[发明专利]一种高阶动态功能连接网络的时序不变特征提取方法

说明书

本发明公开了一种高阶动态功能连接网络的时序不变特征提取方法，主要步骤为：(1)对于给定的滑动窗窗宽和步长，将整个磁共振序列分割为多个子序列；(2)计算每个子序列内的各个脑区之间相关性，得到动态功能连接网络，进而计算任意两个脑区的动态功能连接序列的中心矩特征；(3)对于动态功能连接网络的每一个子序列，将每个脑区与其他脑区的连接序列视为一个一维随机序列，计算任意一对脑区的相关性，进而构建了一个高阶动态功能连接网络并获取它的中心矩特征。本发明利用中心矩特征作为动态功能连接网络及高阶动态功能连接网络的时序不变特征，能够捕获脑功能连接的深层次关联关系，为后续的医学图像处理提供了稳定特征。

◆ 技术领域

本发明涉及神经影像和机器学习的技术领域，具体涉及一种高阶动态功能网络的时序不变特征提取方法。

◆ 背景技术

静息态功能磁共振图像（rs-FMRI，resting-state functional magneticresonance imaging）是在被试者避免系统性思维活动环境下，基于脑神经活动所引起的血氧变化而产生的磁振造影技术，是人类探知大脑活动规律的一种十分有效的神经影像方式。由于rs-FMRI具有无创性和无辐射损害性以及较高的时空分辨率，目前已在认知科学、神经科学、药理学和精神疾病等领域的应用十分广泛。

为了有效提取和利用rs-FMRI所包含的信息，需要采用一定的策略和方法对rs-FMRI数据进行处理，用以捕获rs-FMRI所蕴含的重要特征。其中基于滑动窗策略的动态功能连接网络(D-FCN，dynamic functional connectivity network)是捕获rs-FMRI细微动态变化特征的重要方式。对于一个个体，令表示第i个脑功能区的平均rs-FMRI时间序列，其中M表示整个扫描时间段内的采样数目，N表示大脑皮层的功能区数目。则D-FNC构建的基本步骤可表述为：

1）将整个扫描时间段内的rs-FMRI划分为多个rs-FMRI子序列。

利用滑动窗技术，将rs-FMRI时间序列分割为K个子序列，即：

(1)

其中表示rs-FMRI的子序列数目，T表示滑动窗宽，S表示滑动步长。

）D-FCN构建。

对第个子窗口的rs-FMRI序列，计算序列之间相关性。即

(2)

显然是一个相关性矩阵，描述了任意一对脑区/在一个短时间内的相关性。基于公式（1），我们可以得到/个相关性序列，即

(3)

其中，描述了任意一对脑区随着扫描时间而发生的变化。

目前，已有众多证据表明：基于滑动窗策略所构建的D-FCN，能够较好反应脑区之间连接的动态变化，而且这种变化可以揭示不同个体之间脑组织以及脑功能之间的差异性，因此在认知科学、神经科学、药理学和精神疾病等领域存在巨大的应用前景。

然而，尽管D-FCN为我们了解大脑活动提供了一个新渠道，但是D-FCN存在以下几个明显的缺点：（1）D-FCN对时间顺序特别敏感。即在静息态环境下，不同个体在整个磁共振扫描时间区间的脑神经活动规律，并不具备时间上的一致性。也就是说，不同个体在同一个磁共振扫描时间段内的脑区之间的相关性并不一致。因此，对不同个体而言，沿着扫描时间的动态功能连接子序列（即D-FCN）存在时间上的错匹配。（2）D-FCN只是反映了任意两个脑区之间的动态连接特性，无法反映多个脑区之间的关联关系。所以，采用何种方法获取D-FCN时序不变特征和多个脑区之间的关联关系，仍是当今有待解决的难题。