[发明专利]基于特征模态与分层模块的脑功能模式特征提取方法

权利要求书

1.基于特征模态与分层模块的脑功能模式特征提取方法，其特征在于，包括如下步骤：

步骤1：对大脑fMRI图像数据进行预处理；

步骤2：构建动态功能连接网络

预处理之后，采用AAL图谱将大脑fMRI图像数据划分为n＝90个脑区；在每个脑区内，将所有体素信号进行叠加平均，得到每个脑区的fMRI时间序列之后，构建动态功能连接网络；

具体构建动态功能连接网络的方法为：

将时间序列划分为时间片段，在每个时间片段内，计算i和j两个脑区fMRI信号的皮尔森相关系数

和是脑区i和脑区j从时间t到时间t+W之间的fMRI时间序列；和是时间序列的平均值；W是滑动时间窗的宽度；L是每个脑区的时间序列长度；m为第m个时间点；

将皮尔森相关系数作为t时刻，脑区i和脑区j之间的功能连接；由于皮尔森相关系数有可能为负值，将负的功能连接设为0，功能矩阵对角线元素保持为1；

将动态功能连接网络记为C(t)，其元素

步骤3：特征模态分解

对于任意时刻t的动态功能连接网络C(t)都可以分解为C＝UΛU^T,其中U为特征向量，Λ为特征值，U^T为特征向量U的转置；在特征谱空间中，按照特征值从大到小的顺序，对特征模态进行排序；根据排序后的特征模态对动态功能连接网络进行分层模块划分；

步骤4：计算动态功能连接网络的动态特征

具有更多模块的高阶模态与更局部的整合过程有关，产生更高的功能性分离，并伴随着较低的贡献度；尤其是具有最高模块数量的模态产生完全分离的过程，并且需要很小的贡献度；因此，具有较大模块数量的功能模态会产生较强的功能性分离和较小尺度的局部整合，对应的贡献度较弱，即特征值较小；

首先根据动态功能连接网络第k层的特征值Λ_k和模块数量M_k，定义反映每层包含的功能性分离与整合成分；H_k为每层包含的功能性分离与整合成分；N＝90，N为模块划分的层数；k为动态功能连接网络的层数；将所有层的H_k进行平均，得到整个动态功能连接网络的分离与整合成分指标H_F，由于每个被试者的H_F随时间动态变化，进一步计算H_F的方差F，通过F来刻画动态功能连接网络在分离与整合状态之间切换的灵活性；在静息态下大脑的灵活性指标为F_Rest，任务态下大脑的灵活性指标为F_Task；其中为H_F在时间上的均值，L为H_F时间序列的长度；F越大，表明大脑具有更高的灵活性；

步骤5：动态功能连接网络动态特征与认知行为的关系

任务态下大脑的灵活性指标F_Task显著大于在静息态下大脑的灵活性指标F_Rest，表明任务态大脑需要更高的灵活性；分别对F_Rest、F_Task、灵活性差别ΔF与行为指标RT/(Stdev(RT))之间建立稳建线性回归模型，从而分析大脑动态功能连接网络动态特征与认知行为之间的关系；其中，灵活性差别ΔF＝F_Rest-F_Task；结果表明：F_Rest、F_Task、灵活性差别ΔF分别与行为指标表现出显著的线性关系。