[发明专利]一种基于脑网络拓扑结构的自适应hub节点识别方法

说明书

本发明公开了一种基于脑网络拓扑结构的自适应hub节点识别方法，首先确定脑网络的基本数学模型；构建自适应hub识别的能量函数；再确定自适应hub识别的最优化方法；之后预处理真实的神经影像数据，最后执行优化算法求取hub节点。本发明的自适应hub识别方法可以依靠在方法中加入的自适应识别策略自动为每个网络选择最佳的hub数目，极大的提高了识别hub脑区的准确性和效率。

技术领域

本发明涉及脑网络的hub识别方法领域，具体涉及一种基于脑网络理论的自适应选择最优hub数目的识别方法。

背景技术

随着网络科学的迅速发展，我们能够在大规模大脑网络的背景下通过共享解剖或功能关系的模式来研究大脑功能。大脑是一个由多个脑区组成的复杂系统,各脑区间通过白质纤维实现结构上的互连,从而构成一个结构化的脑网络。与许多其他的真实网络一样,脑网络表现出小世界和分层网络组织的特征。因此,在整个脑网络中存在少量支持大多数认知功能和信息交互的关键中枢(hub)脑区。。

根据各hub脑区在脑网络的拓扑结构中分担的不同作用,通常将其归类为省级hub与连接器hub。由于连接器hub促进了多个局部脑群间的信息交互,人们越来越一致认为,相较于省级hub的损害,连接器hub的损害对全脑的破坏更为广泛,即连接器hub。此外,越来越多的证据表明，中枢区域广泛参与一系列不同的认知功能，因此在理解与神经系统疾病相关的网络改变方面具有巨大的潜力。例如，淀粉样蛋白-β是阿尔茨海默病(AD)中发现的重要神经病理生物标志物之一。有趣的是，网络分析发现，淀粉样蛋白β的高浓度沉积专门发生在大脑网络中那些被确定为关键hub的区域。此外，hub的变化被发现与其他疾病的临床测量更相关，如精神分裂症、强迫症(OCD)和昏迷。

在神经科学中，对大脑网络的一般研究和关注hub脑区重要性的研究极大地扩展了我们对正常和异常大脑功能的理解。同时对个别患者的大脑hub区域的分析将有助于一系列神经和精神疾病的诊断、预后和/或个性化治疗计划。然而，hub脑区的准确性和可靠性还没有达到临床应用所需的水平。因此，我们必须继续开发方法，以实现足以将生物标记物推向临床的准确性和可靠性。多项研究表明，连接器hub的损坏会导致更多的网络中断。因此，识别大脑网络中的连接器hub对于量化个体之间的网络差异以及单个个体的网络随时间的变化至关重要。许多证据表明，hub节点在大脑交流和神经整合中发挥着核心作用。然而，如此高的中心性使得中心节点特别容易受到病理网络改变的影响，因此研究从大脑网络中准确识别中心节点的位置和数目的方法非常重要。

关于hub节点的识别，通常有两种方法，一种是简单的基于排序的方法，它简单地根据节点的中心性相关的一些参数(如度数、聚类系数、介数、特征向量中心性等)进行排序来选择hub节点，这种方法通过排序逐个选择节点，没有考虑整个复杂网络各节点之间的相互依赖性，有些节点需要同时被识别出来而不是依次按顺序识别。还有一种是基于网络模块化的方法，人脑是一个由专门的网络模块组成的分层组织系统，因此可以通过确定最佳模块分区并根据与模块分区相关的连接多样性来确定hub节点，但是由于复杂的大脑网络，检测模块网络变得很困难，还有模块的区分还是采用了排序的方法。这两种方法都忽略了hub节点之间的相互依赖性以及寻找节点时没有考虑整个网络的拓扑结构，这样会导致识别的hub数目会出现冗余。

针对这些问题，我们提出了一种新颖的基于脑网络拓扑结构的自适应识别hub节点的方法，尽管几种基于脑网络拓扑结构的hub脑区识别方法已被提出，我们的方法可以通过脑网络的拓扑结构，同时考虑到大脑网络中存在小世界的特性，比起传统方法，多了一种自适应策略来自动为每个单独的网络选择最佳的hub数目，而不是通过实验估计hub数目。

发明内容

本发明提出一种基于脑网络拓扑结构的自适应hub脑区识别方法。该方法通过一种自适应策略来自动为每个单独的网络选择最佳的hub数目，在网络中准确找出hub脑区的位置，省略了通过实验来估计hub数目的一些步骤，提高了寻找hub脑区的效率和准确性。

一种基于脑网络拓扑结构的自适应hub节点识别方法，步骤如下：