一种基于网络稀疏度阈值选择的脑功能网络构建方法技术

本发明专利技术公开了一种基于网络稀疏度阈值选择的脑功能网络构建方法，所述方法包括：将初始脑功能网络的矩阵进行稀疏化处理，定义矩阵的稀疏度S为矩阵中数值为0的边与所有的边数的比例，若网络的稀疏度为0.01，则连接权重在前99％的边被保留；基于小世界属性对功能网络进行第一级稀疏度阈值范围限定，对稀疏度在0.01至0.99范围内的功能网络进行小世界属性分析；基于模块稳定性对功能网络进行第二级稀疏度阈值范围限定；经过两级稀疏度阈值的限定，得到最终的稀疏度阈值范围[S3,S4]，完成脑功能网络的构建。本发明专利技术构建了具有高准确性和鲁棒性的脑功能网络。鲁棒性的脑功能网络。鲁棒性的脑功能网络。

【技术实现步骤摘要】
一种基于网络稀疏度阈值选择的脑功能网络构建方法


[0001]本专利技术涉及脑功能网络构建
，尤其涉及一种基于网络稀疏度阈值选择的脑功能网络构建方法。

技术介绍

[0002]功能磁共振成像(functional magnetic resonance imaging,fMRI)通过探测脑血氧水平信号的变化，可以实现对大脑内部功能活动的非侵入成像。大量基于fMRI的研究发现大脑在静息状态下并非保持静止不动，而是处于持续不断的神经活动中，并且，从fMRI信号中发现大脑不同区域之间具有低频震荡的同步性。由此，具有大脑内多区域协同工作模式的脑网络逐渐成为人类探索视觉、听觉、运动、语言、情感、认知等脑工作机制的重要技术手段，也对精神疾病病理生理机制的探索具有重要价值。
[0003]脑功能网络的构建主要涉及两个要素，即网络的节点和网络的边。节点通常由基于脑结构或功能进行脑区分割的脑图谱(例如：AAL脑图谱、Harvard
‑
Oxford脑图谱、Dosenbach脑图谱)进行定义；边通常由各脑区之间fMRI时间序列的相关性(例如：Pearson相关系数、偏相关系数)来表示。但是，由相关系数进行度量的脑网络的边的权重值通常为
‑
1到1的连续值，其中包含大量伪连接，影响功能网络构建的精准性。因此，需要对初始功能网络进行阈值化处理来去除伪连接，以保证功能网络的准确性和鲁棒性。
[0004]目前，对于如何选取网络阈值还没有统一的方法。近年来有研究人员提出基于主观定义、度分布等方法对功能网络进行阈值化处理，但存在主观性强、理论基础不充分、准确性低等缺点。

技术实现思路

[0005]本专利技术提供了一种基于网络稀疏度阈值选择的脑功能网络构建方法，本专利技术基于人脑具有高效信息处理模式的考量，利用脑功能网络小世界属性[1]与模块化[2]属性的拓扑特征，以去除功能网络中的伪连接，构建具有高准确性和鲁棒性的脑功能网络，详见下文描述：
[0006]一种基于网络稀疏度阈值选择的脑功能网络构建方法，所述方法包括：
[0007]将初始脑功能网络的矩阵进行稀疏化处理，定义矩阵的稀疏度S为矩阵中数值为0的边与所有的边数的比例，若网络的稀疏度为0.01，则连接权重在前99％的边被保留；
[0008]基于小世界属性对功能网络进行第一级稀疏度阈值范围限定，对稀疏度在0.01至0.99范围内的功能网络进行小世界属性分析；
[0009]基于模块稳定性对功能网络进行第二级稀疏度阈值范围限定；
[0010]经过两级稀疏度阈值的限定，得到最终的稀疏度阈值范围[S3,S4]，完成脑功能网络的构建。
[0011]其中，小世界属性分析为：
[0012][0013][0014][0015][0016][0017]其中，γ为标准化的聚类系数，λ为标准化的特征路径长度，C
random
表示随机网络的聚类系数，C
real
表示真实网络的聚类系数，表示随机网络的特征路径长度，L
real
表示真实网络的特征路径长度，N表示网络中所有的节点集合，n表示节点的个数，k
i
表示节点i的节点度，t
i
表示节点i周围组成三角形连接的个数，d
ij
表示节点i与节点j之间特征路径的长度，C表示网络的聚类系数，用于计算C
random
和C
real
，C
i
表示节点i的聚类系数，L表示网络的特征路径长度，用于计算L
random
和L
real
，L
i
表示节点i的特征路径长度，筛选满足条件σ>1.1的脑功能网络所对应的稀疏度值，将满足此标准的稀疏度范围限定为S∈[S1,S2]。
[0018]其中，所述基于模块稳定性对功能网络进行第二级稀疏度阈值范围限定具体为：
[0019]根据模块索引构建模块连接矩阵，所属同一模块的节点间的连接权重为1(MCM
s
(i,j)＝1，M
s
(i)＝M
s
(j))，所属不同模块的节点间的连接权重为0(MCM
s
(i,j)＝0，M
s
(i)≠M
s
(j))；
[0020]定义不同稀疏度x，y下MCM矩阵之间的距离参数D
x,y
作为模块稳定性指标：
[0021][0022]其中，MCM
x
(i,j)是稀疏度x下的模块连接矩阵，MCM
y
(i,j)是稀疏度y下的模块连接矩阵，n是节点个数，i和j表示节点，x和y为稀疏度，得到不同稀疏度下MCM矩阵的距离之后，进行0
‑
1归一化处理，设置限定条件D
x,y
<0.3，稀疏度阈值范围进一步限定在S∈[S3,S4]。
[0023]进一步地，所述模块索引为：
[0024]对S∈[S1,S2]范围内每个稀疏度下的功能网络，基于图论对每个节点的模块索引进行计算，模块化指标Q值定义如下：
[0025][0026]其中，A是网络所对应的邻接矩阵，当脑区i和脑区j存在连接时，则A
ij
＝1；m是网络中所有的连接数；k
i
和k
j
分别是脑区i和脑区j的度数；S
ir
是n*r的矩阵，其中n是节点个数，r是网络模块数，如果节点i属于模块r，则S
ir
＝1；根据Q值最大时的模块划分情况确认模块索引M
s
，由n*1的向量表示。
[0027]本专利技术提供的技术方案的有益效果是：
[0028]1、本专利技术基于人脑具有高效信息处理模式的考量，利用脑功能网络小世界属性与模块化组织结构的拓扑特征来优化功能网络，提出一种基于网络稀疏度阈值选择的脑功能网络构建方法，由此方法构建的功能网络具有显著的小世界属性与稳定的模块结构，提升功能网络的合理性和准确性；
[0029]2、本专利技术通过确定的阈值可以减小在用相关性分析方法构建脑功能网络时的误差，合理地去除脑网络中的伪连接，提升了脑功能网络构建的准确性和鲁棒性。
附图说明
[0030]图1为一种基于网络稀疏度阈值选择的脑功能网络构建方法的示意图；
[0031]图2为基于模块稳定性对功能网络进行第二级稀疏度阈值范围限定的示意图。
具体实施方式
[0032]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。
[0033]实施例1
[0034]一种基于网络稀疏度阈值选择的脑功能网络构建方法，参见图1，该方法包括：
[0035]101：静息态fMRI数据采集并进行预处理操作；
[0036]具体步骤包括：去除前10个不稳定的时间点、时间层校正、头动校正、空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网络稀疏度阈值选择的脑功能网络构建方法，其特征在于，所述方法包括：将初始脑功能网络的矩阵进行稀疏化处理，定义矩阵的稀疏度S为矩阵中数值为0的边与所有的边数的比例，若网络的稀疏度为0.01，则连接权重在前99％的边被保留；基于小世界属性对功能网络进行第一级稀疏度阈值范围限定，对稀疏度在0.01至0.99范围内的功能网络进行小世界属性分析；基于模块稳定性对功能网络进行第二级稀疏度阈值范围限定；经过两级稀疏度阈值的限定，得到最终的稀疏度阈值范围[S3,S4]，完成脑功能网络的构建。2.根据权利要求1所述的一种基于网络稀疏度阈值选择的脑功能网络构建方法，其特征在于，小世界属性分析为：征在于，小世界属性分析为：征在于，小世界属性分析为：征在于，小世界属性分析为：征在于，小世界属性分析为：其中，γ为标准化的聚类系数，λ为标准化的特征路径长度，C
random
表示随机网络的聚类系数，C
real
表示真实网络的聚类系数，表示随机网络的特征路径长度，L
real
表示真实网络的特征路径长度，N表示网络中所有的节点集合，n表示节点的个数，k
i
表示节点i的节点度，t
i
表示节点i周围组成三角形连接的个数，d
ij
表示节点i与节点j之间特征路径的长度，C表示网络的聚类系数，用于计算C
random
和C
real
，C
i
表示节点i的聚类系数，L表示网络的特征路径长度，用于计算L
random
和L
real
，L
i
表示节点i的特征路径长度，筛选满足条件σ>1.1的脑功能网络所对应的稀疏度值，将满足此标准的稀疏度范围限定为S∈[S1,S2]。3.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：刘爽，张波，明东，刘潇雅，何雨晨，柯余峰，
申请(专利权)人：天津大学，
类型：发明
国别省市：