[发明专利]一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法

权利要求书

1.一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，包括以下步骤：

步骤S1：数据预处理并构建大脑连接性矩阵；

步骤S2：复杂脑网络度量；

步骤S3：基于局部性度量指标获取关键脑区；

步骤S4：基于二值化脑网络进行NBS分析，获取重要脑区并计算全局性度量指标；

步骤S5：提取特征向量并进行分类。

2.根据权利要求1所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，步骤S1中所述数据预处理，具体包括：基于多模态脑分区方法，对阿尔茨海默症患者的大脑进行功能区域分割，将整体大脑细分为360个脑区，进行精细脑分区。

3.根据权利要求2所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，步骤S1中所述构建大脑连接性矩阵，具体包括以下步骤：

步骤A1：对360个脑区之间的功能性磁共振数据进行相关分析，形成360*360大小的复杂脑网络邻接矩阵，用来衡量大脑各个功能性脑区之间的连接状态；

步骤A2：对所述复杂脑网络邻接矩阵进行阈值处理，去除噪声和干扰信息，获得大脑连接性矩阵。

4.根据权利要求1所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，步骤S2中所述复杂脑网络度量，具体包括以下步骤：

步骤B1：基于大脑连接性矩阵构建对应的加权脑网络；

步骤B2：将加权脑网络中的有效连接设为1，其它连接设为0，同时将位于对角线上的连接权重设为0，形成二值化脑网络；

步骤B3：计算二值化脑网络的全局性度量指标和局部性度量指标。

5.根据权利要求4所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，所述全局性度量指标包括复杂脑网络全局效率、同配性系数、小世界特性指数、特征路径长度、层次结构和同步性系数。

6.根据权利要求4所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，所述局部性度量指标包括复杂脑网络各节点度、局部效率、介数中心性、聚集系数、特征向量中心性和最短路径。

7.根据权利要求4所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，步骤S3中基于局部性度量指标获取关键脑区，具体包括：分别对六种局部性度量指标进行F检验，选择满足P-value0.01的脑区作为关键脑区，获得36个关键脑区，进而获得36个关键脑区对应的36*36连接矩阵。

8.根据权利要求4所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，步骤S4的具体过程，包括以下步骤：

步骤C1：对二值化脑网络对应的二值化连接矩阵进行NBS分析，获取阿尔茨海默症AD患者、早期轻度认知障碍EMCI患者和晚期轻度认知障碍LMCI患者的连通模式，选择满足P-value0.001的脑区作为重要脑区，获得24个重要脑区，进而获得24个重要脑区对应的24*24连接矩阵；

步骤C2：计算24*24连接矩阵的全局性度量指标，比较360*360连接矩阵与24*24连接矩阵的全局性度量指标。

9.根据权利要求7所述的一种基于复杂脑网络的阿尔茨海默症特征提取及分类方法，其特征在于，步骤S5的具体过程，包括以下步骤：

步骤D1：再次计算36个关键脑区的全局性度量指标和局部性度量指标，并通过Finser特征提取算法提取特征向量；

步骤D2：采用机器学习算法，对步骤D1提取的特征向量进行二分类建模。