[发明专利]基于网络特征熵定量刻画脑功能网络的方法

说明书

技术领域

本发明涉及基于功能磁共振成像(fMRI)数据的大脑网络研究领域，具体涉及一种基于网络特征熵定量刻画脑功能网络的方法。

背景技术

功能磁共振成像的原理是通过磁振造影量测神经元活动引起的血液动力的改变。例如：刺激某些感官时，大脑皮层具体的某些脑功能区激活，这些激活的脑区发出神经信号，利用磁振造影获得神经信号，得到一系列图像。人们执行运动、感觉、高级认知等各种复杂的任务时，会激起脑内某些神经信号，这种生理性的大脑活动引起局部脑血流、脑血容、能量代谢的变化，从而导致组织磁性的变化。fMRI作为一种活体脑功能成像技术，因其具有非侵入性，理想时空分辨率等优点，迅速成为脑神经科学研究最常用的脑成像技术。

不管是生物学领域、技术领域、社会领域或者其他的科学领域都产生了类似地相互有联系的数据集。在过去的几十年，为了刻画这些数据集，复杂网络分析应运而生。复杂网络分析主要通过图论定量刻画给定网络的拓扑特性。大脑连接数据是指有功能连接或结构追踪连接形成的网络，它与生物或者物理系统有共同的特征，同时研究者发现大脑从微小的神经元到脑区等不同的层次上都可以建立网络模型，这样利用复杂网络分析方法研究大脑网络属性为人们从整体上认识和研究大脑功能活动提供了一种全新的研究思路。

2006年，Achard Sophi等人利用离散小波变化转化fMRI数据估计刻画功能连接的频率相关性矩阵，得到结论：fMRI数据中低频振荡数据集具有小世界(small world)性质。2008年van den Heuvel MP等人根据静息功能核磁共振(rs-fMRI)数据基于体素(voxel-wise)方法，构建体素之间的功能连接，然后计算网络图的统计属性发现脑功能网络的聚类系数比对应随机网络的要大，并且平均路径长度要比随机网络短，表明了脑功能网络的小世界特性；另外，体素与体素之间功能连接的分布服从幂率指数近似等于2的幂率分布，表明脑功能网络的无标度特性(scale free network)。但是，以上得到的这些拓扑特性只刻画了脑功能网络的一个特征，这些特征是孤立的，它的应用受到局限。比如我们探索受到很多因素影响的大脑发育，必须将这些特性进行综合分析，提取网络的结构趋势特征，如何通过综合分析定量刻画脑功能网络以探索网络特征熵与大脑发育、老化规律，已经成为一项亟待解决的关键技术问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供通过大脑网络特征熵揭示大脑发育及老化规律，具有原理简单、实现简便、被试内结果稳定性高、不同类别灵敏性好的基于网络特征熵定量刻画脑功能网络的方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于网络特征熵定量刻画脑功能网络的方法，步骤包括：

1)采集静息状态下的功能磁共振成像数据；

2)针对采集到的功能磁共振成像数据进行预处理；

3)选择包含大脑皮层功能分区的脑模板；

4)针对预处理后的功能磁共振成像数据，将脑模板上的不同脑区看成脑功能网络中的节点，从而提取每个节点的平均时间序列信号，计算节点之间的相关系数，得到功能连接矩阵，将所述功能连接矩阵进行二值化得到邻接矩阵，从而形成脑功能网络，所述邻接矩阵形成的脑功能网络刻画了节点间相互作用关系，反映了脑功能网络的拓扑属性；

5)计算脑功能网络中每一个节点的特征向量中心度及能量集中度；

6)根据脑功能网络中每一个节点的能量集中度计算大脑网络特征熵。

优选地，所述步骤4)的详细步骤包括：

4.1)针对预处理后的功能磁共振成像数据，将脑模板上的不同脑区看成脑功能网络中的节点，提取每个节点的平均时间序列信号；

4.2)采用式(1)计算节点之间的相关系数，得到一个对称的大小为n*n的时间序列相关矩阵A(a_ij)，其中n表示脑功能网络节点个数，a_ij表示节点i的平均时间序列信号x_i与节点j的平均时间序列信号x_j之间的相关系数，以相关系数表示节点之间的功能连接，因此所述时间序列相关矩阵A(a_ij)表示了脑功能网络中各节点间功能连接，称为功能连接矩阵；