基于同质约束多集典型相关分析的大脑连接网络构建方法技术

本发明专利技术公开了一种基于同质约束多集典型相关分析的大脑连接网络构建方法，包括：1、将收集到的功能磁共振图像进行预处理，提取大脑所有体素的时序信号，并按照脑区进行整理，构建数据集；2、通过同质约束多集典型相关分析算法，计算出脑区内体素对应的权重向量；3、将每个脑区对应的权重向量映射到个体水平上，计算出每个脑区的表征信号，并利用表征信号计算脑区间两两的相关性作为连接强度；4、根据连接强度的符号构建大脑共变和逆变连接网络。本发明专利技术利用功能磁共振成像数据有效提取各个脑区的表征信号，解决了大脑共变和逆变连接网络构建问题，有助于研究大脑的功能分区和连接模式，加深人们对大脑功能分化和整合的认识。加深人们对大脑功能分化和整合的认识。加深人们对大脑功能分化和整合的认识。

【技术实现步骤摘要】
基于同质约束多集典型相关分析的大脑连接网络构建方法


[0001]本专利技术涉及医学信号处理领域，尤其涉及大脑连接网络构建方法。

技术介绍

[0002]大脑连接网络展示了大脑各个区域之间的相互作用，能够加深人们对大脑的认识，促进对大脑功能的研究和理解。前期的研究表明，大脑连接网络的特征可以辅助神经系统疾病的研究，例如抑郁症、阿尔茨海默症和帕金森病等。大脑连接网络可以通过脑磁图(MEG)、脑电图(EEG)和功能磁共振成像(functional magnetic resonance imaging，fMRI)等现代神经成像技术进行构建。其中，fMRI因其具有较高的空间分辨率和无创性而被广泛应用。大脑连接网络通常在体素水平或者脑区(region ofinterest，ROI)水平构建。前者使用每个体素作为网络的节点，会导致网络的维数很高，计算困难，而且容易受到噪声的干扰，影响后续的分析。后者使用每个ROI作为节点，能够更有效地构建大脑连接网络，得到了越来越多的关注。
[0003]近年来，各种各样基于fMRI的ROI水平上的大脑连接网络构建方法被提出。其中最常见的方法包括相关性方法，聚类算法，以及盲源分离算法，如独立成分分析(independent component analysis，ICA)、非负矩阵分解(non
‑
negative matrix factorization，NMF)和典型相关分析(canonical correlation analysis，CCA)等。
[0004]然而，目前大部分的方法仍然面临以下问题。首先，在ROI水平上构建的大脑连接网络需要合理地表征脑区的活动。目前最常用的方法是选取一个代表体素的时间序列或者使用所有体素的平均时间序列来代表整个脑区的活动。这些做法忽略了不同体素之间的差异，会引起较大的偏差。而使用所有体素的加权平均时间序列，如主成分分析(principle component analysis，PCA)，来代表脑区的活动，具有较差的可重复性。并且，在表征脑区活动时，需要保证选取体素具有较强的同质性。此外，在估计大脑连接网络时，很多方法只考虑了脑区间的共变关系，而忽略了逆变关系，从而导致只研究了正相关的连接网络，没有关注负相关的连接网络，无法全面地探究大脑的功能以及脑区间的相互作用。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于同质约束多集典型相关分析的大脑连接网络构建方法，以期能够更准确的表征脑区活动用于构建连接网络，从而能深入探究大脑的各种连接模式，为研究大脑的功能提供新的方法。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于同质约束多集典型相关分析的大脑连接网络构建方法的特点是按如下步骤进行：
[0008]步骤一：使用信号采集设备获取S个个体的功能磁共振成像信号并配准到标准模板后，再按照给定的M个脑区进行划分，从而得到总的样本数据集{X
k
|k＝1,2,...,M}，表示S个个体配准后的第k个脑区样本数据集，T为样本长度，P
k
为第k个脑区内的
体素数量，且X
k
＝[X
k
′
(1)
,X
k
′
(2)
,...,X
k
′
(i)
,...,X
k
′
(S)
]′
，[
·
]′
表示矩阵的转置，表示第i个个体中第k个脑区内的信号，X
k
′
(i)
表示的转置；
[0009]步骤二：利用同质约束多集典型相关分析算法对总的样本数据集{X
k
|k＝1,2,...,M}进行计算，得到每个脑区样本数据集的权重向量{w
k
|k＝1，2,...,M}，其中，w
k
表示第k个脑区样本数据集的权重向量；
[0010]步骤三：计算第i个个体中第k个脑区的表征信号并将第i个个体中第k个脑区内的表征信号和第j个脑区的表征信号之间的相关系数作为第i个个体中第k个脑与第j个脑区的连接强度，从而得到S个个体中第k个脑与第j个脑区的连接强度；其中，表示第i个个体中第j个脑区内的信号，w
j
表示第j个脑区样本数据集X
j
的权重向量；
[0011]步骤四：对第k个脑区和第j个脑区之间的S个连接强度进行符号检验，若检验结果为正号，则表示第k个脑区和第j个脑区之间的连接关系为共变连接；若检验结果为负号，则表示第k个脑区和第j个脑区之间的连接关系为逆变连接；若检验结果不显著，则表示第k个脑区和第j个脑区之间的连接关系不显著；
[0012]步骤五：由M个脑区中各个脑区之间的连接关系为共变连接的脑区构成一个大脑共变连接网络；由M个脑区中各个脑区之间的连接关系为逆变连接的脑区构成一个大脑逆变连接网络。
[0013]本专利技术基于同质约束多集典型相关分析的大脑共变逆变连接网络构建方法的特点也在于，所述同质约束多集典型相关分析算法是按如下步骤进行：
[0014]步骤2.1、利用式(1)构建在权重向量的符号一致约束条件下，以最大化M个脑区表征信号之间的相关系数平方和为目标的优化模型：
[0015][0016]式(1)中，w
k
≥0或w
k
≤0代表第k个脑区样本数据集的权重向量w
k
的P
k
个元素都是非负或者非正的，w
′
k
表示w
k
的转置；
[0017]步骤2.2、使用内点法和牛顿法对所述优化模型进行迭代求解：
[0018]步骤2.2.1：利用式(2)构建损失函数L(w,s,λ)：
[0019][0020]式(2)中，w表示权重矩阵，且w＝[w
′1,...,w
′
k
,...,w
′
M
]′
，s＝[s
′1,...,s
′
m
,...,s
′
M+1
]′
为松弛矩阵，s
m
表示第m个松弛变量，s
′
m
表示s
m
的转置，λ＝[λ1,...,λ
m
,...,λ
M+1
]′
为拉格朗日乘子矩阵，λ
m
表示第m个拉格朗日乘子，μ为正的障碍参数，f(w)＝
‑
trace(ZZ
′
)为M个脑区之间两两脑区相关系数平方和的相反数，trace表示矩阵的迹，Z＝[w
′
k
X
′
k
X
j
w
j
]M
×...

【技术保护点】

【技术特征摘要】
1.一种基于同质约束多集典型相关分析的大脑连接网络构建方法，其特征在于，是按如下步骤进行：步骤一：使用信号采集设备获取S个个体的功能磁共振成像信号并配准到标准模板后，再按照给定的M个脑区进行划分，从而得到总的样本数据集{X
k
|k＝1,2,...,M}，表示S个个体配准后的第k个脑区样本数据集，T为样本长度，P
k
为第k个脑区内的体素数量，且[
·
]
′
表示矩阵的转置，表示第i个个体中第k个脑区内的信号，表示的转置；步骤二：利用同质约束多集典型相关分析算法对总的样本数据集{X
k
|k＝1,2,...,M}进行计算，得到每个脑区样本数据集的权重向量{w
k
|k＝1，2,...,M}，其中，w
k
表示第k个脑区样本数据集的权重向量；步骤三：计算第i个个体中第k个脑区的表征信号并将第i个个体中第k个脑区内的表征信号和第j个脑区的表征信号之间的相关系数作为第i个个体中第k个脑与第j个脑区的连接强度，从而得到S个个体中第k个脑与第j个脑区的连接强度；其中，表示第i个个体中第j个脑区内的信号，w
j
表示第j个脑区样本数据集X
j
的权重向量；步骤四：对第k个脑区和第j个脑区之间的S个连接强度进行符号检验，若检验结果为正号，则表示第k个脑区和第j个脑区之间的连接关系为共变连接；若检验结果为负号，则表示第k个脑区和第j个脑区之间的连接关系为逆变连接；若检验结果不显著，则表示第k个脑区和第j个脑区之间的连接关系不显著；步骤五：由M个脑区中各个脑区之间的连接关系为共变连接的脑区构成一个大脑共变连接网络；由M个脑区中各个脑区之间的连接关系为逆变连接的脑区构成一个大脑逆变连接网络。2.权利要求1所述的基于同质约束多集典型相关分析的大脑共变逆变连接网络构建方法，其特征在于，所述同质约束多集典型相关分析算法是按如下步骤进行：步骤2.1、利用式(1)构建在权重向量的符号一致约束条件下，以最大化M个脑区表征信号之间的相关系数平方和为目标的优化模型：式(1)中，w
k
≥0或w
k
≤0代表第k个脑区样本数据集的权重向量w
k
的P
k
个元素都是非负或者非正的，w
′
k
表示w
k
的转置；步骤2.2、使用内点法和牛顿法对所述优化模型进行迭代求解：步骤2.2.1：利用式(2)构建损失函数L(w,s,λ)：式(2)中，w表示权重矩阵，且w＝[w
′1,...,w
′
k
,...,w
′
M
]
′
，s＝[s
′1,...,s
′
m
,...,s
′
M+1
]
′
为松弛矩阵，s
m
表示第m个松弛变量，s
′
m
表示s
m
的转置，λ＝[λ1,...,λ
m
,...,λ
M+1
]
′
为拉
格朗日乘子矩阵，λ
m
表示第m个拉格朗日乘子，μ为正的障碍参数，f(w)＝
‑
trace(ZZ
′
)为M个脑区之间两两脑区相关系数平方和的相反数，trace表示矩阵的迹，表示脑区活动的相关性矩阵，g＝[g1,...,g
m
,...,g
M+1
]'为约束函数矩阵，g
m
表示第m个约束函数，且g
m
(w)＝w'A
m
w
‑
1+s
m
，X
m
表示第m个脑区样本数据集，X
′
m
表示X
m
的转置，diag表示对角矩阵，第M+1个约束函数g
M+1
(w)＝
‑
w+s
M+1
，s
M+1
表示第M+1个松弛变量；步骤2.2.2：定义外迭代次数为n，定义内迭代次数为t，给定参数σ∈(0,1)，并初始化n＝1，将第n次外迭代下的M个权重向量初始化为M个单位向量，其中，表示第n次外迭代下的第k个权重向量，并初始化为第k个单位向量，将第n次外迭代下的松弛矩阵s
(n)
初始化为全1矩阵，将第n次外迭代下的拉格朗日乘子矩阵λ<...

【专利技术属性】
技术研发人员：刘爱萍，凌钦睿，李煜，闻捷，钱若兵，韦炜，陈勋，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：