[发明专利]一种基于大脑功能网络特征的认知功能评分预测方法

权利要求书

1.一种基于大脑功能网络特征的认知功能评分预测方法，其特征在于：包括以下步骤：

步骤1：将采集到的每位受试者对应的功能性磁共振图像进行预处理操作，分别构建每位受试者的大脑功能网络；

步骤2：计算每位受试者大脑功能网络中的拓扑属性参数，并求出拓扑属性参数的曲线下面积，即大脑功能网络特征；

步骤3：基于神经心理学量表评估每位受试者的认知功能得到认知功能评分，计算每位受试者的认知功能评分与其大脑功能网络特征之间的相关系数，基于相关系数筛选大脑功能网络特征；

步骤4：将选取的大脑功能网络特征与每位受试者的认知功能评分组成一个数据集，并将数据集划分成训练集与测试集；利用最小二乘法支持向量回归建立拟合训练集中大脑功能网络特征与认知功能评分的预测模型，并将测试集中的大脑功能网络特征输入到预测模型中输出认知功能评分；

步骤5：引入莱维飞行优化鲸鱼算法，利用优化后的鲸鱼算法来优化预测模型中参数取值，获得优化参数后的预测模型，实现认知功能评分预测。

2.根据权利要求1所述的基于大脑功能网络特征的认知功能评分预测方法，其特征在于：所述步骤1具体为：

步骤1.1：采集所有受试者的功能性磁共振图像；

步骤1.2：对采集的功能性磁共振图像进行预处理操作；预处理功能性磁共振图像包括：首先转换图像格式，其次删除初始时间点的数据并校正时间点以及图像位置，然后对图像进行配准、平滑、去线性漂移以及滤波处理，最后去掉受试者的头动参数、全脑信号、白质和脑脊液，得到最终的时间序列；

步骤1.3：选定标准大脑分区模板与预处理后的功能磁共振图像进行匹配，划分大脑区域，每个脑区对应一组时间序列；计算两两脑区的时间序列之间的相关系数，得到一个对称矩阵P矩阵；通过傅里叶变换将P矩阵中的元素转换为接近于正态分布的值从而生成Z矩阵，变换过程如下：

式中，p_ij为P矩阵中的元素，表示第i个脑区和第j个脑区的时间序列之间的相关系数；z_ij为Z矩阵中的元素。

3.根据权利要求1所述的基于大脑功能网络特征的认知功能评分预测方法，其特征在于：所述步骤2中的拓扑属性参数包括：全局效率、局部效率、聚类系数、特征路径长度、标准化聚类系数、标准化特征路径长度及小世界属性。

4.根据权利要求1或3所述的基于大脑功能网络特征的认知功能评分预测方法，其特征在于：所述步骤2具体为：以矩阵稀疏度为阈值，将Z矩阵二值化，在矩阵稀疏度阈值范围内计算受试者的脑功能网络的拓扑属性参数后再计算拓扑属性参数的曲线下面积，即得到大脑功能网络特征。

5.根据权利要求1所述的基于大脑功能网络特征的认知功能评分预测方法，其特征在于：所述步骤3具体为：采用神经心理学量表评估每位受试者的认知功能，得到认知功能评分；采用皮尔逊相关性分析法计算受试者的大脑功能网络特征与认知功能评分之间的相关系数并进行排序；设置相关系数阈值，筛选出大脑功能网络特征中与认知功能评分之间的相关系数超过相关系数阈值的大脑功能网络特征。