【技术实现步骤摘要】
一种无超参数的大脑功能连接网络学习方法
[0001]本专利技术涉及生物医学信息处理
,具体是一种无超参数的大脑功能连接网络学习方法。
技术介绍
[0002]阿尔茨海默症是一种严重的中枢神经系统退行性疾病,多发病于老年人,病情缓慢且不可逆,临床上以进行性认知功能衰退为主;自闭症则归因于神经系统失调导致的发育障碍,从幼儿时期便表现出人际关系与语言交流障碍等明显特征。这两种脑疾病不仅严重影响患者的生活质量,而且给家庭及社会带来巨大的经济负担。因此,对此类脑疾病进行早期诊断、及时干预和治疗是临床的一大挑战。
[0003]近年来,基于血液氧合水平的静息态功能磁共振成像技术(functional Magnetic Resonance Imaging,fMRI)为神经疾病的研究提供了一种非侵入式的手段。然而,基于该成像方式得到的信号是相对且非定量的,简单地比较不同被试之间的信号强度没有意义。相比之下,大脑的功能连接网络不仅能定量地刻画血液氧合水平(bold
‑
oxygen
‑
level
‑
dependent,BOLD)信号之间的依赖关系,更为探索被试大脑内部的工作机制提供了一种可靠的媒介。
[0004]从数学角度而言,大脑的功能连接网络中的每个节点对应一个感兴趣的脑区,每条边对应两个脑区之间的交互关系。为了估计功能连接网络中的边,研究者已经提出许多不同的方法,其中包含皮尔逊相关系数,稀疏表示,动态时间翘曲距离以及动态因果模型。最近的一篇文章指出二阶方法相比 ...
【技术保护点】
【技术特征摘要】
1.一种无超参数的大脑功能连接网络学习方法,其特征在于包括以下步骤:(1)对于功能磁共振设备采集到的大脑功能图像进行如下预处理:去除磁共振图像的前p个时间点;对于图像进行头动和时间层矫正;去除由心室、白质信号和头动高阶效应产生的影响;校正后的图像配准到标准空间;对被试图像进行空间光滑和时间带通滤波;(2)基于一种标准化的大脑分区模板,对于被试大脑进行分区,并提取每个脑区的平均时间序列,且提取的时间序列表示为X=[x1,x2,
…
,x
i
,
…
,x
n
]∈R
t
×
n
,其中x
i
∈R
t
表示第i个节点的时间序列,t表示时间序列中时间的个数,n表示节点的数量;(3)对实验对象的时间序列利用无超参数模型计算两两脑区间的连接权重,得到一个时间序列的连接权重矩阵W∈R
n
×
n
,将连接权重矩阵W中元素w
ij
,j=1,...,n作为连接大脑功能连接网络节点i到节点j的权重元素;(4)定义无超参数模型如下所示:(4)定义无超参数模型如下所示:(4)定义无超参数模型如下所示:其中,约束是为避免得到退化解w
ij
=0,j=1,...,n,定义路径的最优值为f(w
ij
);(5)定义w=[w
12
,w
13
,
…
,w
1n
,w
23
,w
24
,
…
,w
n
‑
1,n
]
T
∈R
n(n
‑
1)/2
为连接权重矩阵W的上三角元素的行向量;定义d
i
=∑
j≠i
w
ij
为第i个节点的度,e
i
为一个单位列向量,其中第i个元素为1,其余元素值为0;定义W
i
=[w
i1
,w
i2
,
…
;w
in
]
T
为连接权重矩阵W的第i个列向量,则f(w
ij
)可被重新成如...
【专利技术属性】
技术研发人员:张丽梅,孙磊,张义宁,刘学彦,乔立山,
申请(专利权)人:聊城大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。