[发明专利]基于加权网络的大脑功能连接模块划分方法

说明书

本发明涉及一种基于加权网络的大脑功能连接模块划分方法，主要步骤为：对大脑功能磁共振成像进行预处理并与标准分区模板匹配，提取各个脑区对应的时间序列；采用滑窗法分离每个窗口对应的子时间序列，将所有窗口的相关系数矩阵组合，构建大脑功能连接的动态加权网络；由介数率得出考虑权重时加权网络的边介数，计算忽略权重的边介数、介数率和连接边权重的比值，并移除该比值最大的连接边；输出模块划分结果并计算模块度的值，直到网络中没有可以移除的连接边为止；输出模块度的最大值对应的模块划分结果。该方法综合考虑了大脑功能连接的动态特征与权值变化，弥补了传统模块划分方法忽略时变特性和对权值进行简单阈值化处理的不足。

技术领域

本发明涉及一种大脑功能连接的模块划分方法，具体是一种基于加权网络的大脑功能连接模块划分方法，属于生物医学信息处理技术领域。

背景技术

近年来，脑网络已成为脑科学研究的一个重要领域。大脑网络是结构网络中不同神经元、神经元集群或脑区之间动态活动的交互整合。人们将复杂网络理论应用在脑科学研究中，利用复杂网络基本原理结合统计学的研究方法进行统计分析，发现了大脑网络的集团属性及节点间潜在拓扑关系。模块是复杂网络中内部连接密集但对外连接稀疏的节点集团。真实网络往往具有若干个相对独立而又相互联系的模块，具有不同功能的模块可以在不影响其他模块的情况下相对独立的演化发展，通过模块划分可以更加细致地区分大脑网络中不同节点的角色和地位。

传统的大脑网络研究往往假设在扫描过程中脑网络固定不变。最新研究表明，大脑功能网络随着时间动态变化，而且这种时变特性中蕴含着大量有用的信息。因此，研究动态大脑功能网络对于进一步挖掘大脑信息具有重要意义。与无权网络相比，加权网络更能反映大脑功能连接的实际情况。由于加权网络的复杂性远高于无权网络，以往研究中通常将权值简单阈值化处理，这就导致了权重信息的丢失，也给模块划分结果带来一定的误差性。

大脑功能网络是一种典型复杂网络，研究其模块划分对分析各脑区之间的协作关系有非常重要的意义。本方法构建动态功能网络并参考权重因素进行功能连接的模块划分，能够克服传统研究中脑网络固定不变的假设和将加权网络简单阈值化处理成无权网络带来的误差，为研究大脑网络的模块化特征提供了新的思路。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于加权网络的大脑功能连接模块划分方法。

为了解决背景技术所存在的问题，本发明采用以下技术方案：

对大脑功能磁共振成像进行预处理，采用标准化大脑分区模板与预处理后的图像进行匹配，提取各个脑区对应的时间序列；

进一步，利采用滑窗法分离每个窗口对应的子时间序列，计算同一窗口下各个脑区的子时间序列之间的相关系数，并将所有窗口的相关系数矩阵组合，构建大脑功能连接的动态加权网络；

进一步，定义W_i,j为任意两个节点i和j连接边的权重，由介数率Pc_i,j得出考虑权重时加权网络的边介数的值，

式中：是调节介数率影响的控制参数；

进一步，计算忽略权重的边介数B_i,j与Pc_i,j/W_i,j的比值，并移除该比值最大的连接边；

进一步，输出模块划分结果并计算模块度Q的值，