[发明专利]一种脑功能有效连接分析方法

说明书

技术领域

本发明属于脑功能成像领域，特别涉及其中的脑功能有效连接分析。

背景技术

目前，在脑功能成像领域，有多种技术手段用来研究脑功能磁共振成像数据、脑电数据的有效连接，主要有结构方程模型(Structural Equation model)，动态因果模型(Dynamic Causal Model，DCM)，Granger因果(Granger CausalityMapping，GCM)，条件Granger因果(conditional Granger CausalityMapping，cGCM)。如果一个时间序列Y导致(或者影响)X，那么使用Y的信息就可以预测X的值。这里所说的Granger因果关系可以被理解为可预测性，即给出两个离散时间序列X和Y，如果用过去的X和Y值预测现在的X值，比单独用过去的X值的预测更准确，那么就说X和Y存在Granger因果关系。而引入条件Granger因果，在于它能够克服Granger因果导致的伪因果关系。

在运用条件Granger因果进行有效连接分析时，最常用的方法是Geweke在文献“Geweke J.Measures of conditional linear dependence and feedback between timeseries.JAmStatAssoc 1984，vol.79，pp.907-915”提出的线性条件Granger因果以及Yonghong Chen在Geweke的基础上提出的频域上的矩阵分离思想的条件Granger因果，具体参见文献：Y.Chen，S.L.Bressler，M.Ding，Frequencydecomposition of conditional Granger causality and application to multivariate neuralfield potential data.2006，J.Neurosci.Methods，vol.150，pp.228-237。

Yonghong Chen提出的条件Granger因果，减少了没有物理意义的负值因果谱。但是在脑功能成像中，脑功能磁共振成像数据、脑电数据往往具有冗余性，在运用条件Granger因果计算数量较多的感兴趣区域之间的有效连接时，由于条件信号的高度冗余性，导致自回归模型的参数估计不准确，从而使有效连接分析出现误差。

在计算数量较多的脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接，并且运用条件Granger因果方法的很多，但是考虑如何在计算有效连接的同时去除条件信号的冗余性的几乎没有。Guorong Wu在文献“G.Wu.C.Xu.H.Chen.Investigate intracranial EEG with conditional granger causality andPCA.2010 International Conference of Medical Image Analysis and ClinicalApplication(MIACA).2010：22-25”中提出了在Geweke的线性条件Granger因果的基础上运用主成分分析(Pincipal Component Analysis，PCA)降维去除颅内脑电数据的条件信号冗余的方法。但是Guorong Wu提出的条件Granger因果加主成分分析去除颅内脑电数据的条件信号冗余的方法依然存在缺陷，因为Geweke的方法要求的相同谱估计一致性达不到，所以Guorong Wu的方法未能够排除没有物理意义的负值因果谱，同时Guorong Wu的方法没有给出如何确定条件Granger因果值有效的方法，信号之间的有效连接是否被正确探测是个未知数，所以此方法在脑功能磁共振成像数据、脑电数据的有效连接分析中存在需要改进的地方。

发明内容

本发明的目的是为了解决现有的脑功能成像技术领域中，采用条件Granger因果方法研究脑功能磁共振成像数据、脑电数据的感兴趣区域之间的有效连接时，由于多道信号之间存在高度冗余性，造成有效连接分析出现误差的问题，提出了一种脑功能有效连接分析方法。

本发明的技术方案是：一种脑功能有效连接分析方法，具体包括如下步骤：

步骤1：对脑功能磁共振成像数据、脑电数据进行预处理；脑功能磁共振成像数据的预处理：首先对脑功能磁共振成像数据进行空间位移的校正，再将校正后的图像进行标准化处理，然后对标准化处理后的图像利用高斯核进行空间平滑处理；脑电数据的预处理：首先对脑电数据进行归一化，然后进行去漂移；