1034’中,根据所述第三时间序列元素预测所述第二时间序列中的第四时间序列元素的预测值,所述第四时间序列元素相对于所述任一嵌入流形元素提前所述时延τ。
根据某些实施例,对节点Y对应的时间序列中的所述第三时间序列元素y(i1+E-1),y(i2+E-1),…,y(iE+1+E-1)加权求和,从而得到第四时间序列元素y(i1+E-1-τ)的预测值。
在步骤S1035’中,基于所述第四时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系。
根据某些实施例提供的技术方案,通过延时收敛交叉映射或延时收敛交叉映射构建脑网络模型,能够避免将强单向因果作用误判为双向因果作用,进一步提高了脑网络模型中各节点之间连接关系的模拟精度,进而提高了所述脑网络模型的精度。
根据某些实施例,所述步骤S1035’可以包括,遍历所述第一嵌入流形上从τ+1到L的所有元素,得到第二时间序列中从1到L-τ的所有元素的预测值,获得第二时间序列的预测值序列。例如,从mx(τ+1)开始遍历嵌入流形MX上从τ+1到L的嵌入流形元素,得到预测值序列 此处预测值序列的长度进一步缩短为L-τ。
根据某些实施例,所述步骤S1035’还可以包括,计算所述第二时间序列的测量值序列与所述预测值序列之间的相关系数,确定所述第一节点和第二节点之间的连接关系。例如,通过计算预测值序列与测量值序列Y之间的皮尔逊Pearson相关系数,得到节点Y对节点X的因果作用强度,进而得到节点X和节点Y之间的连接强度和连接方向。所述连接强度与所述皮尔逊Pearson相关系数数正相关,所述连接方向为从节点Y至节点X。
根据某些实施例提供的技术方案,基于延时收敛交叉映射构建脑网络模型中各节点的连接强度和连接方向,形成节点间的有向连接,进一步提高了连接关系构建的准确度,进而提高了所述脑网络模型的精度。
在本实施例的另一个可选实现方式中,对每一个延时τ的取值,按上述过程计算出节点j的预测值序列获得节点j对节点i的因果作用强度。用CCM(i,j,τ)表示延时为τ时,节点i对节点j的因果作用强度。在完成所有τ值的遍历后,逐个连接每一延时τ的取值下节点i和节点j的因果作用强度,对所有延时τ计算得到的CCM值取最大,得到两个节点之间的因果作用强度(即连接强度)CCM*(i,j)=maxτCCM(i,j,τ)。
根据某些实施例提供的技术方案,首先针对每一延时τ的取值,遍历功能神经数据中所有节点对,计算各节点对的相关系数CCM,然后针对每一节点对,取各个延时τ下计算得到的最大CCM值作为该节点对的因果作用强度,进一步提高了连接关系构建的准确度,进而提高了所述脑网络模型的精度。
在本实施例的另一个可选实现方式中,如图8所示,可以利用某些实施例的方法构建的脑网络模型进行群组差异分析。
根据某些实施例,所述群组包括健康人对照组,患者治疗前对照组和患者治疗后对照组,采用各对照组的静息态BOLD fMRI数据作为大脑的功能神经数据。对采集到的静息态BOLD fMRI数据进行预处理,分别使用Brodmann图谱、Brodmann_ce图谱、AAL、AAL2、AAL3、AICHA、Brainnetome图谱定义节点,利用CCM构建脑网络模型。延时τ可以取τ∈{0,1,2,3,4,5}。得到全脑有向网络后,使用双样本t检验或非参数Mann-Whitney U检验比较患者治疗前和健康人对照组全脑有向功能连接的差异,使用配对t检验或非参数Wilcoxon检验比较患者治疗后和治疗前全脑有向功能连接的差异,得到差异网络。根据先验定义图谱中的感兴趣区(ROI),在经过检验的差异网络中,寻找感兴趣区的发散网络和汇聚网络,从而获得显著差异连接与患者临床评分的相关性。发散网络指的是从该感兴趣区出发可以抵达的节点和边,汇聚网络指的是从其他节点出发,最终抵达该感兴趣区的节点和边。在本公开的实施例中,为了限制网络规模,避免出现环,可以寻找一级或二级发散、汇聚网络。
根据某些实施例,在定义节点步骤,还可以将fMRI扫描的体素(voxel)定义为节点。例如,选择图谱的某个或某些脑区,将这些脑区覆盖的每个体素分别定义为网络的节点,体素时间序列即为节点的时间序列。后续CCM计算有向网络步骤与上文所述相同。
另外,本公开所使用的计算工具,一方面可以使用专利CN201810603964.3“多模态神经影像数据自动信息融合系统”进行实现,另一方面为高效存储本发明计算得到的有向网络等结果,可以使用MongoDB与Redis联合构建的数据库,将每个人、每种图谱、每种方法计算得到的脑网络等特征数据存储在MongoDB数据库中,使用时首先从MongoDB读取特征,存储到Redis数据库中,再从Redis数据库返回给用户进行计算。Redis作为使用时的高速缓存,MongoDB作为长期存储的数据库使用。
根据某些实施例提供的技术方案,通过显著差异有向路径分析法获得各对照组之间的脑网络差异数据,可以为针对不同人群的脑网络的研究提供数据支持。
图9示出了利用某些实施例的方法构建的脑网络模型进行群组差异分析的另一种方法的流程图。
根据某些实施例,所述群组同样包括健康人对照组,患者治疗前对照组和患者治疗后对照组,采用各对照组的静息态BOLD fMRI数据作为大脑的功能神经数据。对采集到的静息态BOLD fMRI数据进行预处理,分别使用Brodmann图谱、Brodmann_ce图谱、AAL、AAL2、AAL3、AICHA、Brainnetome图谱定义节点,利用CCM构建脑网络模型。延时τ可以取τ∈{0,1,2,3,4,5}。得到全脑有向网络后,对网络进行二值化或阈值化操作,转换为有向无权网络。由于网络的图论属性具有生物学意义且易于计算和比较,因此分别对每个个体的有向网络计算网络的图论属性,使用双样本t检验或非参数Mann-Whitney U检验比较患者治疗前的图论属性与健康人对照组的图论属性差异,使用配对t检验或非参数Wilcoxon检验比较患者治疗后和治疗前图论属性的差异,获得显著差异的属性与患者临床评分相关性。其中,所述网络的图论属性可以包括聚类系数、中介中心性、网络效率、网络特征路径长度等用以描述脑网络的功能整合、连接通路等属性。
作为某些实施例的另一实施方式,也可以对得到的有向网络进行社区探索。有向图的社区探索分为基于密度或基于样式的两种方式,根据应用背景和需要选取不同的方法。基于密度的社区划分可以将有向图的模块度作为目标函数,使用模拟退火或Louvain等算法最大化目标函数进而得到社区划分;基于样式的社区划分可以使用基于随机游走思想的Infomap算法。对每个有向网络进行社区探索得到社区划分结果,进而可以计算基于社区/模块的图论属性,包括模块度、参与度系数和模块内节点度等,从而获得显著差异连接与患者临床评分的相关性。
为了比对患者与健康人的社区结构的差异,针对健康人对照组,使用聚类组合的方法,将所有健康人的社区划分组合为一个健康人的社区划分模板,方便后续的比较。比较社区结构可以从网络和节点两个角度进行比较,归一化互信息NMI用于量化两个聚类结果的差异性,而相似度系数SI和相关性度量系数phi用于量化单个节点与其他节点的社区归属在不同社区划分结果中的差异度。
根据某些实施例提供的技术方案,通过有向网络图论属性分析法或社区分析法获得各对照组之间的脑网络差异数据,可以为针对不同人群的脑网络的研究提供数据支持。
图10示出了利用某些实施例的方法构建的脑网络模型进行群组差异分析的第三种方法的流程图。
根据某些实施例,所述群组同样包括健康人对照组,患者治疗前对照组和患者治疗后对照组,采用各对照组的静息态和任务态EEG数据作为大脑的功能神经数据。对采集到的静息态和任务态EEG数据进行预处理,使用电极定义节点和使用个体MRI构建的头模型用eLORETA/sLORETA/wMNE等算法溯源后匹配Brodmann图谱、Brodmann_ce图谱、AAL、AAL2、AAL3、AICHA、Brainnetome图谱定义节点,然后再使用CCM构建脑网络模型。预处理后的EEG信号可以降采样至100-250Hz,嵌入参数E和τd通过非参数Kozachenko-Leonenko估计量独立确定,τ的取值范围取决于EEG信号的采样率,转换为时间取0-100ms,即延时τ的最大值转换到时域对应的时间长度小于等于100ms,满足τ≤0.1×f,其中f为采样率。任务态EEG数据的分段长度Le与实验设计相关,静息态EEG数据分段Lw和滑动窗Ls一般取1s、2s、4s等。当滑动窗之间无重叠时与直接进行数据分段相同。对于电极水平的EEG信号和溯源后匹配图谱提取ROI信号分解为δ:[1-4]Hz,θ:[4-8]Hz,α:[8-13]Hz,α1:[8-10]Hz,α2:[10-13]Hz,β:[13-30]Hz,β1:[13-17]Hz,β2:[17-21]Hz,β3:[21-30]Hz,γ:[30-45]Hz等频段。对于每一频段的信号分别使用CCM构建有向网络。
得到全脑有向网络后,可以对所有分段平均得到全脑CCM平均有向连接,也可以在不平均的情况下计算全脑连接网络的动态特征,如动态图论属性等。得到平均全脑有向网络后,可使用双样本t检验或非参数Mann-Whitney U检验比较患者治疗前和健康人对照组全脑有向功能连接的差异,以及使用配对t检验或非参数Wilcoxon检验比较患者治疗后和治疗前全脑有向功能连接的差异,得到差异网络,获得显著差异连接与患者临床评分相关性。作为某些实施例的另一实施方式,还可以采用偏最小二乘(PLSR)等方法,将临床评分作为因变量,有向功能连接特征作为自变量,构建多变量回归的预测模型,用来根据当次有向功能连接预测当次临床评分,以及进行纵向预测,即使用当次有向功能连接特征预测未来的临床评分,并可以从模型中找到对预测临床评分贡献高的具体连接特征。
根据某些实施例提供的技术方案,通过对采集的信号进行降采样处理,提高了处理效率;通过对采集的信号进行分段处理,提高了处理精度;通过双样本t检验或非参数Mann-Whitney U检验法获得各对照组之间的脑网络差异数据,可以为针对不同人群的脑网络的研究提供数据支持。
图11示出根据某些实施例的脑网络模型构建装置1100的框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图11所示,所述脑网络模型构建装置1100包括获取模块1110、确定模块1120、生成模块1130和构建模块1140。
获取模块1110,被配置为获取大脑的功能神经数据;
确定模块1120,被配置为确定所述功能神经数据中的节点;
生成模块1130,被配置为基于收敛交叉映射或延时收敛交叉映射生成各节点之间的有向连接;
构建模块1140,被配置为基于所述节点和所述有向连接构建所述脑网络模型。
根据某些实施例提供的技术方案,通过收敛交叉映射或延时收敛交叉映射构建脑网络模型,能够更精确地模拟脑网络模型中各节点之间的连接关系,提高了所述脑网络模型的精度。
本公开还公开了一种电子设备,图12示出根据某些实施例的电子设备1200的框图。
如图12所示,所述电子设备1200包括存储器1201和处理器1202,其中,存储器1201用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1202执行以实现如下操作:
获取大脑的功能神经数据;
确定所述功能神经数据中的节点;
基于收敛交叉映射或延时收敛交叉映射生成各节点之间的有向连接;
基于所述节点和所述有向连接构建脑网络模型。
根据某些实施例提供的技术方案,通过收敛交叉映射或延时收敛交叉映射构建脑网络模型,能够更精确地模拟脑网络模型中各节点之间的连接关系,提高了所述脑网络模型的精度。
图13示出了适于实现某些实施例的脑网络模型构建方法和装置的计算机系统1300的结构示意图。
如图13所示,计算机系统1300包括处理单元1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行上述实施例中的各种处理。在RAM 1303中,还存储有系统1300操作所需的各种程序和数据。处理单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。其中,所述处理单元1301可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据某些实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。
根据某些实施例提供的技术方案,通过收敛交叉映射或延时收敛交叉映射构建脑网络模型,能够更精确地模拟脑网络模型中各节点之间的连接关系,提高了所述脑网络模型的精度。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于某些实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种脑网络模型构建方法,包括:
获取大脑的功能神经数据;
确定所述功能神经数据中的节点;
基于收敛交叉映射或延时收敛交叉映射生成各节点之间的有向连接;
基于所述节点和所述有向连接构建脑网络模型。
2.根据权利要求1所述的方法,其中,所述基于收敛交叉映射构建各节点之间的有向连接包括:
确定第一节点对应的第一时间序列的第一嵌入流形以及第二节点对应的第二时间序列的第二嵌入流形;
对第一嵌入流形上的任一嵌入流形元素,获取其在所述第一嵌入流形上的多个最近邻元素;
基于所述第二嵌入流形,确定所述第二时间序列中与所述多个最近邻元素对应的多个第一时间序列元素;
根据所述第一时间序列元素预测所述第二时间序列中与所述任一嵌入流形元素对应的第二时间序列元素的预测值;
基于所述第二时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系。
3.根据权利要求2所述的方法,其中,所述基于所述第二时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系,包括:
遍历所述第一时间序列的嵌入流形上的嵌入流形元素,确定所述第二时间序列的多个时间序列元素的预测值,组成预测值序列;
计算所述第二时间序列的测量值序列与所述预测值序列之间的相关系数,确定所述第一节点和第二节点之间的连接关系。
4.根据权利要求2所述的方法,其中:
所述多个最近邻元素的数量为E+1,E为所述嵌入流形的维度;
所述多个最近邻元素基于L2范数确定。
5.根据权利要求1所述的方法,其中,所述基于延时收敛交叉映射构建各节点之间的有向连接包括:
确定第一节点对应的第一时间序列的第一嵌入流形以及第二节点对应的第二时间序列的第二嵌入流形;
对第一嵌入流形上第τ+1到L个嵌入流形元素中的任一嵌入流形元素,获取其在所述第一嵌入流形上的多个最近邻元素,其中,τ为延时,L为嵌入流形中元素的个数;
基于所述第二嵌入流形,确定所述第二时间序列中与所述多个最近邻元素对应的多个第三时间序列元素;
根据所述第三时间序列元素预测所述第二时间序列中的第四时间序列元素的预测值,所述第四时间序列元素相对于所述任一嵌入流形元素提前所述时延τ;
基于所述第四时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系。
6.根据权利要求5所述的方法,其中,所述基于所述第四时间序列元素的测量值和所述预测值,确定所述第一节点和第二节点之间的连接关系,包括:
遍历所述第一嵌入流形上从τ+1到L的所有元素,得到第二时间序列中从1到L-τ的所有元素的预测值,获得第二时间序列的预测值序列;
计算所述第二时间序列的测量值序列与所述预测值序列之间的相关系数,确定所述第一节点和第二节点之间的连接关系。
7.根据权利要求2或5所述的方法,其中,所述第一节点和第二节点之间的连接关系包括所述第一节点和第二节点之间的连接强度和连接方向,其中,所述连接强度与所述相关系数正相关,所述连接方向为从第二节点至第一节点。
8.一种脑网络模型构建装置,包括:
获取模块,被配置为获取大脑的功能神经数据;
确定模块,被配置为确定所述功能神经数据中的节点;
生成模块,被配置为基于收敛交叉映射或延时收敛交叉映射生成各节点之间的有向连接;
构建模块,被配置为基于所述节点和所述有向连接构建所述脑网络模型。
9.一种电子设备,其特征在于,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7任一项所述的方法步骤。
10.一种可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359522.0A CN115169067A (zh) | 2021-04-02 | 2021-04-02 | 脑网络模型构建方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359522.0A CN115169067A (zh) | 2021-04-02 | 2021-04-02 | 脑网络模型构建方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169067A true CN115169067A (zh) | 2022-10-11 |
Family
ID=83475592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359522.0A Pending CN115169067A (zh) | 2021-04-02 | 2021-04-02 | 脑网络模型构建方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169067A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522210A (zh) * | 2023-07-03 | 2023-08-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
CN116541751A (zh) * | 2023-07-03 | 2023-08-04 | 中国医学科学院生物医学工程研究所 | 一种基于脑功能连接网络特征的脑电信号分类方法 |
-
2021
- 2021-04-02 CN CN202110359522.0A patent/CN115169067A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522210A (zh) * | 2023-07-03 | 2023-08-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
CN116541751A (zh) * | 2023-07-03 | 2023-08-04 | 中国医学科学院生物医学工程研究所 | 一种基于脑功能连接网络特征的脑电信号分类方法 |
CN116522210B (zh) * | 2023-07-03 | 2023-09-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
CN116541751B (zh) * | 2023-07-03 | 2023-09-12 | 中国医学科学院生物医学工程研究所 | 一种基于脑功能连接网络特征的脑电信号分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
CN113571203B (zh) | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统 | |
CN115359045B (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
CN103345749B (zh) | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 | |
CN109993230B (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
CN115169067A (zh) | 脑网络模型构建方法、装置、电子设备及介质 | |
CN115995299B (zh) | 一种个体化调控靶点定位方法、系统、电子设备及介质 | |
CN111728590A (zh) | 基于动态功能连接的个体认知能力预测方法和系统 | |
CN114298234B (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
Taya et al. | Comparison method for community detection on brain networks from neuroimaging data | |
CN103942781A (zh) | 一种基于脑影像的脑网络构造方法 | |
Hu et al. | Generalized polynomial chaos-based uncertainty quantification and propagation in multi-scale modeling of cardiac electrophysiology | |
Bazinet et al. | Assortative mixing in micro-architecturally annotated brain connectomes | |
CN109935321B (zh) | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Wein et al. | Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures | |
CN106510708A (zh) | 用于多对比度脑磁共振数据中异常检测的框架 | |
Wendt | Contributions of Wavelet Leaders and Bootstrap to Multifractal Analysis: Images, Estimation Performance, Dependence Structure and Vanishing Moments. Confidence Intervals and Hypothesis Tests. | |
Iwendi | Innovative augmented and virtual reality applications for disease diagnosis based on integrated genetic algorithms | |
WO2023124911A1 (zh) | 一种人体体成分和内脏脂肪含量预测方法 | |
CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
CN109994204A (zh) | 一种大脑功能网络关键节点搜索方法 | |
CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
CN115985488A (zh) | 基于动态超网络的脑疾病诊断方法、装置及系统 | |
CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 |
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 |