CN117438080B - 一种儿童脑部发育状态的综合判断方法及系统 - Google Patents

一种儿童脑部发育状态的综合判断方法及系统 Download PDF

Info

Publication number
CN117438080B
CN117438080B CN202311750986.XA CN202311750986A CN117438080B CN 117438080 B CN117438080 B CN 117438080B CN 202311750986 A CN202311750986 A CN 202311750986A CN 117438080 B CN117438080 B CN 117438080B
Authority
CN
China
Prior art keywords
brain
data
influence
development
dynamic
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
Application number
CN202311750986.XA
Other languages
English (en)
Other versions
CN117438080A (zh
Inventor
曲海波
贾凤林
罗乐凯
廖怡
刘静
李学胜
张毓瑾
杨雪
陈锡建
宁刚
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.)
West China Second University Hospital of Sichuan University
Original Assignee
West China Second University Hospital of Sichuan 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 West China Second University Hospital of Sichuan University filed Critical West China Second University Hospital of Sichuan University
Priority to CN202311750986.XA priority Critical patent/CN117438080B/zh
Publication of CN117438080A publication Critical patent/CN117438080A/zh
Application granted granted Critical
Publication of CN117438080B publication Critical patent/CN117438080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • A61B5/0035—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 acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/06—Children, e.g. for attention deficit diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurology (AREA)
  • Psychology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Neurosurgery (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明提供了一种儿童脑部发育状态的综合判断方法及系统，涉及医疗影像技术领域，包括：获取第一信息和第二信息；根据历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图；根据动态变化图、第一信息中的基因信息、环境因素和生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式；将发育影响模式进行分类处理得到影响因子集；根据影响因子集和动态变化图构建得到脑部发育状态识别模型；根据脑部发育状态识别模型对第二信息进行识别得到脑部发育状态判断结果。本发明通过融合磁共振成像和脑电图的神经影像数据与基因信息、环境因素及生活方式数据，能够综合多维数据，提供更全面的脑发育状态分析。

Description

一种儿童脑部发育状态的综合判断方法及系统
技术领域
本发明涉及医疗影像技术领域，具体而言，涉及一种儿童脑部发育状态的综合判断方法及系统。
背景技术
在医学影像和神经科学领域，对儿童脑部发育状态的评估和理解一直是一个重要研究方向。脑部在儿童早期发展过程中经历快速的变化，这些变化对孩子的认知、行为和整体健康产生深远影响。了解和监测这些变化对于早期诊断和干预神经发育障碍至关重要。现有的儿童脑部发育状态检测技术主要依赖于神经影像学方法，如磁共振成像（MRI）和脑电图（EEG）。MRI能够提供脑部结构的详细图像，而EEG则捕捉脑电活动，反映脑功能状态。然而，这些方法各自独立运作，未能综合不同数据源提供的信息。此外，它们通常专注于解读单一时间点的数据，难以捕捉脑部发育的动态变化。这些局限性可能导致对影响脑发育的多种潜在因素的综合评估不足。
基于上述现有方法的缺点，现亟需一种儿童脑部发育状态的综合判断方法及系统。
发明内容
本发明的目的在于提供一种儿童脑部发育状态的综合判断方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种儿童脑部发育状态的综合判断方法，包括：
获取第一信息和第二信息，所述第一信息包括历史儿童脑部检测数据、基因信息、环境因素、生活方式数据以及对应的检测结果，所述第二信息包括待诊断儿童的脑部检测数据；
根据所述历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，所述动态变化图为脑部结构与功能连接随时间变化的图谱；
根据所述动态变化图、所述第一信息中的所述基因信息、所述环境因素和所述生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，所述发育影响模式为影响儿童脑发育的多种因素之间相互作用和组合效应的综合描述；
将所述发育影响模式进行分类处理得到分类结果，并对所述分类结果中每个类别的所述发育影响模式进行特征提取处理得到影响因子集；
根据所述影响因子集和所述动态变化图构建得到脑部发育状态识别模型；
根据所述脑部发育状态识别模型对所述第二信息进行识别处理得到脑部发育状态判断结果。
第二方面，本申请还提供了儿童脑部发育状态的综合判断系统，包括：
第一获取单元，用于获取第一信息和第二信息，所述第一信息包括历史儿童脑部检测数据、基因信息、环境因素、生活方式数据以及对应的检测结果，所述第二信息包括待诊断儿童的脑部检测数据；
第一构建单元，用于根据所述历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，所述动态变化图为脑部结构与功能连接随时间变化的图谱；
第一识别单元，用于根据所述动态变化图、所述第一信息中的所述基因信息、所述环境因素和所述生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，所述发育影响模式为影响儿童脑发育的多种因素之间相互作用和组合效应的综合描述；
第一分类单元，用于将所述发育影响模式进行分类处理得到分类结果，并对所述分类结果中每个类别的所述发育影响模式进行特征提取处理得到影响因子集；
第二构建单元，用于根据所述影响因子集和所述动态变化图构建得到脑部发育状态识别模型；
第二识别单元，用于根据所述脑部发育状态识别模型对所述第二信息进行识别处理得到脑部发育状态判断结果。
本发明的有益效果为：
本发明通过融合磁共振成像（MRI）和脑电图（EEG）的神经影像数据与基因信息、环境因素及生活方式数据，能够综合多维数据，提供更全面的脑发育状态分析；本发明通过构建动态变化图，能够追踪和分析脑部结构与功能随时间的变化，从而提供对脑发育动态过程的深入洞见。本发明通过分析个体的基因信息、环境因素和生活方式，支持个性化的脑发育状态评估，为定制化的干预措施提供依据。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的儿童脑部发育状态的综合判断方法流程示意图;
图2为本发明实施例中所述的儿童脑部发育状态的综合判断系统结构示意图。
图中标记：701、第一获取单元；702、第一构建单元；7021、第一提取子单元；7022、第一分析子单元；7023、第一构建子单元；7024、第二提取子单元；703、第一识别单元；7031、第一转换子单元；70311、第二构建子单元；70312、第一处理子单元；70313、第二处理子单元；70314、第一编码子单元；7032、第二分析子单元；7033、第三分析子单元；7034、第一优化子单元；704、第一分类单元；7041、第一聚类子单元；7042、第三提取子单元；7043、第一计算子单元；7044、第三处理子单元；705、第二构建单元；7051、第四处理子单元；7052、第一融合子单元；7053、第一分类子单元；7054、第二优化子单元；706、第二识别单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种儿童脑部发育状态的综合判断方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。
步骤S100、获取第一信息和第二信息，第一信息包括历史儿童脑部检测数据、基因信息、环境因素、生活方式数据以及对应的检测结果，第二信息包括待诊断儿童的脑部检测数据。
可以理解的是，收集历史数据不仅包括传统的神经影像学数据（磁共振成像和脑电图），还包括基因信息、环境因素和生活方式数据。这些数据的综合使得本方法能够跨越单一领域，提供一个多角度、多层次的脑发育影响因素框架，有助于建立脑发育的基线模型和识别模式。基因信息可以揭示遗传影响，环境和生活方式数据则提供了关于外部影响因素的重要视角。具体地，特定基因变异或遗传模式与儿童的神经发育障碍相关联。例如，某些基因变异已被发现与自闭症谱系障碍、注意力缺陷多动障碍（ADHD）等条件有关。生活习惯上，儿童早期的营养摄入、睡眠模式和身体活动水平对脑发育具有重要影响。营养不良、睡眠质量差或缺乏适当的体育活动可能会对脑功能和结构产生不利影响。家庭环境、教育背景和社会经济状态等因素可能影响儿童的脑发育。例如，持续的压力或不稳定的家庭环境可能导致认知和情感发展的问题。其次，待诊断儿童的实时数据提供了当前脑部状态的直接视图，有助于识别任何偏离常规发育路径的迹象。结合历史数据，实时数据可以用于检测早期发展问题，为及时干预提供重要依据。这种综合历史和实时数据的方法提高了诊断的全面性和精度。
步骤S200、根据历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，动态变化图为脑部结构与功能连接随时间变化的图谱。
可以理解的是，本步骤的核心在于实现磁共振成像（MRI）数据和脑电图（EEG）数据的融合。这一融合不仅涉及两种数据的物理结合，更关键的是它们功能和时间维度的整合。通过这种方法，我们能够构建出展示脑部结构（如皮层厚度、灰质和白质体积）和功能连接（如神经同步性和网络活动模式）随时间演变的动态图谱。具体地，在MRI数据处理方面，运用基于体素形态学分析（Voxel-basedMorphometry,VBM）来量化脑部结构的变化。而EEG数据的处理则涉及到功率谱密度（PowerSpectralDensity,PSD）分析和功能网络连接性分析，这些技术可以揭示大脑电生理活动的动态模式。结合这些技术，本发明不仅能够动态地展示脑部结构的变化，还能够捕捉功能连接的变化，如神经网络在不同发育阶段的变化模式。这种数据融合方法，在技术上实现了对儿童脑部发育状态更为全面和深入的理解。它使得我们可以在单一的图谱中同时观察到结构和功能的变化，为儿童脑部发育研究提供了一种新的视角和工具，特别是在识别和干预神经发育障碍方面具有重要的应用价值。
步骤S300、根据动态变化图、第一信息中的基因信息、环境因素和生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，发育影响模式为影响儿童脑发育的多种因素之间相互作用和组合效应的综合描述。
可以理解的是，本步骤首先涉及到对脑部结构和功能的动态变化（由MRI和EEG数据呈现）进行深度学习分析，以识别特定的神经发育模式。接着利用进化算法，如遗传算法或差分进化算法，对这些神经发育模式与基因信息、环境因素和生活方式数据之间的复杂相互作用进行分析。进化算法通过模拟生物进化过程中的选择机制，能够高效地确定影响脑发育的关键因素及其组合。具体地，在分析一个特定的发育模式时，算法会识别出某种特定的基因突变与特定环境因素之间的交互作用对脑部发育产生了显著影响。这种交互作用可能会在脑部结构（如皮层厚度变化）和功能（如认知能力的发展）上表现出来，进而通过算法的迭代过程被准确识别出来。这一过程实质上是对多模态神经影像数据和生物社会数据的深入挖掘和分析，能够为儿童脑发育的综合评估提供更加全面和精确的信息。
步骤S400、将发育影响模式进行分类处理得到分类结果，并对分类结果中每个类别的发育影响模式进行特征提取处理得到影响因子集。
需要说明的是，本步骤从先前步骤中生成的发育影响模式进行分类，接着应用特征提取技术来识别每个类别中最具影响力的因素，这些因素被视为影响脑发育的关键驱动因素。通过这种方法，本发明能够将广泛的、多维度的数据凝练为具体的、操作性强的信息，为脑发育研究提供了一种全新的方法论。
步骤S500、根据影响因子集和动态变化图构建得到脑部发育状态识别模型。
可以理解的是，本步骤利用特征工程技巧，如维度降低和特征编码，将复杂的影响因子数据转化为适合机器学习模型处理的格式。接着结合这些处理过的影响因子数据和动态变化图（融合了时间序列分析的MRI和EEG数据），运用深度学习框架构建一个综合模型。这个模型能够识别特定的发育模式和趋势，提供对儿童脑部发育状态的精准预测。
步骤S600、根据脑部发育状态识别模型对第二信息进行识别处理得到脑部发育状态判断结果。
具体地，本步骤通过将待诊断儿童的实时神经影像数据（如功能性MRI和量化EEG分析结果）输入到脑部发育状态识别模型中，模型将综合分析这些数据与先前构建的发育影响模式之间的相似性。这种分析包括脑网络活动的模式识别、脑结构变化的趋势分析等。通过这样的深度分析，模型能够预测儿童的脑发育状态，识别出任何潜在的发育异常。这一步骤将临床神经影像学与机器学习算法相结合，为脑发育诊断提供了一种精确且全面的方法，尤其在早期识别神经发育障碍方面具有重要的临床价值。
需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。
步骤S210、根据磁共振成像数据运用拓扑数据分析，通过对脑部结构进行集合特征提取处理得到脑部结构特征数据。
可以理解的是，拓扑数据分析（TDA）是一种数据分析技术，用于研究数据的形状（或拓扑）特性。本步骤中TDA被用于处理MRI数据，以识别和量化脑部结构的关键特征。具体来说，TDA技术如持久同调分析（Persistent Homology）应用于MRI数据集，揭示脑部结构中的复杂空间模式。首先，TDA通过分析MRI数据中的高密度区域，可以精确地识别出脑回（大脑表面的褶皱）和裂隙（大脑表面的沟）。TDA用于分析这些结构的形状和在大脑中的分布，可以揭示某个脑区的灰质和白质如何分布，以及这些区域的形态如何随时间发生变化。此外，TDA还用于探索不同脑区之间的连接性。通过研究这些区域之间的拓扑关系，可以揭示大脑内部的功能网络如何组织，以及这些网络如何随着儿童的成长而发展。这些信息被转换为可量化的数据，从而提供了一个详细的脑部结构特征数据集，这对于理解脑部结构的细微变化和发育趋势非常关键。
步骤S220、应用动态系统理论分析脑电图数据，通过利用非线性动力学方法揭示脑电活动的动态模式，得到脑功能连接数据。
可以理解的是，脑功能连接数据包括分析脑波频率的变化、脑区间的同步性及其随时间的演变。具体地，使用时间-频率分析技术，研究不同频率脑波（如α波、β波、θ波和δ波）在不同时间点的强度变化。这种分析可以揭示认知活动、睡眠状态等的变化。应用相位锁定值（Phase Locking Value, PLV）来评估不同脑区间的同步性。这种同步性分析有助于了解信息如何在大脑各区域间传递。通过功能连接性分析，如功能磁共振成像（fMRI）和EEG数据的融合，可以研究脑功能网络随时间的演变，尤其是在儿童大脑发育过程中的变化。这种分析能够提供关于脑功能连接的深刻见解，如不同脑区之间如何在特定任务或休息状态下进行信息交换。
步骤S230、根据脑部结构特征数据和脑功能连接数据进行网络构建处理得到初步动态变化图。
可以理解的是，本步骤将脑部的物理结构信息与其功能活动模式相结合，以形成一个综合的表示脑部发育状态的动态网络。此网络不仅反映了脑部各区域的物理特征，还描绘了这些区域之间的功能联系及其随时间的变化，为深入理解脑部发育提供了重要视角。
步骤S240、根据初步动态变化图进行小波变换处理，通过提取和识别脑部成长的阶段性变化和功能连接的周期性波动得到最终的动态变化图。
可以理解的是，小波变换是一种时间-频率分析工具，能够揭示脑部成长过程中的阶段性变化和功能连接的周期性波动。通过这种方法，可以从初步动态变化图中提取出关键的时间序列特征，如脑部区域间交互的变化模式、功能网络的演变等。最终得到的动态变化图提供了脑部发育的全面视图，揭示了脑部结构和功能随时间的复杂变化过程。需要说明的是，步骤S240包括步骤S241、步骤S242、步骤S243和步骤S244。
步骤S241、对所述初步动态变化图中的脑电图（EEG）和磁共振成像（MRI）数据进行预处理，去除噪音并进行滤波得到预处理数据。
步骤S242、使用Daubechies小波函数对所述预处理数据进行小波变换，将数据参数化为频率和时间，生成小波系数矩阵。
步骤S243、根据所述小波系数矩阵计算得到每个频率和时间上的能量分布。
步骤S244、使用逆小波变换将所述小波系数矩阵还原为原始的脑波信号，并结合能量分布重建得到动态变化图。
涉及计算公式为：
；/>；；
为频率；/>为时间，/>为变量，表示时间或与时间相关的参数；/>为小波系数矩阵；/>为原始脑部数据；/>为Daubechies小波函数的复共轭；/>为Daubechies小波函数。
需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、根据动态变化图进行数据转换处理得到时空特征矩阵。
可以理解的是，本步骤首先将动态变化图的时间序列数据整合为一个矩阵，其中每行代表一个时间点，每列代表不同的脑部区域。然后对这个矩阵进行傅里叶变换，将时域数据转换为频域数据。这个过程用傅里叶变换的数学公式来表示，包括频率和幅度信息。得到的时空特征矩阵包含了脑部不同区域在不同频率下的活动特征，为后续的分析提供了基础。
为时空特征矩阵；/>为频率表示信号的周期性；/>为角频率，表示周期信号的角速度；/>为时间；/>为虚数单位。
步骤S320、根据预设的向量自回归模型对时空特征矩阵进行时间序列分析处理，通过分析脑部结构与功能随时间的动态变化模式得到动态关联模式。
可以理解的是，本步骤首先将时空特征矩阵中的数据按时间排序，形成一个时间序列，这时间序列反映了脑部结构与功能在不同时间点上的状态变化。然后使用向量自回归模型（VAR）对这个时间序列进行分析。VAR模型允许我们估计不同时间点之间的相互依赖关系，即脑部结构与功能的动态关联。通过VAR模型可以了解不同特征之间的滞后效应，即一个特征值如何受到前几个时间点的影响。这有助于识别脑部结构与功能之间的复杂动态模式，揭示出它们随时间演变的关键特性。
步骤S330、根据动态关联模式进行关联性分析，通过挖掘不同类型数据件的相关性和相互影响，得到影响脑发育的综合因素模式。
可以理解的是，本步骤首先将动态关联模式与其他儿童数据（如基因信息、环境因素、生活方式等）进行整合。通过统计分析、机器学习算法等方法，探索不同数据之间的相关性和影响程度。这有助于识别不同因素对脑发育的影响，以及它们之间的相互作用。例如，分析某基因与特定环境因素在脑发育中的联合效应，特定环境因素包括母亲在怀孕期间的饮食、暴露在化学物质或污染物中的风险、生活方式（如锻炼和饮食）等。联合效应指这些因素之间的相互作用，可能导致其影响脑发育的方式不是简单相加的，而是存在协同或抵消的效应。例如，某基因在特定环境因素下可能会更显著地影响脑发育，而在其他环境下可能影响较小。这种效应可能通过分子生物学机制，如基因表达调控或蛋白质互作。综合这些分析结果，得到影响脑发育的综合因素模式，以更全面地理解儿童脑部发育的驱动因素。
步骤S340、利用遗传算法对综合因素模式进行优化处理，通过模拟自然选择过程筛选出对儿童脑发育影响最大的因素组合，得到发育影响模式。
具体地，首先创建一个初始的因素组合群体，每个组合代表一种可能的影响模式。然后，根据每个组合的适应度（即其对脑发育的影响程度）进行选择，适应度高的组合更有机会被保留和复制，模拟自然选择的"生存与繁殖"。接着，进行交叉和变异操作，产生新的因素组合，模拟基因的遗传变异。这个过程迭代多次，直到找到对儿童脑发育影响最大的因素组合。模拟自然选择的目标是通过演化过程找到最适应脑发育的因素组合。
需要说明的是，步骤S310包括步骤S311、步骤S312、步骤S313和步骤S314。
步骤S311、将动态变化图进行网络构建处理得到动态网络，动态网络中每个节点代表一个脑区，边代表脑区之间的功能连接。
可以理解的是，网络构建的过程涉及使用脑部结构和功能数据来确定节点和边的关系，其中节点是特定的脑区，边的存在表示不同脑区之间的功能关联。这种网络结构有助于捕捉脑部结构和功能随时间的动态变化，为后续分析提供了基础。
步骤S312、根据动态网络进行时间序列处理，通过将每个时间点的脑部磁共振成像数据和脑电图数据整合为图的一个实例，得到图序列数据。
可以理解的是，本步骤首先对MRI数据进行空间配准，将不同时间点的数据对齐到相同的空间坐标系。然后，将EEG数据进行预处理，包括去噪和提取时间序列。接下来，根据已知的脑区分布，将EEG时间序列映射到对应的脑区域。随后将MRI数据中的每个时间点与相应时间点的EEG数据整合为一个图的实例。这个过程重复进行，生成图序列数据，以反映脑部结构和功能的动态变化。
步骤S313、基于预设的动态图卷积网络对动态网络中每个时间点的图进行处理，生成每个时间点的脑区节点的特征向量。
需要说明的是，本步骤包括特征提取、节点表示学习等步骤，以生成每个时间点的脑区节点的特征向量。这些特征向量反映了脑部结构和功能在不同时间点的状态，可以用于后续的分析和建模。该过程利用图卷积神经网络等技术，结合动态网络的拓扑结构和时间信息，提取有关脑区域的信息，以便更深入地理解脑部发育的动态过程。
步骤S314、将不同时间点生成的特征向量按照时间顺序串联，并将串联后的特征向量集合进行时间与空间维度编码处理，构建得到时空特征矩阵。
优选地，本步骤使用循环神经网络（RNN）将时间序列的特征向量集合进行处理，这包括时间顺序串联特征向量，将其输入到RNN中，然后通过RNN的循环处理过程提取时空信息。在RNN的每个时间步，特征向量都会被编码成更高级的表示，并考虑了之前时间步的信息。最终，编码后的特征向量集合构建了时空特征矩阵，其中包含了丰富的时序和空间信息，用于进一步的脑部发育模式分析。
需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、根据发育影响模式进行分类处理，通过将基因变异的类型、环境暴露的程度和生活方式的差异作为特征维度对所有发育影响模式进行可视化和分类得到分类结果，分类结果包括不同类别的发育影响模式。
可以理解的是，基因、环境和生活方式因素被认为在儿童脑发育中扮演关键角色，因为它们可以影响神经元的发育、连接和塑性。基因决定了个体的遗传特征，环境包括母体健康、营养、毒素暴露等，而生活方式涵盖了饮食、锻炼和社会互动。这些因素的差异可能导致不同的神经发育轨迹，影响大脑结构和功能的形成。通过提取和编码这些特征，可以有效地将发育影响模式分为不同类别，帮助研究人员理解这些模式的多样性和共性。
步骤S420、基于决策树算法对分类结果中每个类别的发育影响模式提取出决定类别划分的关键特征，得到每个类别的主导影响因子。
需要说明的是，本步骤中决策树算法首先从数据中选择一个初始特征，通常为最能够有效分割数据的特征。然后，它将数据分成子集，每个子集包含相似的发育影响模式。这个过程将递归进行，直到生成一个树状结构，其中每个节点代表一个特征，每个叶子节点代表一个类别。在每个节点，算法选择最佳特征进行分割，依此类推。最终，决策树将提供每个类别的主导影响因子，这些因子在不同发育影响模式的区分中起关键作用。这有助于深入理解脑发育的关键影响因素。
步骤S430、根据主导影响因子进行皮尔逊相关系数计算，通过计算主导影响因子与对应的脑发育状态之间的线性相关性，得到关联强度。
可以理解的是，本步骤首先对每个主导影响因子和脑发育状态的数据进行配对，形成一组数据点。然后计算这些数据点的协方差和各自数据集的标准差。最后通过协方差除以两个标准差的乘积，计算出皮尔逊相关系数。这个系数的取值范围在-1到1之间，表示了线性相关性的强度和方向，负值表示负相关，正值表示正相关。这个过程帮助确定主导影响因子与脑发育状态之间的相关程度，有助于深入了解它们之间的关系。
步骤S440、基于预设的逻辑回归模型对关联强度进行处理，建立主导影响因子与脑发育状态之间的定量关系，得到影响因子集。
需要说明的是，本步骤首先准备数据集，数据集包括主导影响因子的值和脑发育状态的标签。然后应用逻辑回归模型拟合一个数学函数，以最好地描述主导因子与脑发育状态之间的关系。通过拟合模型，可以确定主导因子的权重和影响方向，以及它们与脑发育状态之间的定量关系。这使得我们能够理解主导因子对脑发育的具体影响程度和方向。
需要说明的是，步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、根据影像因子集进行数据降维处理，通过计算影像因子集的协方差矩阵，并将协方差矩阵中的特征向量按照对应特征值的大小排序得到影响因子向量。
可以理解的是，协方差矩阵反映了不同影像因子之间的相关性，通过计算各个因子的协方差，我们可以了解它们是如何一起变化的。特征值分解协方差矩阵后，得到特征值和对应的特征向量。这些特征向量代表了数据中的主要变化方向，按照特征值的大小排序，可以确定哪些因子在降维中起主导作用。这有助于简化数据，保留最重要的信息，从而更好地理解影响因子的关系。
步骤S520、根据影像因子向量和动态变化图进行数据融合处理，通过使用规范相关分析方法评估和量化影响因子向量之间的相关系数并确定最优线性关系构建得到综合数据集。
可以理解的是，规范相关分析通过评估不同因素之间的相关性来找到最优的线性关系。这一方法可以量化不同因素之间的联系，并确定它们如何共同影响脑发育。通过分析相关系数，可以建立一个综合的数据集，其中包含了各个因素之间的最优关系，为进一步的分析提供了基础。这个过程能够深入挖掘影响因子之间的关联，有助于更好地理解脑发育的机制。
步骤S530、基于随机森林算法对综合数据集进行分类处理，通过随机选取数据集的子集和特征子集构建多个决策树，并对所有决策树做出的独立预测结果进行汇总求平均，得到初步识别模型。
可以理解的是，初步识别模型有助于对脑发育情况进行初步分类和识别，为后续的分析提供了基础。随机森林算法的应用能够提高模型的稳定性和准确性。
步骤S540、根据初步识别模型进行模型优化处理，通过超参数调整和交叉验证得到脑部发育状态识别模型。
可以理解的是，超参数调整是为了找到最佳模型配置，以提高脑部发育状态的识别准确性。交叉验证用于评估模型的性能，并确保它在不同数据子集上的表现一致。
实施例2：
如图2所示，本实施例提供了一种儿童脑部发育状态的综合判断系统，系统包括：
第一获取单元701，用于获取第一信息和第二信息，第一信息包括历史儿童脑部检测数据、基因信息、环境因素、生活方式数据以及对应的检测结果，第二信息包括待诊断儿童的脑部检测数据。
第一构建单元702，用于根据历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，动态变化图为脑部结构与功能连接随时间变化的图谱。
第一识别单元703，用于根据动态变化图、所述第一信息中的基因信息、环境因素和生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，发育影响模式为影响儿童脑发育的多种因素之间相互作用和组合效应的综合描述。
第一分类单元704，用于将发育影响模式进行分类处理得到分类结果，并对分类结果中每个类别的发育影响模式进行特征提取处理得到影响因子集。
第二构建单元705，用于根据影响因子集和动态变化图构建得到脑部发育状态识别模型。
第二识别单元706，用于根据脑部发育状态识别模型对第二信息进行识别处理得到脑部发育状态判断结果。
在本公开的一种具体实施方式中，第一构建单元702包括：
第一提取子单元7021，用于根据磁共振成像数据运用拓扑数据分析，通过对脑部结构进行集合特征提取处理得到脑部结构特征数据。
第一分析子单元7022，应用动态系统理论分析脑电图数据，通过利用非线性动力学方法揭示脑电活动的动态模式，得到脑功能连接数据。
第一构建子单元7023，用于根据脑部结构特征数据和脑功能连接数据进行网络构建处理得到初步动态变化图。
第二提取子单元7024，用于根据初步动态变化图进行小波变换处理，通过提取和识别脑部成长的阶段性变化和功能连接的周期性波动得到最终的动态变化图。
在本公开的一种具体实施方式中，第一识别单元703包括：
第一转换子单元7031，用于根据动态变化图进行数据转换处理得到时空特征矩阵。
第二分析子单元7032，用于根据预设的向量自回归模型对时空特征矩阵进行时间序列分析处理，通过分析脑部结构与功能随时间的动态变化模式得到动态关联模式。
第三分析子单元7033，用于根据动态关联模式进行关联性分析，通过挖掘不同类型数据件的相关性和相互影响，得到影响脑发育的综合因素模式。
第一优化子单元7034，利用遗传算法对综合因素模式进行优化处理，通过模拟自然选择过程筛选出对儿童脑发育影响最大的因素组合，得到发育影响模式。
在本公开的一种具体实施方式中，第一转换子单元7031包括：
第二构建子单元70311，用于将动态变化图进行网络构建处理得到动态网络，动态网络中每个节点代表一个脑区，边代表脑区之间的功能连接。
第一处理子单元70312，应用于根据动态网络进行时间序列处理，通过将每个时间点的脑部磁共振成像数据和脑电图数据整合为图的一个实例，得到图序列数据。
第二处理子单元70313，基于预设的动态图卷积网络对动态网络中每个时间点的图进行处理，生成每个时间点的脑区节点的特征向量。
第一编码子单元70314，用于将不同时间点生成的特征向量按照时间顺序串联，并将串联后的特征向量集合进行时间与空间维度编码处理，构建得到时空特征矩阵。
在本公开的一种具体实施方式中，第一分类单元704包括：
第一聚类子单元7041，用于根据发育影响模式进行分类处理，通过将基因变异的类型、环境暴露的程度和生活方式的差异作为特征维度对所有发育影响模式进行可视化和分类得到分类结果，分类结果包括不同类别的发育影响模式。
第三提取子单元7042，基于决策树算法对分类结果中每个类别的发育影响模式提取出决定类别划分的关键特征，得到每个类别的主导影响因子。
第一计算子单元7043，用于根据主导影响因子进行皮尔逊相关系数计算，通过计算主导影响因子与对应的脑发育状态之间的线性相关性，得到关联强度。
第三处理子单元7044，基于预设的逻辑回归模型对关联强度进行处理，建立主导影响因子与脑发育状态之间的定量关系，得到影响因子集。
在本公开的一种具体实施方式中，第二构建单元705包括：
第四处理子单元7051，用于根据影像因子集进行数据降维处理，通过计算影像因子集的协方差矩阵，并将协方差矩阵中的特征向量按照对应特征值的大小排序得到影响因子向量。
第一融合子单元7052，用于根据影像因子向量和动态变化图进行数据融合处理，通过使用规范相关分析方法评估和量化影响因子向量之间的相关系数并确定最优线性关系构建得到综合数据集。
第一分类子单元7053，基于随机森林算法对综合数据集进行分类处理，通过随机选取数据集的子集和特征子集构建多个决策树，并对所有决策树做出的独立预测结果进行汇总求平均，得到初步识别模型。
第二优化子单元7054，用于根据初步识别模型进行模型优化处理，通过超参数调整和交叉验证得到脑部发育状态识别模型。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种儿童脑部发育状态的综合判断方法，其特征在于，包括：
获取第一信息和第二信息，所述第一信息包括历史儿童脑部检测数据、基因信息、环境因素、生活方式数据以及对应的检测结果，所述第二信息包括待诊断儿童的脑部检测数据；
根据所述历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，所述动态变化图为脑部结构与功能连接随时间变化的图谱；
根据所述动态变化图、所述第一信息中的所述基因信息、所述环境因素和所述生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，所述发育影响模式为影响儿童脑发育的多种因素之间相互作用和组合效应的综合描述；
将所述发育影响模式进行分类处理得到分类结果，并对所述分类结果中每个类别的所述发育影响模式进行特征提取处理得到影响因子集；
根据所述影响因子集和所述动态变化图构建得到脑部发育状态识别模型；
根据所述脑部发育状态识别模型对所述第二信息进行识别处理得到脑部发育状态判断结果；
其中，根据所述历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，包括：
根据所述磁共振成像数据运用拓扑数据分析，通过对脑部结构进行集合特征提取处理得到脑部结构特征数据；
应用动态系统理论分析所述脑电图数据，通过利用非线性动力学方法揭示脑电活动的动态模式，得到脑功能连接数据；
根据所述脑部结构特征数据和所述脑功能连接数据进行网络构建处理得到初步动态变化图；
根据所述初步动态变化图进行小波变换处理，通过提取和识别脑部成长的阶段性变化和功能连接的周期性波动得到最终的动态变化图；
其中，将所述发育影响模式进行分类处理得到分类结果，并对所述分类结果中每个类别的所述发育影响模式进行特征提取处理得到影响因子集，包括：
根据所述发育影响模式进行分类处理，通过将基因变异的类型、环境暴露的程度和生活方式的差异作为特征维度对所有所述发育影响模式进行可视化和分类得到分类结果，所述分类结果包括不同类别的发育影响模式；
基于决策树算法对所述分类结果中每个类别的发育影响模式提取出决定类别划分的关键特征，得到每个类别的主导影响因子；
根据所述主导影响因子进行皮尔逊相关系数计算，通过计算所述主导影响因子与对应的脑发育状态之间的线性相关性，得到关联强度；
基于预设的逻辑回归模型对所述关联强度进行处理，建立主导影响因子与脑发育状态之间的定量关系，得到影响因子集。
2.根据权利要求1所述的儿童脑部发育状态的综合判断方法，其特征在于，根据所述动态变化图和所述第一信息中的所述基因信息、所述环境因素和所述生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，包括：
根据所述动态变化图进行数据转换处理得到时空特征矩阵；
根据预设的向量自回归模型对所述时空特征矩阵进行时间序列分析处理，通过分析脑部结构与功能随时间的动态变化模式得到动态关联模式；
根据所述动态关联模式进行关联性分析，通过挖掘不同类型数据件的相关性和相互影响，得到影响脑发育的综合因素模式；
利用遗传算法对所述综合因素模式进行优化处理，通过模拟自然选择过程筛选出对儿童脑发育影响最大的因素组合，得到发育影响模式。
3.根据权利要求2所述的儿童脑部发育状态的综合判断方法，其特征在于，根据所述动态变化图进行数据转换处理得到时空特征矩阵，包括：
将所述动态变化图进行网络构建处理得到动态网络，所述动态网络中每个节点代表一个脑区，边代表脑区之间的功能连接；
根据所述动态网络进行时间序列处理，通过将每个时间点的脑部磁共振成像数据和脑电图数据整合为图的一个实例，得到图序列数据；
基于预设的动态图卷积网络对所述动态网络中每个时间点的图进行处理，生成每个时间点的脑区节点的特征向量；
将不同时间点生成的所述特征向量按照时间顺序串联，并将串联后的特征向量集合进行时间与空间维度编码处理，构建得到时空特征矩阵。
4.一种儿童脑部发育状态的综合判断系统，其特征在于，包括：
第一获取单元，用于获取第一信息和第二信息，所述第一信息包括历史儿童脑部检测数据、基因信息、环境因素、生活方式数据以及对应的检测结果，所述第二信息包括待诊断儿童的脑部检测数据；
第一构建单元，用于根据所述历史儿童脑部检测数据中的磁共振成像数据和脑电图数据构建得到动态变化图，所述动态变化图为脑部结构与功能连接随时间变化的图谱；
第一识别单元，用于根据所述动态变化图、所述第一信息中的所述基因信息、所述环境因素和所述生活方式数据，通过利用进化算法识别各因素对脑部发育的影响生成发育影响模式，所述发育影响模式为影响儿童脑发育的多种因素之间相互作用和组合效应的综合描述；
第一分类单元，用于将所述发育影响模式进行分类处理得到分类结果，并对所述分类结果中每个类别的所述发育影响模式进行特征提取处理得到影响因子集；
第二构建单元，用于根据所述影响因子集和所述动态变化图构建得到脑部发育状态识别模型；
第二识别单元，用于根据所述脑部发育状态识别模型对所述第二信息进行识别处理得到脑部发育状态判断结果；
其中，所述第一构建单元包括：
第一提取子单元，用于根据所述磁共振成像数据运用拓扑数据分析，通过对脑部结构进行集合特征提取处理得到脑部结构特征数据；
第一分析子单元，应用动态系统理论分析所述脑电图数据，通过利用非线性动力学方法揭示脑电活动的动态模式，得到脑功能连接数据；
第一构建子单元，用于根据所述脑部结构特征数据和所述脑功能连接数据进行网络构建处理得到初步动态变化图；
第二提取子单元，用于根据所述初步动态变化图进行小波变换处理，通过提取和识别脑部成长的阶段性变化和功能连接的周期性波动得到最终的动态变化图；
其中，所述第一分类单元包括：
第一聚类子单元，用于根据所述发育影响模式进行分类处理，通过将基因变异的类型、环境暴露的程度和生活方式的差异作为特征维度对所有所述发育影响模式进行可视化和分类得到分类结果，所述分类结果包括不同类别的发育影响模式；
第三提取子单元，基于决策树算法对所述分类结果中每个类别的发育影响模式提取出决定类别划分的关键特征，得到每个类别的主导影响因子；
第一计算子单元，用于根据所述主导影响因子进行皮尔逊相关系数计算，通过计算所述主导影响因子与对应的脑发育状态之间的线性相关性，得到关联强度；
第三处理子单元，基于预设的逻辑回归模型对所述关联强度进行处理，建立主导影响因子与脑发育状态之间的定量关系，得到影响因子集。
5.根据权利要求4所述的儿童脑部发育状态的综合判断系统，其特征在于，所述第一识别单元包括：
第一转换子单元，用于根据所述动态变化图进行数据转换处理得到时空特征矩阵；
第二分析子单元，用于根据预设的向量自回归模型对所述时空特征矩阵进行时间序列分析处理，通过分析脑部结构与功能随时间的动态变化模式得到动态关联模式；
第三分析子单元，用于根据所述动态关联模式进行关联性分析，通过挖掘不同类型数据件的相关性和相互影响，得到影响脑发育的综合因素模式；
第一优化子单元，利用遗传算法对所述综合因素模式进行优化处理，通过模拟自然选择过程筛选出对儿童脑发育影响最大的因素组合，得到发育影响模式。
6.根据权利要求5所述的儿童脑部发育状态的综合判断系统，其特征在于，所述第一转换子单元包括：
第二构建子单元，用于将所述动态变化图进行网络构建处理得到动态网络，所述动态网络中每个节点代表一个脑区，边代表脑区之间的功能连接；
第一处理子单元，应用于根据所述动态网络进行时间序列处理，通过将每个时间点的脑部磁共振成像数据和脑电图数据整合为图的一个实例，得到图序列数据；
第二处理子单元，基于预设的动态图卷积网络对所述动态网络中每个时间点的图进行处理，生成每个时间点的脑区节点的特征向量；
第一编码子单元，用于将不同时间点生成的所述特征向量按照时间顺序串联，并将串联后的特征向量集合进行时间与空间维度编码处理，构建得到时空特征矩阵。
CN202311750986.XA 2023-12-19 2023-12-19 一种儿童脑部发育状态的综合判断方法及系统 Active CN117438080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311750986.XA CN117438080B (zh) 2023-12-19 2023-12-19 一种儿童脑部发育状态的综合判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311750986.XA CN117438080B (zh) 2023-12-19 2023-12-19 一种儿童脑部发育状态的综合判断方法及系统

Publications (2)

Publication Number Publication Date
CN117438080A CN117438080A (zh) 2024-01-23
CN117438080B true CN117438080B (zh) 2024-03-12

Family

ID=89553759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311750986.XA Active CN117438080B (zh) 2023-12-19 2023-12-19 一种儿童脑部发育状态的综合判断方法及系统

Country Status (1)

Country Link
CN (1) CN117438080B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102293647A (zh) * 2011-06-08 2011-12-28 北京师范大学 一种联合脑电和功能磁共振信号的反馈系统
CN109543623A (zh) * 2018-11-26 2019-03-29 微医云(杭州)控股有限公司 一种基于核磁共振成像的胎儿发育状况预测装置
WO2020053849A1 (en) * 2018-09-13 2020-03-19 Quantalx Neuroscience Ltd A reliable tool for evaluating brain health
CN111403032A (zh) * 2020-03-05 2020-07-10 上海市精神卫生中心（上海市心理咨询培训中心） 一种儿童脑发育水平评估方法，系统及存储设备
CN115294076A (zh) * 2022-08-11 2022-11-04 重庆邮电大学 一种脑沟异常的预测系统
CN116468655A (zh) * 2023-02-14 2023-07-21 复旦大学 基于胎儿磁共振成像的脑发育图谱与影像处理系统
CN116784821A (zh) * 2022-11-12 2023-09-22 上海大学 基于复杂网络脑胶质肿瘤患者脑功能重塑预测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7063535B2 (en) * 2001-12-21 2006-06-20 Jill Stamm System and method for facilitating early childhood brain development
US20080241839A1 (en) * 2006-10-12 2008-10-02 The Regents Of The University Of California Method for correlating differential brain images and genotypes; genes that correlate with differential brain images
US11379757B2 (en) * 2019-07-31 2022-07-05 BioSymetrics, Inc. Methods, systems, and frameworks for data analytics using machine learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102293647A (zh) * 2011-06-08 2011-12-28 北京师范大学 一种联合脑电和功能磁共振信号的反馈系统
WO2020053849A1 (en) * 2018-09-13 2020-03-19 Quantalx Neuroscience Ltd A reliable tool for evaluating brain health
CN109543623A (zh) * 2018-11-26 2019-03-29 微医云(杭州)控股有限公司 一种基于核磁共振成像的胎儿发育状况预测装置
CN111403032A (zh) * 2020-03-05 2020-07-10 上海市精神卫生中心（上海市心理咨询培训中心） 一种儿童脑发育水平评估方法，系统及存储设备
CN115294076A (zh) * 2022-08-11 2022-11-04 重庆邮电大学 一种脑沟异常的预测系统
CN116784821A (zh) * 2022-11-12 2023-09-22 上海大学 基于复杂网络脑胶质肿瘤患者脑功能重塑预测方法及系统
CN116468655A (zh) * 2023-02-14 2023-07-21 复旦大学 基于胎儿磁共振成像的脑发育图谱与影像处理系统

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
"同步脑电图-功能磁共振融合推断宏观脑动力学";用户1279583;《https://cloud.tencent.com/developer/article/1948079》;20220228;介绍-总结部分 *
"振幅整合脑电图联合头颅磁共振定量指标对中晚期早产儿近期神经发育预测价值的前瞻性研究";申璐 等;《中国当代儿科杂志》;20211015;第23卷(第10期);第987-993页 *
任婧雅 等."MRI对胎儿脑发育的结构和功能定量评估".《国际医学放射学杂志》.2020,(第01期),34-38. *
儿童期大脑成熟与行为发展的关联;卢英俊 等;《幼儿教育(教育科学版)》;20080720(第Z1期);66-71 *
儿童良性癫痫伴中央颞区棘波认知障碍的多模态磁共振研究进展;龙莉莉 等;《中国当代儿科杂志》;20200515(第05期);143-147 *
基于神经成像技术的青少年大脑发育研究;鞠恩霞;李红;龙长权;袁加锦;;《心理科学进展》;20100615(第06期);45-51 *
徐琴芳 等.脑电测量在儿童发展性障碍诊断中的应用.《心理科学进展》.2017,(第12期),2136-2144. *
脑机接口研究之演化及教育应用趋势的知识图谱分析――基于1985-2018年SCI及SSCI期刊论文研究;姜雷;张海;张岚;吴闯;孙启存;李海斌;;《远程教育杂志》;20180717(第04期);29-40 *
脑电信号处理与分析方法研究进展;韩伟;卓雁文;李艳;汤池;刘娟;周声毅;谢康宁;;《中国医疗设备》;20200410(第04期);157-162 *
贺永 ; 陶沙 ; 廖旭红 ; .理解儿童青少年脑发育,推进对脑智发育和提升的科学研究.《教育家》.2018,(第28期),25-27. *

Also Published As

Publication number Publication date
CN117438080A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN110188836B (zh) 一种基于变分自编码器的脑功能网络分类方法
EP2027559B1 (en) Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method
CN110797123B (zh) 一种动态脑结构的图卷积神经网络演化方法
CN104050394A (zh) 群体脑网络的建模方法及其拓扑属性分析方法
Ferrari et al. Dealing with confounders and outliers in classification medical studies: The Autism Spectrum Disorders case study
Sen et al. Predicting biological gender and intelligence from fmri via dynamic functional connectivity
Sharif et al. A novel framework for automatic detection of autism: A study on corpus callosum and intracranial brain volume
Pei et al. Data augmentation for fMRI-based functional connectivity and its application to cross-site ADHD classification
CN115496953A (zh) 基于时空图卷积的脑网络分类方法
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
CN113807299B (zh) 基于平行频域脑电信号的睡眠阶段分期方法及系统
Zhou et al. Stability-driven non-negative matrix factorization-based approach for extracting dynamic network from resting-state EEG
Yang et al. Classification of autism spectrum disorder using rs-fmri data and graph convolutional networks
Chanu et al. An automated epileptic seizure detection using optimized neural network from EEG signals
Chung et al. Unified topological inference for brain networks in temporal lobe epilepsy using the Wasserstein distance
Balamurugan et al. An integrated approach to performance measurement, analysis, improvements and knowledge management in healthcare sector
CN117438080B (zh) 一种儿童脑部发育状态的综合判断方法及系统
Cowell et al. What evidence supports special processing for faces? A cautionary tale for fMRI interpretation
Ouhmida et al. Parkinson’s diagnosis hybrid system based on deep learning classification with imbalanced dataset
Sachnev An efficient classification scheme for ADHD problem based on Binary Coded Genetic Algorithm and McFIS
Chung et al. Dynamic topological data analysis of functional human brain networks
Xue et al. Similarity representation of pattern-information fMRI
Paliwal et al. An efficient method for predicting heart disease problem using fitness value
Kubi et al. A Deep Learning-Based Technique to Determine Various Stages of Alzheimer’s Disease from 3D Brain MRI Images
DSouza Directed Network Recovery from Large Systems with Applications in Functional Magnetic Resonance Imaging (fMRI)

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