CN116807447B - 动态脑网络的脑龄预测建模方法、认知提升方法及系统 - Google Patents
动态脑网络的脑龄预测建模方法、认知提升方法及系统 Download PDFInfo
- Publication number
- CN116807447B CN116807447B CN202311110033.7A CN202311110033A CN116807447B CN 116807447 B CN116807447 B CN 116807447B CN 202311110033 A CN202311110033 A CN 202311110033A CN 116807447 B CN116807447 B CN 116807447B
- Authority
- CN
- China
- Prior art keywords
- brain
- data
- network
- age
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000019771 cognition Effects 0.000 title claims abstract description 10
- 230000003925 brain function Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000001149 cognitive effect Effects 0.000 claims abstract description 67
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 238000005192 partition Methods 0.000 claims description 36
- 230000003920 cognitive function Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 210000004885 white matter Anatomy 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000001054 cortical effect Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 210000004884 grey matter Anatomy 0.000 claims description 13
- 230000000284 resting effect Effects 0.000 claims description 13
- 239000000835 fiber Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000003012 network analysis Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000007370 cognitive improvement Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 239000002475 cognitive enhancer Substances 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000003930 cognitive ability Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 208000011597 CGF1 Diseases 0.000 description 2
- 230000006999 cognitive decline Effects 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000037411 cognitive enhancing Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 230000004039 social cognition Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001339 gustatory effect Effects 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000008449 language Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Neurology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
Abstract
本发明公开了一种动态脑网络的脑龄预测建模方法、认知提升方法及系统。其中,采集不同年龄段健康人群的结构化数据和脑影像数据;对大脑进行脑功能网络划分,并对脑影像数据进行数据分析;根据数据分析结果建立初步的脑龄预测模型,并对初步的脑龄预测模型进行数据训练,形成最终的脑龄预测模型。利用该脑龄预测模型预测新用户的各脑功能网络区域的脑龄,并基于用户的各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案。本发明基于脑网络的划分进行区域性脑龄预测,并基于各脑功能网络区域的脑龄预测结果,为用户生成个性化认知训练方案。
Description
技术领域
本发明涉及一种基于动态脑网络的脑龄预测模型建模方法,同时也涉及基于动态脑网络的认知提升方法及系统,属于神经调控技术领域。
背景技术
现有技术中,大多是基于经典的神经心理学量表,或基于计算机交互式的任务测评,或基于各种生理数据等进行各种认知功能的评估。评估结果往往是分值,例如:MMSE量表总分30分,测评结果可能是28分;交互式任务测评可能会用反应时、正确率等指标来评估该项脑能力;而从脑影像等获得的生理数据(如灰质体积、功能连接等),其健康评价标准皆不相同,如果不是业内人士则非常难以理解。
脑龄(或者说预测脑龄与实际年龄之间的差值)提供了一种更为直接的、简单易懂的评估指标,比如“您才40岁,怎么大脑却像50岁的一样?”、“您的大脑比您实际年龄更年轻3岁呢”,是一种更易于向大众推广的、个性化的认知功能评估指标。目前,脑龄预测方面的现有技术大多局限于怎样提高脑龄预测的准确度,难以达到异常老化预警、或脑疾病检测的目的。
在申请号为202111270992.6的中国专利申请中,公开了一种脑龄预测装置,包括用于对待测者的三维脑部核磁共振影像数据进行预处理的预处理单元,以及用于将预处理后的影像数据输入到脑龄预测网络中,并输出脑龄预测结果的脑龄预测单元。该脑龄预测网络包括依次连接的第一、第二基本卷积模块、第一、第二、第三残差卷积模块、二维最大池化模块、全连接模块及sigmoid函数模块,该脑龄预测网络还包括输入端和输出端分别与第二基本卷积模块的输出端和第二残差卷积模块的输入端连接的第一跨层辅助残差模块,输入端和输出端分别与第一残差卷积模块的输出端和第三残差卷积模块的输入端连接的第二跨层辅助残差模块,从而实现了脑龄预测。
发明内容
本发明所要解决的首要技术问题在于提供一种动态脑网络的脑龄预测建模方法。
本发明所要解决的另一技术问题在于提供一种动态脑网络的认知提升方法。
本发明所要解决的另一技术问题在于提供一种动态脑网络的认知提升系统。
为实现上述技术目的,本发明采用以下的技术方案:
根据本发明实施例的第一方面,提供一种动态脑网络的脑龄预测模型建模方法,包括如下步骤:
采集不同年龄段健康人群的结构化数据和脑影像数据;
将大脑划分为多个脑功能网络,并对每个脑功能网络进行精细划分;
基于所述多个脑功能网络及其精细分区,对所述脑影像数据进行数据分析,以提取脑影像特征;
采用不同的前端深度神经网络对所述结构化数据和脑影像特征进行表示,并采用末端神经网络连接所述结构化数据和脑影像特征的表示结果,以建立初步的脑龄预测模型;
对所述初步的脑龄预测模型进行数据训练,以形成最终的脑龄预测模型。
其中较优地,所述结构化数据至少包括:年龄、性别以及受教育程度;
所述脑影像数据至少包括:静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据。
其中较优地,将大脑划分为多个脑功能网络,并对每个脑功能网络进行精细划分,具体包括:
根据已有的脑功能网络划分方式,将人脑至少分割为:视觉网络、听觉网络、感觉运动网络、背侧注意网络、额顶网络、默认网络、凸显网络、语言网络、边缘系统;
采用人脑分区图谱或等面积随机分区的方式,对每个脑功能网络进行细分割,以将每个脑功能网络精细划分为多个子区。
其中较优地,基于所述多个脑功能网络及其精细分区,对所述脑影像数据进行数据分析,以提取脑影像特征,具体包括:
对所述静息态功能磁共振数据进行预处理,以基于所述多个脑功能网络及其精细分区进行静态脑网络分析,从而获取各功能网络之间的功能连接以及拓扑属性;并且,基于所述多个脑功能网络及其精细分区进行动态脑网络分析,从而获取各功能网络之间的动态功能连接、动态拓扑属性以及动态变化特征;
对所述结构磁共振数据进行预处理,以基于所述多个脑功能网络及其精细分区进行脑表面的形态学分析,从而获取皮层厚度、皮层表面积和灰质体积;
对所述弥散张量成像数据进行预处理,以基于所述多个脑功能网络及其精细分区进行纤维追踪,从而获取白质分区的白质完整性指标;
其中,功能连接、拓扑属性、动态功能连接、动态拓扑属性、动态变化特征、皮层厚度、皮层表面积、灰质体积以及白质分区的白质完整性指标共同构成所述脑影像特征。
其中较优地,所述初步的脑龄预测模型,通过以下方式建立:
使用word2vec方法,将结构化数据转化成m维嵌入向量m,其中,m表示结构化数据维度的数量;
采用CNN模型对静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据构成的脑影像特征进行预测分析,通过全卷积过程将卷积结果经由压平层纳入全连接层,经过反向传播算法损失函数调节,脑影像动态脑网络的脑影像特征逐渐反馈被CNN模型学习,经过多次迭代优化后输出脑影像特征向量 n,其中,n为所述脑影像特征的数量;
对所述嵌入向量m与脑影像特征向量 />n进行注意力分析,以计算嵌入向量/>m 与脑影像特征向量 />n 的关联关系,记为数值a,形成m×n维交互矩阵;
以归一化指数Softmax作为激活函数,将交互矩阵的得分a映射为(0,1)的值,形成累计和为1的概率分布;
将归一化注意力矩阵与向量m /> n矩阵相乘,得到特征增强型输入矩阵,作为融合性末端神经网络的输入数据集;
使用ReLu激活函数,实现线性模型的非线性结果输出,使用多隐含层模型迭代,对于进入神经元的来自上一层神经网络的输入向量,使用线性激活函数的神经元计算输出,以构建初步的脑龄预测模型。
其中较优地,对所述初步的脑龄预测模型进行数据训练,以形成最终的脑龄预测模型,具体包括:
采用所述初步的脑龄预测模型,对不同年龄段健康人群进行大脑年龄的预测;
以总损失函数最小为目标,采用批量梯度下降算法作为该模型的损失函数,以实现对输入数据集神经网络训练局部最优结果的计算;
将数据集80%的数据作为训练集,并将训练集50%的数据进行交叉验证,以平均绝对误差作为回馈指标,选择最佳特征数量;
以数据集20%的数据作为测试集进行模型验证,在AUC值高于0.85以上后,以现有的公开数据集进行再次的验证分析,对模型调参以形成最终的脑龄预测模型;
其中,表示第i个样本特征;/>表示第i个样本对应的预测值;/>表示假设函数;/>表示第i个样本对应的真实值;m表示样本数量;/>表示被试样本特征的权重加权和;b表示偏移量。
根据本发明实施例的第二方面,提供一种基于动态脑网络的认知提升方法,包括如下步骤:
获取用户的各脑功能网络区域以及子区域的结构化数据和脑影像数据,以基于所述脑龄预测模型预测各脑功能网络区域的脑龄;
基于各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案。
其中较优地,基于各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案,具体包括:
根据不同脑功能网络的特征属性,将其对应形成具体认知功能评估的映射关系;
预测用户的各脑功能网络区域的脑龄,以评估所述用户当前所处的认知水平;
针对评估结果为异常的脑功能网络,基于所述映射关系推送对应认知功能的训练任务,以形成针对所述用户的个性化认知训练方案。
其中较优地,所述个性化认知训练方案,具体包括:
根据所述用户在某一异常脑功能网络的预测脑龄,推送对应认知功能的训练任务的任务等级;
根据所述用户在所述某一异常脑功能网络的预测脑龄与实际年龄的差值,确定对应认知功能的训练任务的任务初始难度;
根据所述用户的真实年龄,确定所述用户在所述某一异常脑功能网络上的达标标准;
基于所述任务等级、所述任务初始难度和所述达标标准,推送对应认知功能的训练任务;
重复上述步骤,以推送所有异常脑功能网络对应认知功能的训练任务,从而形成针对于所述用户的个性化认知训练方案。
根据本发明实施例的第三方面,提供一种基于动态脑网络的认知提升系统,包括:
数据采集单元,用于采集不同年龄段健康人群的结构化数据和脑影像数据;
数据分析单元,与所述数据采集单元连接,用于根据对大脑进行脑功能网络划分的结果,对所述脑影像数据进行数据分析,并提取脑影像特征;
模型构建单元,与所述数据分析单元连接,用于根据所述结构化数据和脑影像特征构建最终的脑龄预测模型;
认知评估单元,与所述模型构建单元连接,用于对新测用户的每个脑功能网络进行脑龄预测;
训练推送单元,与所述认知评估单元连接,用于根据各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案。
与现有技术相比较,本发明具有以下的技术效果:
(1)使用动态时间窗的数据分析技术,通过脑影像指标改进,增加动态脑网络分析、基于脑表面的形态学分析等方法进行脑龄预测,使得预测指标更加丰富。
(2)使用注意力(Attention)机制结合神经网络模型算法,进行不同脑网络认知模型的构建。在脑龄预测算法/模型上,分析不同数据模态数据的交互作用,使用注意力机制完成数据的加权处理,并在此基础上再次使用神经网络算法,进行多模态数据的优化迭代建模分析。
(3)引入脑网络的思想,基于脑功能网络的划分进行区域性脑龄预测。
(4)使用预测脑龄 与真实年龄 /> 、两者的差值w,根据预测脑龄 ,推送训练特定认知功能的任务等级、根据预测脑龄与实际年龄的差值w、根据真实年龄,确定用户在该脑功能网络上的达标标准,实现了认知训练-认知评估的有效闭环反馈。
(5)利用脑龄预测与实际年龄的差值为指标来进行认知评估,构建一种更易于向大众推广的、个性化的认知功能评估指标。
(6)在数据集构建上,使用多种模态数据进行综合性建模,尤其是各模态数据单独进行模型训练、后续通过神经网络进行融合性分析。
(7)构建综合认知评估-认知训练的脑龄应用,实现具有脑影像数据采集与预测、根据脑龄推送认知训练、通过真实年龄评估认知训练效果、根据年龄实现针对性认知训练效果反馈的认知提升系统。
附图说明
图1为本发明第一实施例提供的一种动态脑网络的脑龄预测模型建模方法的流程图;
图2为本发明第一实施例中,对脑影像数据进行数据分析的示意图;
图3为本发明第一实施例中,采用CNN模型对静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据构成的脑影像特征进行预测分析的示意图;
图4为本发明第二实施例提供的一种基于动态脑网络的认知提升方法流程图;
图5为本发明第二实施例中,个性化认知训练方案的生成流程图;
图6为本发明第三实施例提供的一种基于动态脑网络的认知提升系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
第一实施例
如图1所示,本发明第一实施例提供的一种动态脑网络的脑龄预测模型建模方法,具体包括步骤S1~S5:
S1:采集不同年龄段健康人群的结构化数据和脑影像数据。
本实施例中,结构化数据至少包括:年龄、性别以及受教育程度等基本信息;脑影像数据至少包括:静息态功能磁共振数据(fMRI)、结构磁共振数据(sMRI)以及弥散张量成像数据(DTI)。
其中,健康人群覆盖全年龄段,按照大脑发育特点,将人群按年龄划分为五个年龄段:0~6岁(童年)、6~18岁(少年)、18~40岁(青年)、40~65岁(中年)和65岁以上(老年)。
脑影像数据一部分来自于现有的脑影像公开数据集(如:OASIS、ADNI、HCP等),一部分来自于发明人采集的脑影像数据,作为独立的数据集相互验证模型的准确性。
S2:将大脑划分为多个脑功能网络,并对每个脑功能网络进行精细划分。
本实施例中,采用粗糙分割与精细分割相结合的方式对大脑进行脑功能网络划分。具体的,根据业已成熟的脑功能网络划分方式,如基于独立成分分析方法提取脑功能网络等,以将人脑至少分割为:视觉网络、听觉网络、感觉运动网络、背侧注意网络、额顶网络、默认网络、凸显网络、语言网络、边缘系统等九个脑功能网络。
另外,基于脑功能网络的粗分割方式,有些脑功能网络的面积会比较大,为了全面考虑每个脑功能网络的整理信息、兼顾网络内重要脑区节点的局部信息,本实施例中,按照上述脑功能网络划分方式对全脑进行粗分割之后,再使用人脑分区图谱(如AAL、Brainnetome Atlas等)或等面积随机分区等方式,对每个脑功能网络进行精细划分,以将每个脑功能网络精细划分为多个子区。
S3:基于多个脑功能网络及其精细分区,对脑影像数据进行数据分析,以提取脑影像特征。
如图2所示,本实施例中,基于步骤S2中对人脑的脑网络划分方式,分别对静息态功能磁共振数据(对应下文的步骤S31)、结构磁共振数据(对应下文的步骤S32)以及弥散张量成像数据(对应下文的步骤S33)进行数据分析,以分别提取不同的脑影像特征。
具体的,包括步骤S31~S33:
S31:对静息态功能磁共振数据进行数据分析。
该步骤中,首先对fMRI数据进行预处理,旨在纠正原始fMRI数据中可能存在的几种偏差,以减少甚至消除后续分析方法纠正或忽略这些偏差的额外负担。所述预处理步骤包括:剔除图像数据的前10个时间点数据、时间校正、头动校正、空间标准化、去线性漂移、图像滤波、回归协变量等。
然后,基于脑功能网络的划分以及进一步的精细分区,提取每个分区的平均时间序列,计算两两脑区之间的功能连接。这些功能连接中,根据脑区所属脑网络的不同,可以划分为网络内连接和网络间连接两种,由此计算每个脑网络的平均网络内连接、以及两两脑网络之间的平均网络间连接。另外,基于脑区水平的功能连接矩阵进行图论分析,计算脑网络的拓扑属性(例如:全局效率gE、局部效率locE、聚类系数Cp、最短路径长度Lp、小世界属性等)。由此,完成对静息态功能磁共振数据的静态数据分析。
此外,还需要对预处理后的fMRI数据进行动态脑网络分析。通过引入滑动窗,设定滑动窗的窗宽和步长(例如窗宽为30TR,步长为1TR等),将整个时间序列分割成多个子序列。然后,分别在每个子序列内,计算脑区水平的功能连接、脑网络水平的网络内和网络间功能连接、图论分析拓扑属性等。由此,形成了各指标的动态变化序列,可以计算每个指标的动态变化特征(即:动态功能连接dFC、动态全局效率dgE、动态局部效率dlocE、动态聚类系数dCp、动态最短路径长度dLp、动态小世界属性等)。
S32:对结构磁共振数据进行数据分析。
本实施例中,采用Freesurfer等软件对sMRI数据进行预处理和基于脑表面的形态学分析。具体步骤包括:去头骨和脑外组织、B1偏差场校正、体积(volume)数据配准、灰白质分割、皮层表面重建(surface)、形态学指标计算(皮层厚度、皮层表面积、灰质体积等)、皮层表面数据配准、皮层表面脑区分割(大脑皮层及皮层下核团)等。由此,提取的脑灰质结构指标有脑网络水平和脑区水平的皮层表面积、皮层厚度、灰质体积等。
S33:对弥散张量成像数据进行数据分析。
首先,对DTI数据进行预处理,步骤包括:去除头骨和脑外组织、涡流校正和头动校正、DTI指标计算(部分各向异性FA、平均弥散率MD、轴向弥散率AD、径向弥散率RD)等。
然后,进行纤维追踪(可选用确定性纤维追踪、概率性纤维追踪等方法),得到全脑的纤维束追踪图。
最后,采用自动化纤维束定量分析(AFQ)方法自动识别纤维束并自动计算每个纤维束的FA、MD等指标;或者,基于脑白质分区图谱将白质纤维束进行分区,自主计算每个白质分区的FA、MD等指标,从而得到脑白质的微结构信息。
综上可知,功能连接、拓扑属性、动态功能连接、动态拓扑属性、动态变化特征、皮层厚度、皮层表面积、灰质体积以及白质分区的白质完整性指标共同构成用户的脑影像特征。
S4:建立初步的脑龄预测模型。
本实施例中,通过采用不同的前端深度神经网络对结构化数据和脑影像特征进行表示,并采用末端神经网络连接结构化数据和脑影像特征的表示结果,以建立初步的脑龄预测模型。
具体的,包括步骤S41~S46:
S41:使用word2vec方法,将结构化数据(年龄、性别以及受教育程度等基本信息)转化成m维嵌入向量m,其中,m表示结构化数据维度的数量。
S42:如图3所示,采用CNN模型对静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据构成的脑影像特征进行预测分析,以通过全卷积过程将卷积结果经由压平层(flatten层,用于将多维输入一维化)纳入全连接层,经过反向传播算法损失函数调节,脑影像动态脑网络的脑影像特征逐渐反馈被CNN模型学习,经过多次迭代优化后输出脑影像特征向量 n。
其中,n为脑影像特征的数量。在本发明的一个实施例中,具体输出的提取特征包含不限于动态功能连接(dFC)、动态全局效率(dgE)、局部效率(dlocE)、动态聚类系数(dCp)、动态最短路径长度(dLp)、小世界属性、中心矩、脑网络水平和脑区水平的皮层表面积、皮层厚度、灰质体积、白质纤维束分区的部分各向异性FA、平均弥散率MD、轴向弥散率AD、径向弥散率RD。
S43:对嵌入向量m与脑影像特征向量 />n进行注意力分析,以计算嵌入向量/>m 与脑影像特征向量 />n 的关联关系,记为数值a,形成m×n维交互矩阵;
S44:以归一化指数Softmax作为激活函数,将交互矩阵的得分a映射为(0,1)的值,形成累计和为1的概率分布;
S45:将归一化注意力矩阵与向量m /> />n矩阵相乘,得到特征增强型输入矩阵,作为融合性末端神经网络的输入数据集;
S46:使用ReLu激活函数,实现线性模型的非线性结果输出,使用多隐含层模型迭代,对于进入神经元的来自上一层神经网络的输入向量,使用线性激活函数的神经元计算输出,以构建初步的脑龄预测模型。
S5:对初步的脑龄预测模型进行数据训练,以形成最终的脑龄预测模型。
具体的,包括步骤S51~S54:
S51:采用初步的脑龄预测模型,对不同年龄段健康人群进行大脑年龄的预测;
S52:以总损失函数最小为目标,采用批量梯度下降算法作为该模型的损失函数,以实现对输入数据集神经网络训练局部最优结果的计算;
S53:将数据集80%的数据作为训练集,并将训练集50%的数据进行交叉验证,以平均绝对误差作为回馈指标,选择最佳特征数量;
S54:以数据集20%的数据作为测试集进行模型验证,在AUC(Area Under Curve,曲线下面积)值高于0.85以上后,以现有的公开数据集进行再次的验证分析,对模型调参,形成最终的脑龄预测模型;
其中,表示第i个样本特征;/>表示第i个样本对应的预测值;/>表示假设函数;表示第i个样本对应的真实值;m表示样本数量表示被试样本特征的权重加权和;b表示偏移量。
第二实施例
如图4所示,在第一实施例的基础上,本发明第二实施例提供一种基于动态脑网络的认知提升方法,具体包括步骤S10~S20:
S10:预测用户的各脑功能网络区域的脑龄。
具体的,获取用户的各脑功能网络区域以及子区域的结构化数据和脑影像数据,以基于第一实施例中建立的脑龄预测模型预测用户的各脑功能网络区域的脑龄。
其中,各脑功能网络所对应的认知功能如下表所示:
脑功能网络 | 对应的认知功能 |
视觉网络 | 视空间 |
听觉网络 | 听觉 |
感觉运动网络 | 触觉、味觉、运动控制 |
默认网络 | 情绪与社会认知、记忆 |
凸显网络 | 注意、情绪与社会认知 |
额顶网络 | 执行功能、记忆、思维/推理 |
背侧注意网络 | 注意力 |
语言网络 | 言语-语言 |
边缘网络 | 情绪、记忆 |
S20:基于用户的各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案。
可以理解的是,每个脑功能网络的脑龄,代表其当前所处的认知水平,而预测脑龄 与真实年龄 /> 之间的差值则能够反映该用户当前认知水平与其同龄人的认知差异。
本实施例中,根据用户的认知差异,对用户的认知评估分为三种情况,分别给出三种不同的反馈模式:
(1)当w>0时,用户的预测脑龄高于真实年龄,即用户出现了快于同龄人的认知衰退,将提示用户存在一定的认知风险,具体的风险等级根据w数值的大小再次细分为三个等级,根据不同等级,给出不同程度的认知训练建议。
①0≤w<xx,轻度异常风险提示,建议进行短期认知训练;
②xx≤w<yy,中度异常风险提示,建议进行一定的认知训练;
③yy≤w,重度异常风险提示,建议进行周期认知训练。
(2)当w<0时,用户的预测脑龄低于真实年龄,即用户的认知水平优于同龄人,那么将给出反馈,提示用户当前的认知水平优于99.99%的同龄人,请继续保持。
(3)当w=0时,用户的预测脑龄等于真实年龄,即用户与同龄人处于相同的认知水平,将给出反馈,提示用户当前认知水平良好,请继续保持。
综上,使用各脑功能网络的脑龄预测结果,并根据预测脑龄 与真实年龄 />之间的差值代表的认知能力的差异不同而产生的评估误差,对不同年龄用户的认知能力水平进行反馈,对出现认知衰退的用户进行认知训练建议,可以实现针对用户的个性化认知训练方案推送。
可以理解的是,本实施例中根据评估结果异常的脑功能网络及对应的认知功能,推荐对应认知功能的训练任务。推送的认知训练任务是基于心理范式理论,针对该项认知功能找到对应的心理范式,通过对刺激材料、呈现方式、反应时间、反应要求等要素的调节,加入自适应的任务难度升降级调节算法,改编成相应认知功能的计算机交互式训练任务,目的在于对不同认知域和认知加工过程进行长期刻意训练,来帮助训练者恢复和提升认知功能、增加认知储备。
如图5所示,在步骤S20中,该个性化认知训练方案的生成过程,具体包括步骤S201~S205:
S201:根据用户在某一异常脑功能网络的预测脑龄,推送对应认知功能的训练任务的任务等级。针对每一种特定的认知功能,认知提升系统设计适合不同年龄段的认知训练任务,例如针对一位60岁的使用者,测量其默认网络脑龄为70岁,那么将调取为65~70岁年龄段设计的训练任务推送给使用者。
S202:根据用户在某一异常脑功能网络的预测脑龄与实际年龄的差值w,确定对应认知功能的训练任务的任务初始难度。差值w越大,则推送的初始难度越低,w越小推送的起始难度越高。若w≥yy,则任务初始难度设置为1,随着w值的降低,任务初始难度逐步增加。
S203:根据用户的真实年龄,确定用户在某一异常脑功能网络上的达标标准。认知训练以辅助用户实现脑功能网络相对修复为最终目标,而实现修复的标准在本发明中定义为其“真实年龄对应的认知水平”,用户的预测脑龄 /> 与真实年龄 /> 之间的差异越大,说明使用者当前认知能力与达标标准差异越大,则需要更多的努力来进行训练恢复,认知提升系统会通过适当延长认知训练周期,通过调节训练总量以保证训练效果。
S204:基于任务等级、任务初始难度和达标标准,推送对应认知功能的训练任务;
S205:重复上述步骤,以推送所有异常脑功能网络对应认知功能的训练任务,从而形成针对于用户的个性化认知训练方案。
第三实施例
如图6所示,在第一实施例和第二实施例的基础上,本发明第三实施例提供一种基于动态脑网络的认知提升系统,包括数据采集单元10、数据分析单元20、模型构建单元30、认知评估单元40和训练推送单元50。
其中,数据采集单元10用于采集不同年龄段健康人群的结构化数据和脑影像数据(对应于第一实施例中的步骤S1)。
数据分析单元20与数据采集单元10连接,用于根据对大脑进行脑功能网络划分的结果,对脑影像数据进行数据分析,并提取脑影像特征(对应于第一实施例中的步骤S2~S3)。
模型构建单元30与数据分析单元20连接,用于根据结构化数据和脑影像特征构建最终的脑龄预测模型(对应于第一实施例中的步骤S4~S5)。
认知评估单元40与模型构建单元30连接,用于对新测用户的每个脑功能网络进行脑龄预测(对应于第二实施例中的步骤S10)。
训练推送单元50与认知评估单元40连接,用于根据用户的各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案(对应于第二实施例中的步骤S20)。
综上所述,本发明实施例提供的动态脑网络的脑龄预测建模方法、认知提升方法及系统,具有以下的有益效果:
(1)使用动态时间窗的数据分析技术,通过脑影像指标改进,增加动态脑网络分析、基于脑表面的形态学分析等方法进行脑龄预测,使得预测指标更加丰富。
(2)使用注意力(Attention)机制结合神经网络模型算法,进行不同脑网络认知模型的构建。在脑龄预测算法/模型上,分析不同数据模态数据的交互作用,使用注意力机制完成数据的加权处理,并在此基础上再次使用神经网络算法,进行多模态数据的优化迭代建模分析。
(3)引入脑网络的思想,基于脑功能网络的划分进行区域性脑龄预测。
(4)使用预测脑龄 与真实年龄 /> 、两者的差值w,根据预测脑龄 ,推送训练特定认知功能的任务等级、根据预测脑龄与实际年龄的差值w、根据真实年龄,确定用户在该脑功能网络上的达标标准,实现了认知训练-认知评估的有效闭环反馈。
(5)利用脑龄预测与实际年龄的差值为指标来进行认知评估,构建一种更易于向大众推广的、个性化的认知功能评估指标。
(6)在数据集构建上,使用多种模态数据进行综合性建模,尤其是各模态数据单独进行模型训练、后续通过神经网络进行融合性分析。
(7)构建综合认知评估-认知训练的脑龄应用,实现具有脑影像数据采集与预测、根据脑龄推送认知训练、通过真实年龄评估认知训练效果、根据年龄实现针对性认知训练效果反馈的认知提升系统。
Claims (8)
1.一种动态脑网络的脑龄预测模型建模方法,其特征在于包括如下步骤:
采集不同年龄段健康人群的结构化数据和脑影像数据;
将大脑划分为多个脑功能网络,并对每个脑功能网络进行精细划分;
基于所述多个脑功能网络及其精细分区,对所述脑影像数据进行数据分析,以提取脑影像特征;
采用不同的前端深度神经网络对所述结构化数据和脑影像特征进行表示,并采用末端神经网络连接所述结构化数据和脑影像特征的表示结果,以建立初步的脑龄预测模型;
对所述初步的脑龄预测模型进行数据训练,以形成最终的脑龄预测模型;
其中,所述结构化数据至少包括:年龄、性别以及受教育程度;
所述脑影像数据至少包括:静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据;
所述多个脑功能网络及其精细分区,对所述脑影像数据进行数据分析,以提取脑影像特征,具体包括:
对所述静息态功能磁共振数据进行预处理,以基于所述多个脑功能网络及其精细分区进行静态脑网络分析,从而获取各功能网络之间的功能连接以及拓扑属性;并且,基于所述多个脑功能网络及其精细分区进行动态脑网络分析,从而获取各功能网络之间的动态功能连接、动态拓扑属性以及动态变化特征;
对所述结构磁共振数据进行预处理,以基于所述多个脑功能网络及其精细分区进行脑表面的形态学分析,从而获取皮层厚度、皮层表面积和灰质体积;
对所述弥散张量成像数据进行预处理,以基于所述多个脑功能网络及其精细分区进行纤维追踪,从而获取白质分区的白质完整性指标;
其中,功能连接、拓扑属性、动态功能连接、动态拓扑属性、动态变化特征、皮层厚度、皮层表面积、灰质体积以及白质分区的白质完整性指标共同构成所述脑影像特征。
2.如权利要求1所述的脑龄预测模型建模方法,其特征在于将大脑划分为多个脑功能网络,并对每个脑功能网络进行精细划分,具体包括:
将人脑至少分割为:视觉网络、听觉网络、感觉运动网络、背侧注意网络、额顶网络、默认网络、凸显网络、语言网络、边缘系统;
采用人脑分区图谱或等面积随机分区的方式,对每个脑功能网络进行细分割,以将每个脑功能网络精细划分为多个子区。
3.如权利要求1所述的脑龄预测模型建模方法,其特征在于所述初步的脑龄预测模型通过以下方式建立:
使用word2vec方法,将结构化数据转化成m维嵌入向量,其中,m表示结构化数据维度的数量;
采用CNN模型对静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据构成的脑影像特征进行预测分析,以通过全卷积过程将卷积结果经由压平层纳入全连接层,经过反向传播算法损失函数调节,脑影像动态脑网络的脑影像特征逐渐反馈被CNN模型学习,经过多次迭代优化后输出脑影像特征向量 ,其中,n为所述脑影像特征的数量;
对所述嵌入向量与脑影像特征向量 />进行注意力分析,以计算嵌入向量/>与脑影像特征向量 />的关联关系,记为数值a,形成m×n维交互矩阵;
以归一化指数Softmax作为激活函数,将交互矩阵的得分a映射为(0,1)的值,形成累计和为1的概率分布;
将归一化注意力矩阵与向量矩阵相乘,得到特征增强型输入矩阵,作为融合性末端神经网络的输入数据集;
使用ReLu激活函数,实现线性模型的非线性结果输出,使用多隐含层模型迭代,对于进入神经元的来自上一层神经网络的输入向量,使用线性激活函数的神经元计算输出,以构建初步的脑龄预测模型。
4.如权利要求3所述的脑龄预测模型建模方法,其特征在于对所述初步的脑龄预测模型进行数据训练,以形成最终的脑龄预测模型,具体包括:
采用所述初步的脑龄预测模型,对不同年龄段健康人群进行大脑年龄的预测;
以总损失函数最小为目标,采用批量梯度下降算法作为所述脑龄预测模型的损失函数,以实现对输入数据集神经网络训练局部最优结果的计算;
将数据集80%的数据作为训练集,并将训练集50%的数据进行交叉验证,以平均绝对误差作为回馈指标,选择最佳特征数量;
以数据集20%的数据作为测试集进行模型验证,在AUC值高于0.85以上后,以现有的公开数据集进行再次的验证分析,对模型调参以形成最终的脑龄预测模型。
5.一种基于动态脑网络的认知提升方法,其特征在于包括如下步骤:
获取用户的各脑功能网络区域以及子区域的结构化数据和脑影像数据,以基于权利要求1~4中任意一项所述的脑龄预测模型预测各脑功能网络区域的脑龄;
基于各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案。
6.如权利要求5所述的认知提升方法,其特征在于基于各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案,具体包括:
根据不同脑功能网络的特征属性,将其对应形成具体认知功能评估的映射关系;
预测用户的各脑功能网络区域的脑龄,以评估所述用户当前所处的认知水平;
针对评估结果为异常的脑功能网络,基于所述映射关系推送对应认知功能的训练任务,以形成针对所述用户的个性化认知训练方案。
7.如权利要求6所述的认知提升方法,其特征在于所述个性化认知训练方案,具体包括:
根据所述用户在某一异常脑功能网络的预测脑龄,推送对应认知功能的训练任务的任务等级;
根据所述用户在所述某一异常脑功能网络的预测脑龄与实际年龄的差值,确定对应认知功能的训练任务的任务初始难度;
根据所述用户的真实年龄,确定所述用户在所述某一异常脑功能网络上的达标标准;
基于所述任务等级、所述任务初始难度和所述达标标准,推送对应认知功能的训练任务;
重复上述步骤,以推送所有异常脑功能网络对应认知功能的训练任务,形成针对于所述用户的个性化认知训练方案。
8.一种基于动态脑网络的认知提升系统,其特征在于包括:
数据采集单元,用于采集不同年龄段健康人群的结构化数据和脑影像数据;
数据分析单元,与所述数据采集单元连接,用于根据对大脑进行脑功能网络划分的结果,对所述脑影像数据进行数据分析,并提取脑影像特征;
模型构建单元,与所述数据分析单元连接,用于根据所述结构化数据和脑影像特征构建最终的脑龄预测模型;
认知评估单元,与所述模型构建单元连接,用于对新测用户的每个脑功能网络进行脑龄预测;
训练推送单元,与所述认知评估单元连接,用于根据各脑功能网络区域的脑龄预测结果,为用户推送个性化认知训练方案;
其中,所述结构化数据至少包括:年龄、性别以及受教育程度;
所述脑影像数据至少包括:静息态功能磁共振数据、结构磁共振数据以及弥散张量成像数据;
所述多个脑功能网络及其精细分区,对所述脑影像数据进行数据分析,以提取脑影像特征,具体包括:
对所述静息态功能磁共振数据进行预处理,以基于所述多个脑功能网络及其精细分区进行静态脑网络分析,从而获取各功能网络之间的功能连接以及拓扑属性;并且,基于所述多个脑功能网络及其精细分区进行动态脑网络分析,从而获取各功能网络之间的动态功能连接、动态拓扑属性以及动态变化特征;
对所述结构磁共振数据进行预处理,以基于所述多个脑功能网络及其精细分区进行脑表面的形态学分析,从而获取皮层厚度、皮层表面积和灰质体积;
对所述弥散张量成像数据进行预处理,以基于所述多个脑功能网络及其精细分区进行纤维追踪,从而获取白质分区的白质完整性指标;其中,功能连接、拓扑属性、动态功能连接、动态拓扑属性、动态变化特征、皮层厚度、皮层表面积、灰质体积以及白质分区的白质完整性指标共同构成所述脑影像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311110033.7A CN116807447B (zh) | 2023-08-31 | 2023-08-31 | 动态脑网络的脑龄预测建模方法、认知提升方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311110033.7A CN116807447B (zh) | 2023-08-31 | 2023-08-31 | 动态脑网络的脑龄预测建模方法、认知提升方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116807447A CN116807447A (zh) | 2023-09-29 |
CN116807447B true CN116807447B (zh) | 2023-12-22 |
Family
ID=88118899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311110033.7A Active CN116807447B (zh) | 2023-08-31 | 2023-08-31 | 动态脑网络的脑龄预测建模方法、认知提升方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116807447B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117122303B (zh) * | 2023-10-26 | 2024-01-30 | 烟台大学 | 一种脑网络的预测方法、系统、设备和存储介质 |
CN117408322B (zh) * | 2023-12-15 | 2024-04-16 | 北京邮电大学 | 脑功能与脑结构的映射模型训练方法、装置及映射方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
CN114972340A (zh) * | 2022-07-28 | 2022-08-30 | 中国科学院心理研究所 | 一种大脑老化预警系统及预警方法 |
-
2023
- 2023-08-31 CN CN202311110033.7A patent/CN116807447B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
CN114972340A (zh) * | 2022-07-28 | 2022-08-30 | 中国科学院心理研究所 | 一种大脑老化预警系统及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116807447A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116807447B (zh) | 动态脑网络的脑龄预测建模方法、认知提升方法及系统 | |
CN109528197B (zh) | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 | |
CN109165692B (zh) | 一种基于弱监督学习的用户性格预测装置及方法 | |
JP7382082B2 (ja) | コンテンツを特徴づけるために脳特徴活動マップデータベースを利用するための装置および方法 | |
CN102293656B (zh) | 基于磁共振成像的情绪稳定性评价系统及其评价方法 | |
Turner et al. | Bayesian analysis of simulation-based models | |
CN110490242B (zh) | 图像分类网络的训练方法、眼底图像分类方法及相关设备 | |
US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
CN111128380A (zh) | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 | |
CN110889450B (zh) | 超参数调优、模型构建方法和装置 | |
CN110859624A (zh) | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 | |
CN109464122B (zh) | 基于多模态数据的个体核心特质预测系统及方法 | |
KR102320580B1 (ko) | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 | |
CN113871015B (zh) | 用于提升认知的人机交互方案推送方法及系统 | |
CN115295153B (zh) | 基于深度学习的认知评估方法及认知任务推送方法 | |
CN113870239A (zh) | 视力检测方法及装置、电子设备、存储介质 | |
CN112530584A (zh) | 一种医疗诊断辅助方法及系统 | |
CN111105877A (zh) | 基于深度置信网络的慢性病精确干预方法及系统 | |
CN111477329B (zh) | 一种基于图文结合评估心理状态的方法 | |
CN114722892A (zh) | 基于机器学习的持续学习方法及装置 | |
CN111091916A (zh) | 人工智能中基于改进粒子群算法的数据分析处理方法及系统 | |
Zhang et al. | Student Knowledge Diagnosis on Response Data via the Model of Sparse Factor Learning. | |
Hsiao et al. | Computational exploration of the relationship between holistic processing and right hemisphere lateralization in featural and configural recognition tasks | |
Önder et al. | Diagnosis of Alzheimer's Disease Using Boosting Classification Algorithms |
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 |