[发明专利]一种大脑功能网络的社团划分方法

摘要

本发明涉及一种大脑功能网络的社团划分方法，步骤如下：对大脑功能磁共振图像进行格式转换和预处理；将图像划为若干大脑区域，提取不同标准分区对应的时间序列；用组分析结果表示所有节点的值，计算脑区的相关系数，将相关系数矩阵中的元素作为初始值，求与连接节点距离最小的权值；定义最优节点及其邻域，将邻域节点对应的权值向节点值逼近；当连接权值稳定时视为收敛，得到社团数目和中心点；用隶属度矩阵定义社团中心点与成员的关系，确定中心点位置；计算目标函数，若函数值或其改变量小于阀值，输出各社团的成员和中心点，否则修正隶属度矩阵重新计算。通过上述方法可以研究大脑功能网络的空间交互模式并分析网络中是否存在关键成员。

主权项

一种大脑功能网络的社团划分方法，其特征在于包括以下步骤：(1)对磁共振设备采集到的大脑图像进行读取和格式转换；再进行时间矫正、头动校正、配准、分割结构像、空间标准化、平滑等预处理；最后进行低频滤波，降低低频漂移及高频的生物噪音。(2)选定一种标准化大脑分区模板(如AAL分区模板、Brodmann分区模板、CH2分区模板等)与预处理后的核磁图像进行匹配，划分图像为p个大脑区域，每个脑区分别对应脑功能网络中的一个节点。(3)计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列，通过多元线性回归分析去除一些由头动及全局脑信号造成的伪差异。(4)对一组实验对象的时间序列进行单样本T检验(One sample T‑test)，用得到的组分析结果X＝{X₁,X₂,…,X_p}表示脑功能网络中所有节点的值，进而计算两两脑区间的相关系数(如Pearson相关系数、Spearman相关系数和Kendall相关系数)，得到一个归一化的时间序列相关系数矩阵R^p×p。(5)将相关系数矩阵R中元素r_ij(i,j＝1,2,…,p)作为连接大脑功能网络节点i到节点j的权值向量初始值，找出所有r_ij中与x_i距离最小的连接权值向量r_ig。(6)定义节点g为最优节点，定义N_g(t)为最优节点的邻域，将N_g(t)中各个节点对应的连接权值向量向x_i逼近，训练方程为：${\mathrm{\Δr}}_{ij}=\mathrm{\η}\left(t\right)\left|x_i^k-r_{ij}\right|,r_{ij}=r_{ij}+{\mathrm{\Δr}}_{ij}\·---\left(1\right)$式中，t为训练次数，η(t)为第t次训练的学习率，随训练次数的增加而递减；x_i为脑功能网络第i个节点的值；Δr_ij为节点i与节点j之间的连接权值变化量，j∈N_g(t)。(7)当连接权值稳定时视为收敛，得出社团数目c(2≤c)和社团中心点的值V＝{v₁,v₂,...,v_c},v_i∈X^p；否则，改变训练次数，重复步骤(6)继续迭代。(8)用一个c×n的二维隶属度矩阵U定义社团中心点与社团成员之间的关系，U中的元素u_ij代表节点j属于社团i的程度，u_ij∈[0，1]且重新确定大脑功能网络中各个社团中心点的值式中，m∈(1,∞)为加权指数。(9)计算目标函数J$J(X;U,V)=\underset{i=1}{\overset{c}{\Σ}}{J}_i=\underset{i=1}{\overset{c}{\Σ}}\underset{j}{\overset{n}{\Σ}}{u}_{ij}^m\left|\right|x_j-v_i|{|}^2---\left(4\right)$式中，||x_j‑v_i||为第i个社团中心与第j个成员间的欧几里德距离。如果J的值小于一个确定的阀值ε，或相对J上一次迭代的改变量小于阀值Δε，则算法停止，输出大脑功能网络各社团的成员和中心点；否则，执行步骤(10)。(10)根据公式(3)修正隶属度矩阵U，其中$u_{ij}=\frac{1}{\underset{k=1}{\overset{c}{\Σ}}{\left(\frac{\left|\right|x_j-v_i\left|\right|}{\left|\right|x_j-v_k\left|\right|}\right)}^{2/(m-1)}},1\≤i\≤c,1\≤j\≤n.---\left(5\right)$并返回步骤(8)。