CN116226625A - 一种瞬态共激活模式分析方法及系统 - Google Patents
一种瞬态共激活模式分析方法及系统 Download PDFInfo
- Publication number
- CN116226625A CN116226625A CN202310460445.7A CN202310460445A CN116226625A CN 116226625 A CN116226625 A CN 116226625A CN 202310460445 A CN202310460445 A CN 202310460445A CN 116226625 A CN116226625 A CN 116226625A
- Authority
- CN
- China
- Prior art keywords
- signals
- coactivation
- tested
- activation
- 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.)
- Pending
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开瞬态共激活模式分析方法及系统,涉及功能磁共振技术领域。获取多个被试者的自然刺激加工的fMRI数据;对每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;采用被试间分析方法对预处理后的fMRI数据进行计算得到刺激诱发信号;通过线性回归方法将刺激诱发信号中的自发活动信号和非神经信号滤除得到任务诱发信号;采用共激活模式分析方法逐帧分析任务诱发信号得到大脑共激活模式;采用K均值聚类方法识别并提取出大脑共激活模式中重复出现的被试间共激活状态;将被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式。本发明提高了在连续刺激下大脑的动态共激活模式分析方法的准确性和敏感性。
Description
技术领域
本发明涉及功能磁共振技术领域,特别是涉及一种瞬态共激活模式分析方法及系统。
背景技术
传统的认知神经科学研究依靠精心设计的参数化任务(如组块设计或者事件相关设计)来实现对大脑和行为之间关系的研究。然而,传统实验设计的生态效度(ecologicalvalidity)较低,与现实生活中的真实刺激和复杂行为无法比拟。通常,刺激(图片、故事、电影)不是孤立存在的,它们与其它模态信息动态地联系在一起。此外,这些复杂刺激的意义还依赖于不同时间尺度上的上下文信息。由于传统实验设计忽略了这些因素,这就导致传统实验研究结果可重复性较低,引起了可重复性危机。为摆脱这一困境,近5年来,越来越多的研究者开始使用自然刺激(naturalisticstimuli)进行认知神经科学研究。研究者将这一趋势称之为的第三波刺激范式革命(相比于传统实验设计和静息态研究)。自然刺激的复杂性也增加了分析的难度。
传统的功能磁共振成像(functionalmagneticresonanceimaging,fMRI)激活分析方法(如一般线性模型)有着严格的控制条件,它高度结构化,且具有特定的时间尺度,通常局限于需要参数激活的模型,因此,一般线性模型激活分析方法很难应用于自然刺激中。自然刺激fMRI信号包括三个部分:刺激诱发信号(stimuli-inducedsignals),自发波动(spontaneousfluctuations),和无关噪声(irrelevantnoise)。通过被试间分析方法能够消除后两个部分对任务诱发信号的影响。然而被试间分析方法只能研究大脑的静态脑激活模式,无法揭示在连续刺激下大脑的动态共激活模式。
共激活模式分析(Co-activationpattern,CAP)是一种逐帧评估全脑激活模式的分析方法。然而,CAP最初用于处理静息态fMRI信号。静息态fMRI信号成分单一,而对于自然刺激范式的fMRI信号,因为同时包含三种成分,因此很难确定哪些成分导致了某一共激活模式,导致准确性和敏感性较低。
发明内容
本发明实施例的目的是提供一种瞬态共激活模式分析方法及系统,以提高在连续刺激下大脑的动态共激活模式的准确性和敏感性。
为实现上述目的,本发明实施例提供了如下方案:
一种瞬态共激活模式分析方法,包括:
获取多个被试者的自然刺激加工的fMRI数据;一个所述被试者对应的fMRI数据包括多帧fMRI图像;
对所述每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;所述预处理包括:时间校正,头动校正,结构像分割,空间配准,高斯平滑和滤波;
采用被试间分析方法对所述预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将所述刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号;
采用共激活模式分析方法逐帧分析所述任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出所述大脑共激活模式中重复出现的被试间共激活状态;
将所述被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式。
可选地,所述采用被试间分析方法对所述预处理后的fMRI数据进行计算,得到刺激诱发信号具体包括:
每次从N名被试者中选取1名目标被试者,将剩余的N-1名被试者处理后的fMRI数据进行平均计算,遍历N名被试者后得到所述被试间一致的信号;
采用线性回归方法对所述被试间一致的信号中的自发活动信号和非神经信号进行回归计算,得到所述任务诱发信号。
可选地,对所述采用共激活模式分析方法逐帧分析所述任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出所述大脑共激活模式中重复出现的被试间共激活状态具体包括:
采用头动控制方法对所述任务诱发信号进行过滤,得到过滤后被试间一致的信号;
根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧;
将所述共激活帧组成新的时间序列进行最佳聚类数估计,得到最佳聚类数k;
根据所述最佳聚类数k,将所述共激活帧逐帧分配到对应的大脑共激活模式中;
将所述k个聚类进行重新排序,得到所述被试间共激活状态。
可选地,将所述被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式具体包括:
对所述被试间共激活状态进行时空分析,得到被试间共激活状态的空间特征和时间特征;
根据所述空间特征和时间特征,得到被试者个体在自然刺激中可视化的瞬态脑激活模式。
可选地,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧具体包括:
获取全脑区域对应的体素激活数据;
若所述体素激活数据大于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧;
或者,
若所述体素激活数据大于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧。
一种瞬态共激活模式分析系统,包括:
时间序列获取模块,用于获取多个被试者的自然刺激加工的fMRI数据;一个所述被试者对应的fMRI数据包括多帧fMRI图像;
预处理模块,用于对所述每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;所述预处理包括:时间校正,头动校正,结构像分割,空间配准,高斯平滑和滤波;
被试间一致信号获取模块,用于采用被试间分析方法对所述预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将所述刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号;
被试间共激活状态确定模块,用于采用共激活模式分析方法逐帧分析所述任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出所述大脑共激活模式中重复出现的被试间共激活状态;
可视化模块,用于将所述被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式。
可选地,所述被试间一致信号获取模块包括:
平均计算单元,用于每次从N名被试者中选取1名目标被试者,将剩余的N-1名被试者处理后的fMRI数据进行平均计算,遍历N名被试者后得到所述被试间一致的信号;
回归计算单元,用于采用线性回归方法对所述被试间一致的信号中的自发活动信号和非神经信号进行回归计算,得到所述任务诱发信号。
可选地,所述被试间共激活状态确定模块包括:
头动控制单元,用于采用头动控制方法对所述任务诱发信号进行过滤,得到过滤后被试间一致的信号;
共激活帧确定单元,用于根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧;
聚类分析单元,用于:
将所述共激活帧组成新的时间序列进行最佳聚类数估计,得到最佳聚类数k;
根据所述最佳聚类数k,将所述共激活帧逐帧分配到对应的大脑共激活模式中;
将所述k个聚类进行重新排序,得到所述被试间共激活状态。
可选地,所述可视化模块包括:
时空特征提取单元,用于对所述被试间共激活状态进行时空分析,得到被试间共激活状态的空间特征和时间特征;
显示器单元,用于根据所述空间特征和时间特征,得到被试者个体在自然刺激中可视化的瞬态脑激活模式。
可选地,所述共激活帧确定单元包括:
数据提取单元,用于获取全脑区域对应的体素激活数据;
比较单元,用于:
若所述体素激活数据大于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧;
或者,
若所述体素激活数据大于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧。
在本发明实施例中,采用被试间分析方法对目标被试者预处理后的fMRI数据进行分析,得到被试间一致的信号,在自然刺激诱发信号下目标被试者具有被试间一致性的fMRI数据为被试间一致的信号。与共激活模式分析相比,被试间共激活模式分析算法得到的被试间一致的信号与大脑功能子系统之间的对应关系更强,被试间一致性大大提高,且与被试加工自然刺激的加工程度显著相关,提高了在连续刺激下大脑的动态共激活模式分析方法的准确性和敏感性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的瞬态共激活模式分析方法的流程示意图;
图2为本发明实施例提供的被试间分析方法示意图;
图3为本发明实施例提供的共激活模式分析方法示意图;
图4为本发明实施例提供的自然理解的多认知过程示意图;
图5为本发明实施例提供的瞬态共激活模式分析系统的结构示意图。
符号说明:
时间序列获取模块-1,预处理模块-2,被试间一致信号获取模块-3,被试间共激活状态确定模块-4,可视化模块-5。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种瞬态共激活模式分析方法及系统,以解决现有的在连续刺激下大脑的动态共激活模式的准确性和敏感性低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1示出了上述瞬态共激活模式分析方法的一种示例性流程。下面对各步骤进行详细介绍。
步骤1:获取多个被试者的自然刺激加工的fMRI数据;一个被试者对应的fMRI数据包括多帧fMRI图像。
步骤1具体可由时间序列获取模块1执行。
在一个示例中,时间序列获取模块1具体可以为磁共振扫描仪。磁共振扫描仪收集被试者加工自然刺激(如听故事,看电影等)的脑部fMRI信号。
步骤2:对每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;预处理包括:时间校正,头动校正,结构像分割,空间配准,高斯平滑和滤波。
步骤2具体可由预处理模块2执行。
在一个示例中,由于fMRI数据包含机器、环境以及生理等噪声,因此需要对fMRI数据进行预处理。
预处理步骤包括层获取时间校正、头动校正、结构像分割、空间配准、高斯平滑和滤波等。预处理目的是为了fMRI数据降噪并且实现被试间统一分析,是fMRI数据必须进行的操作。
预处理步骤可根据具体情况进行操作,fMRI数据处理越严格则获得到的处理后的fMRI数据越能够反映大脑接受自然刺激的活动情况,对数据分析更加有利。
步骤3:采用被试间分析方法对预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号。
步骤3具体可由被试间一致信号获取模块3执行。
采用被试间分析方法对预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号具体包括:
步骤31:每次从N名被试者中选取1名目标被试者,将剩余的N-1名被试者处理后的fMRI数据进行平均计算,遍历N名被试者后得到被试间一致的信号。
步骤31具体可由平均计算单元执行。
步骤32:采用线性回归方法对被试间一致的信号中的自发活动信号和非神经信号进行回归计算,得到所述任务诱发信号。
步骤32具体可由回归计算单元执行。
在一个示例中,采用留一法(leaveoneout)计算被试间一致的信号。其基本原理是,所有被试者都接受了完全相同的自然刺激材料,那么自然刺激诱发的活动在被试间具有一致性,而被试者特异性的自发活动以及噪声在被试间不具有一致性,因此可通过留一法计算被试间一致的信号。例如,有n名被试,每一次选取1名被试者,将剩余n-1名被试者的处理后的fMRI数据进行平均计算,得到被试间一致的信号,视为任务诱发信号。然后通过线性回归的方式,将自发活动信号和非神经信号从被试间一致的信号中回归掉,请参见图2。
步骤4:采用共激活模式分析方法逐帧分析任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出大脑共激活模式中重复出现的被试间共激活状态。
步骤4具体可由被试间共激活状态确定模块4执行。具体包括:
步骤41:采用头动控制方法对所述任务诱发信号进行过滤,得到过滤后被试间一致的信号。
步骤42:根据过滤后被试间一致的信号,将被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据过滤后被试间一致的信号,将被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧。具体包括:
步骤421:获取全脑区域对应的体素激活数据。
步骤422:若体素激活数据大于预设激活阈值T,则判定体素激活数据对应的过滤后被试间一致的信号为共激活帧;
若体素激活数据小于等于预设激活阈值T,则判定体素激活数据对应的过滤后被试间一致的信号不为所述共激活帧;
或者,
若体素激活数据大于预设体素激活程度的百分比范围P,则判定体素激活数据对应的过滤后被试间一致的信号为所述共激活帧;
若体素激活数据小于等于预设体素激活程度的百分比范围P,则判定体素激活数据对应的过滤后被试间一致的信号不为共激活帧。
在一个示例中,体素激活数据大于预设激活阈值T所对应的过滤后被试间一致的信号为共激活帧,也可称为超阈值帧,在数据计算过程中为状态转移向量。本领域技术人员可灵活设计T的值,例如设置T=1。
在另一个示例中,本领域技术人员可设定一个共激活帧激活程度的百分比范围P来确定超阈值帧。本领域技术人员可灵活设计P的值,例如设置P=90%。
此外,也可以基于种子区域进行分析得到共激活帧。种子区域一般通过一些先验知识进行选择。一种方法是选择大脑分区中与预定任务相关最强的脑区;另一种方法是对特定的大脑解剖区域有很强的假设的区域,进而再比较大脑的其他区域信号与种子区域信号共同激活的程度。
判断与种子区域信号是否共同激活有三种方法可以选择。第一是通过将每一时刻所有体素激活数据与种子区域做相关性计算,提取与种子区域显著相关的共激活的时间点;第二是可以通过预设激活阈值T,如上文所述,在此不作赘述;第三是设定共激活帧激活程度的百分比范围P来确定超阈值帧。无论哪种方法,将超阈值帧组成新的时间序列进行下一步分析。共激活模式分析可以有多组被试者群体,可根据研究目的进行选择。需要注意的是,在分析多组被试者群体的差异时,逐帧分析会根据输入TbCAPs工具箱的第一组被试进行分配。共激活模式分析既可以选择所有超阈值帧进行分析,也可以选取一个或多个种子区域进行状态比较。
步骤43:将共激活帧组成新的时间序列进行最佳聚类数估计,得到最佳聚类数k;
根据最佳聚类数k,将共激活帧逐帧分配到对应的大脑共激活模式中,请参见图3;
将k个聚类进行重新排序,得到被试间共激活状态。
步骤43具体可由聚类分析单元执行。
在一个示例中,聚类分析单元使用K均值聚类法来确定最佳的聚类数。由于K均值聚类方法是一个迭代过程,无法保证收敛到全局最优,因此该算法运行了50次,从K=2到Kmax(例如Kmax设置为8)来确定最佳聚类数K。聚类分析单元可自动估算聚类数量,也可以预设聚类数量。
共识聚类(consensusclustering)衡量超阈值帧分配到某个被试间共激活状态稳定性的指标,因此通过设置共识聚类的大小(例如90%)进行逐帧分析,以此来确定每一帧是否可以被保留,且稳定的分配到某个被试间共激活模式当中。每一帧中用于聚类的正、负值体素的百分比分别为100%和100%。一旦确定被试间共激活模式,所有被保留的帧会被分配到某个聚类中。
需要将k个聚类进行重排序以便更直观的进行观察和分析。k个聚类的排序可按照不同方式进行,常见的方式可按照被试间共激活包含的功能网络成分或者涉及的认知加工过程进行划分。请参见图4,将k个聚类重新排序之后,状态转移矩阵及聚类的时间属性中的标签也需要重新标记,以匹配排序后的状态。
步骤5:将被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式。具体包括:
步骤51:对被试间共激活状态进行时空分析,得到被试间共激活状态的空间特征和时间特征。
步骤52:根据空间特征和时间特征,得到被试者个体在自然刺激中可视化的瞬态脑激活模式。
步骤5具体可由可视化模块5执行。
在一个示例中,可视化模块5具体可以为网络可视化工具(如BrainNet Viewer)对被试间共激活状态进行可视化呈现。
被试间共激活模式的空间特征包括共激活脑区涉及的功能网络成分和认知过程,包括与感知相关的听觉和感觉运动网络,与表征相关的语言网络,与控制和注意相关的额顶控制网络、背侧和腹侧注意网络,以及与整合相关的默认网络,请参见图4。
被试间共激活模式的时间特征包括:1)状态转移矩阵(Transition vectors),即每一状态转移到其他几个状态的概率矩阵;2)不同状态的出现次数(Rawcounts),例如状态1在自然刺激加工中出现了147次等,可以评估每个状态的出现情况;3)从一个给定的ISCAP转移到t+1时刻另一个给定的ISCAP的可能性(Numberofentries),例如可以评估状态1转移到状态2的次数,从而确定哪些状态间有更强的转换情况;4)从时间t到t+1保持同一状态的可能性(Resilience),例如t到t+1时刻都是状态1的可能性是20%,则可以确定每一状态的持续情况;5)中介中心性(Betweenness),计算网络中任意两个节点的所有最短路径,如果这些最短路径中很多条都经过了某个节点,那么就认为这个节点的中介中心性高;6)其他状态转移到该状态的可能性(In-degree),例如从其他状态转移到状态1的可能性是10%,则可以确定每一状态的转入情况;7)该状态转移到其他状态的可能性(Out-degree),例如从状态1转移到其他状态的可能性是20%,则可以确定每一状态的转出情况。
基于获得的被试间激活模式的空间特征和时间特征,可以得到被试者在自然刺激中可视化的瞬态脑激活模式。
综上所述,采用被试间分析方法对目标被试者预处理后的fMRI数据进行分析,得到被试间一致的信号,在自然刺激诱发信号下目标被试者具有被试间一致性的fMRI数据为被试间一致的信号。与共激活模式分析相比,被试间共激活模式分析算法得到的被试间一致的信号与大脑功能子系统之间的对应关系更强,被试间一致性大大提高,且与被试加工自然刺激的加工程度显著相关,提高了在连续刺激下大脑的动态共激活模式分析方法的准确性和敏感性。
为实现上述目的,本发明实施例还提供了如下方案:
一种瞬态共激活模式分析系统,请参见图5,至少包括:时间序列获取模块1,预处理模块2,被试间一致信号获取模块3,被试间共激活状态确定模块4和可视化模块5。
时间序列获取模块1用于获取多个被试者的自然刺激加工的fMRI数据;一个被试者对应的fMRI数据包括多帧fMRI图像。
关于时间序列获取模块1的描述具体可以参照上文,在此不作赘述。
预处理模块2用于对每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;预处理包括:时间校正,头动校正,结构像分割,空间配准,高斯平滑和滤波。
关于预处理模块2的描述具体可以参照上文,在此不作赘述。
被试间一致信号获取模块3用于采用被试间分析方法对预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号。
被试间一致信号获取模块3至少包括:平均计算单元和回归计算单元。
平均计算单元用于每次从N名被试者中选取1名目标被试者,将剩余的N-1名被试者处理后的fMRI数据进行平均计算,遍历N名被试者后得到任务诱发信号;任务诱发信号包括被试间一致的信号和被试间不一致的信号。
回归计算单元采用线性回归方法对所述被试间一致的信号中的自发活动信号和非神经信号进行回归计算,得到任务诱发信号。
关于被试间一致信号获取模块3的描述具体可以参照上文,在此不作赘述。
被试间共激活状态确定模块4用于对被试间一致的信号进行被试间共激活模式分析,得到被试间共激活状态。
被试间共激活状态确定模块4至少包括:头动控制单元,共激活帧确定单元和聚类分析单元。
头动控制单元用于采用头动控制方法对任务诱发信号进行过滤,得到过滤后被试间一致的信号。
共激活帧确定单元用于根据所述过滤后被试间一致的信号,将被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据过滤后被试间一致的信号,将被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧。
共激活帧确定单元至少包括:数据提取单元和比较单元。
数据提取单元用于获取全脑区域对应的体素激活数据;
比较单元用于若体素激活数据大于预设激活阈值T,则判定体素激活数据对应的过滤后被试间一致的信号为所述共激活帧;
若体素激活数据小于等于预设激活阈值T,则判定体素激活数据对应的过滤后被试间一致的信号不为共激活帧;
或者,
若体素激活数据大于预设体素激活程度的百分比范围P,则判定体素激活数据对应的过滤后被试间一致的信号为所述共激活帧;
若体素激活数据小于等于预设体素激活程度的百分比范围P,则判定体素激活数据对应的过滤后被试间一致的信号不为共激活帧。
聚类分析单元用于:
将共激活帧组成新的时间序列进行最佳聚类数估计,得到最佳聚类数k;
根据最佳聚类数k,将共激活帧逐帧分配到对应的大脑共激活模式中;
将k个聚类进行重新排序,得到被试间共激活状态。
关于被试间共激活状态确定模块4的描述具体可以参照上文,在此不作赘述。
可视化模块5用于将被试间共激活状态进行可视化展示,得到可视化的瞬态脑激活模式。
可视化模块5至少包括:时空特征提取单元和显示器。
时空特征提取单元用于对被试间共激活状态进行时空分析,得到被试间共激活状态的空间特征和时间特征。
显示器单元用于根据空间特征和时间特征,得到被试者个体在自然刺激中可视化的瞬态脑激活模式。
关于可视化模块5的描述具体可以参照上文,在此不作赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明实施例的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明实施例的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明实施例的限制。
Claims (10)
1.一种瞬态共激活模式分析方法,其特征在于,包括:
获取多个被试者的自然刺激加工的fMRI数据;一个所述被试者对应的fMRI数据包括多帧fMRI图像;
对所述每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;所述预处理包括:时间校正,头动校正,结构像分割,空间配准,高斯平滑和滤波;
采用被试间分析方法对所述预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将所述刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号;
采用共激活模式分析方法逐帧分析所述任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出所述大脑共激活模式中重复出现的被试间共激活状态;
将所述被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式。
2.根据权利要求1所述的瞬态共激活模式分析方法,其特征在于,所述采用被试间分析方法对所述预处理后的fMRI数据进行计算,得到刺激诱发信号具体包括:
每次从N名被试者中选取1名目标被试者,将剩余的N-1名被试者处理后的fMRI数据进行平均计算,遍历N名被试者后得到所述被试间一致的信号;
采用线性回归方法对所述被试间一致的信号中的自发活动信号和非神经信号进行回归计算,得到所述任务诱发信号。
3.根据权利要求1所述的瞬态共激活模式分析方法,其特征在于,对所述采用共激活模式分析方法逐帧分析所述任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出所述大脑共激活模式中重复出现的被试间共激活状态具体包括:
采用头动控制方法对所述任务诱发信号进行过滤,得到过滤后被试间一致的信号;
根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧;
将所述共激活帧组成新的时间序列进行最佳聚类数估计,得到最佳聚类数k;
根据所述最佳聚类数k,将所述共激活帧逐帧分配到对应的大脑共激活模式中;
将所述k个聚类进行重新排序,得到所述被试间共激活状态。
4.根据权利要求1所述的瞬态共激活模式分析方法,其特征在于,将所述被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式具体包括:
对所述被试间共激活状态进行时空分析,得到被试间共激活状态的空间特征和时间特征;
根据所述空间特征和时间特征,得到被试者个体在自然刺激中可视化的瞬态脑激活模式。
5.根据权利要求3所述的瞬态共激活模式分析方法,其特征在于,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧具体包括:
获取全脑区域对应的体素激活数据;
若所述体素激活数据大于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧;
或者,
若所述体素激活数据大于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧。
6.一种瞬态共激活模式分析系统,其特征在于,包括:
时间序列获取模块,用于获取多个被试者的自然刺激加工的fMRI数据;一个所述被试者对应的fMRI数据包括多帧fMRI图像;
预处理模块,用于对所述每一被试者的fMRI数据进行预处理,得到预处理后的fMRI数据;所述预处理包括:时间校正,头动校正,结构像分割,空间配准,高斯平滑和滤波;
被试间一致信号获取模块,用于采用被试间分析方法对所述预处理后的fMRI数据进行计算,得到刺激诱发信号;通过线性回归方法将所述刺激诱发信号中的自发活动信号和非神经信号滤除,得到任务诱发信号;
被试间共激活状态确定模块,用于采用共激活模式分析方法逐帧分析所述任务诱发信号,得到大脑共激活模式;采用K均值聚类方法识别并提取出所述大脑共激活模式中重复出现的被试间共激活状态;
可视化模块,用于将所述被试间共激活状态进行重新排序和可视化展示,得到可视化的瞬态脑激活模式。
7.根据权利要求6所述的瞬态共激活模式分析系统,其特征在于,所述被试间一致信号获取模块包括:
平均计算单元,用于每次从N名被试者中选取1名目标被试者,将剩余的N-1名被试者处理后的fMRI数据进行平均计算,遍历N名被试者后得到所述被试间一致的信号;
回归计算单元,用于采用线性回归方法对所述被试间一致的信号中的自发活动信号和非神经信号进行回归计算,得到所述任务诱发信号。
8.根据权利要求6所述的瞬态共激活模式分析系统,其特征在于,所述被试间共激活状态确定模块包括:
头动控制单元,用于采用头动控制方法对所述任务诱发信号进行过滤,得到过滤后被试间一致的信号;
共激活帧确定单元,用于根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设激活阈值T进行比较,确定共激活帧;或者,根据所述过滤后被试间一致的信号,将所述被试者全脑所有的体素激活数据与预设体素激活程度的百分比范围P进行比较,确定共激活帧;
聚类分析单元,用于:
将所述共激活帧组成新的时间序列进行最佳聚类数估计,得到最佳聚类数k;
根据所述最佳聚类数k,将所述共激活帧逐帧分配到对应的大脑共激活模式中;
将所述k个聚类进行重新排序,得到所述被试间共激活状态。
9.根据权利要求6所述的瞬态共激活模式分析系统,其特征在于,所述可视化模块包括:
时空特征提取单元,用于对所述被试间共激活状态进行时空分析,得到被试间共激活状态的空间特征和时间特征;
显示器单元,用于根据所述空间特征和时间特征,得到被试者个体在自然刺激中可视化的瞬态脑激活模式。
10.根据权利要求8所述的瞬态共激活模式分析系统,其特征在于,所述共激活帧确定单元包括:
数据提取单元,用于获取全脑区域对应的体素激活数据;
比较单元,用于:
若所述体素激活数据大于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设激活阈值T,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧;
或者,
若所述体素激活数据大于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号为所述共激活帧;
若所述体素激活数据小于等于所述预设体素激活程度的百分比范围P,则判定所述体素激活数据对应的所述过滤后被试间一致的信号不为所述共激活帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460445.7A CN116226625A (zh) | 2023-04-25 | 2023-04-25 | 一种瞬态共激活模式分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460445.7A CN116226625A (zh) | 2023-04-25 | 2023-04-25 | 一种瞬态共激活模式分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116226625A true CN116226625A (zh) | 2023-06-06 |
Family
ID=86589518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310460445.7A Pending CN116226625A (zh) | 2023-04-25 | 2023-04-25 | 一种瞬态共激活模式分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
-
2023
- 2023-04-25 CN CN202310460445.7A patent/CN116226625A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
CN116491960B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Küstner et al. | Automated reference-free detection of motion artifacts in magnetic resonance images | |
Rajashekar et al. | GAFFE: A gaze-attentive fixation finding engine | |
Gratton et al. | Evidence for two independent factors that modify brain networks to meet task goals | |
Frässle et al. | A generative model of whole-brain effective connectivity | |
Kiviniemi et al. | A sliding time-window ICA reveals spatial variability of the default mode network in time | |
Thirion et al. | Detection of signal synchronizations in resting-state fMRI datasets | |
CN103800011B (zh) | 一种基于功能磁共振成像的脑区效应连接分析系统 | |
Weber et al. | Distributed patterns of occipito-parietal functional connectivity predict the precision of visual working memory | |
Frässle et al. | Test-retest reliability of dynamic causal modeling for fMRI | |
US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
Bonacchi et al. | Role of artificial intelligence in MS clinical practice | |
Puoliväli et al. | Influence of multiple hypothesis testing on reproducibility in neuroimaging research: a simulation study and Python-based software | |
Zhang et al. | Deep learning models unveiled functional difference between cortical gyri and sulci | |
Kundu et al. | Estimating dynamic brain functional networks using multi-subject fMRI data | |
Yang et al. | Using fMRI to decode true thoughts independent of intention to conceal | |
CN116226625A (zh) | 一种瞬态共激活模式分析方法及系统 | |
Bush et al. | Improving the precision of fMRI BOLD signal deconvolution with implications for connectivity analysis | |
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 | |
Chen et al. | Functionally and structurally distinct fusiform face area (s) in over 1000 participants | |
Wu et al. | Bayesian network analysis revealed the connectivity difference of the default mode network from the resting-state to task-state | |
US20210319539A1 (en) | Systems and methods for background aware reconstruction using deep learning | |
Kucur et al. | Patient-attentive sequential strategy for perimetry-based visual field acquisition | |
Fisher et al. | Blind Subgrouping of Task-based fMRI | |
Shi et al. | The occupational brain plasticity study using dynamic functional connectivity between multi-networks: take seafarers for example | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 |
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 |