[发明专利]一种脑功能超网络模型的鲁棒性评估方法

权利要求书

1.一种脑功能超网络模型的鲁棒性评估方法，其特征在于，包括以下步骤：

S1：获取静息态功能磁共振影像数据，并对影像数据进行预处理；

S2：根据选定的标准化脑图谱，对预处理后的影像数据中各脑区进行平均时间序列的提取；

S3：通过各脑区的平均时间序列，构建稀疏线性回归模型；并基于覆盖组套索方法，求解稀疏线性回归模型，得到脑功能超网络模型；

S4：计算脑功能超网络模型中的节点度和介数中心度；

S5：利用节点度、介数中心度分别对脑功能超网络模型进行蓄意攻击，以模拟脑疾病状态的功能紊乱过程；

进行蓄意攻击的过程具体包括：S51将得到的节点度和介数中心度按照从大到小的顺序排序，并按排序后的顺序作为蓄意攻击的攻击次序；S52选择攻击节点并删除，删除的节点即为失效节点，获取失效节点与其它相连节点间的连接强度γ；S53比较连接强度γ与脑功能超网络模型连接强度阈值p，若γ≥p，则删掉相关节点间的一段超边，其余段保留；S54重复步骤S52-S53，攻击节点的数目由0依次增加到使脑功能超网络模型的最大连通子图为1为止；

S6：计算故障后的脑功能超网络模型的全局效率和最大连通子图相对大小；

S7：调整攻击节点比例，获取随攻击节点比例变化的全局效率和最大连通子图相对大小，评估脑功能超网络模型的鲁棒性。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中，预处理步骤具体包括：S11对影像数据进行时间层校正；S12对影像数据进行头动校正；S13通过仿射变换和局部非线性变换方法将影像数据进行空间标准化；S14对影像数据进行低频滤波，得到预处理后的影像数据。

3.根据权利要求2所述的方法，其特征在于，在步骤S2中，提取各脑区的平均时间序列具体包括：S21依据自动解剖标记脑图谱模板，将预处理后的影像数据划分成90个脑区，其中左右半脑各45个；S22依照每个脑区包含的所有体素在不同时间点上的BOLD，计算各体素在不同时间点上的BOLD的算术平均值，得到每个脑区的平均时间序列。

4.根据权利要求1所述的方法，其特征在于，在步骤S3中，求解稀疏线性回归模型具体包括：

所述稀疏线性回归模型如下所示：

x_m＝A_mα_m+τ_m

其中，x_m表示第m个脑区的平均时间序列，A_m＝[x₁,x₂,...,x_m-1,0,x_m+1,...x_M]表示除第m个脑区之外的所有脑区的平均时间序列，α_m表示权重向量，τ_m表示噪声；

对各脑区进行聚类，利用覆盖组套索方法进行超边构建，优化目标函数如下：

其中，||·||₂表示l₂范数，||·||₁表示l₁范数，x_m表示第m个脑区的平均时间序列，A_m表示除第m个脑区之外的所有脑区的平均时间序列，α_m表示权重向量，λ₁表示一个正则化参数，用于调整组内的稀疏性以控制非零组中的非零系数；λ₂表示另一个正则化参数，用于调整组级稀疏性来控制具有非零系数的组的数目；G_j表示一个组；

针对每个被试，基于每一个选定的脑区，固定λ₂值，以(0.1，0.9)为区间且增量为0.1，来变换λ₁值，α_m中非零元素对应的脑区与选定的脑区生成超边，最后所有超边组合构成脑功能超网络模型。