[发明专利]基于高阶超网络的静息态功能磁共振影像数据分类方法

权利要求书

1.一种基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：该方法是采用如下步骤实现的：

步骤S1：对静息态功能磁共振影像进行预处理，并根据选定的标准化脑图谱对预处理后的静息态功能磁共振影像进行区域分割，然后对所分割的各脑区进行平均时间序列的提取；

步骤S2：选定长度固定的滑动窗口，并按照一定步长对各脑区的平均时间序列进行时间窗分割；

步骤S3：计算每个时间窗下各脑区的平均时间序列两两之间的皮尔逊相关系数，由此得到皮尔逊相关矩阵；

步骤S4：提取皮尔逊相关矩阵中对应元素的值，由此得到高阶关联矩阵，所述高阶关联矩阵的维度为时间窗数×4005；

步骤S5：利用稀疏线性回归模型，计算高阶关联矩阵中每个元素与其它元素的线性组合表示，由此建立超边，然后根据超边构建高阶超网络；所述稀疏线性回归模型具体表示如下：

x_m＝A_mα_m+τ_m (2)；

公式(2)中：x_m表示选定脑区的时间序列；A_m＝[x₁,...,x_m-1,0,x_m+1,...,x_M]，其包含除选定脑区之外的所有脑区的时间序列；α_m表示其它脑区对选定脑区影响程度的权重向量；τ_m表示噪声项；α_m中非零元素对应的脑区即为与选定脑区相互作用的脑区；

步骤S6：计算高阶超网络的局部属性；所述局部属性包括：高阶超网络中各元素的度及聚类系数；

步骤S7：采用支持向量机分类算法，选择高阶超网络的局部属性作为分类特征，由此进行分类器的构建，然后采用交叉验证方法对构建的分类器进行检验；

步骤S8：采用互信息分析方法，对所选特征在分类器中的重要度和冗余度进行量化，然后根据量化结果对所选特征进行二次筛选，由此对高阶超网络进行优化。

2.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S1中，预处理步骤具体包括：时间层校正、头动校正、联合配准、空间标准化、低频滤波；标准化脑图谱采用AAL模板；平均时间序列的提取步骤具体包括：提取AAL模板中每个脑区所包含的所有体素在不同时间点上的BOLD强度，并将各体素在不同时间点上的BOLD强度进行算术平均，由此得到各脑区的平均时间序列。

3.根据权利要求1所述的基于高阶超网络的静息态功能磁共振影像数据分类方法，其特征在于：所述步骤S3中，计算公式具体表示如下：

公式(1)中：r_ij表示皮尔逊相关矩阵中第i行第j列的元素，即第i个脑区与第j个脑区之间的皮尔逊相关系数；n表示时间点个数；x_i(t)表示第i个脑区的时间序列；表示第i个脑区的时间序列的平均值；x_j(t)表示第j个脑区的时间序列；表示第j个脑区的时间序列的平均值；皮尔逊相关矩阵的维度为90×90。