System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于功能连接和动力学模型的解剖连接预测方法技术_技高网

基于功能连接和动力学模型的解剖连接预测方法技术

技术编号:44555224 阅读:2 留言:0更新日期:2025-03-11 14:17
本发明专利技术公开了一种基于功能连接和动力学模型的解剖连接预测方法,首先构建神经动力学模型,以随机矩阵为初始输入,结合功能连接数据和神经动力学模型,通过迭代优化随机矩阵生成更符合神经动力学特性的耦合矩阵,并使用该耦合矩阵用于预测解剖连接,替代解剖连接数据构建高精度脑模型。本发明专利技术的方法通过迭代优化初始随机矩阵,使生成的耦合矩阵逐步逼近真实的解剖连接,实现了非侵入式的解剖连接预测,显著减少了对侵入式结构连接数据的依赖,相较于现有依赖dMRI数据的神经动力学建模方法,所用DMF模型在结构和功能上达到更高的拟合度,具有更强的灵活性和适应性,有助于揭示功能连接与解剖连接之间的深层联系,为脑网络研究提供了更高效的技术支持。

【技术实现步骤摘要】

本专利技术属于神经科学和计算机科学的交叉,具体涉及一种基于功能连接和动力学模型的解剖连接预测方法


技术介绍

1、在神经科学研究中,理解大脑网络的结构和功能一直是一个核心挑战,其中解剖连接和功能连接是两个关键概念。解剖连接代表大脑中神经元之间的物理连接,构成了大脑网络的基础。现有技术中,解剖连接通过侵入性手段获得,比如在非人类灵长类(如猕猴)中使用示踪剂注射技术。这类技术能够精确追踪大脑区域之间的连接,提供大脑连接的ground truth数据。然而,由于这些方法高度侵入性,无法在人类研究中推广使用。因此,如何有效获取解剖连接数据一直是研究的难题。

2、为了解决这一问题,研究者们尝试通过非侵入性手段如弥散张量成像(dmri)和功能磁共振成像(fmri)来间接推断解剖连接。弥散mri能够通过追踪水分子在脑组织中的扩散路径来推断神经纤维的走向,从而构建大脑的结构连接图。然而,这种方法的分辨率和准确性受到技术限制,特别是在解析复杂交叉纤维时效果不佳。此外,弥散mri需要大量的数据和计算资源,使得研究过程繁琐且费时。相比之下,功能连接是通过分析不同脑区之间的协同活动来衡量它们之间的互动关系。静息态功能磁共振成像(rs-fmri)是一种常用的手段,能够捕捉大脑在静息状态下的自发功能活动,从而推断脑区之间的功能连接。这种方法具有非侵入性、易获取且高效的优点,已经广泛应用于大脑网络的研究。研究表明,静息态功能连接能够有效识别大脑中的直接解剖连接,反映解剖连接的特征。然而,由于功能连接不仅反映直接的解剖连接,还可能受多突触或其他复杂网络因素的影响,基于功能连接推断解剖连接变得更加复杂和具有挑战性。

3、神经动力学模型旨在结合解剖学和动力学来解释静息态网络的形成。理论上,通过功能连接和计算模型可以推断解剖连接。然而,现有的神经动力学模型往往依dmri构建结构连接矩阵,再通过这些结构连接来模拟大脑网络的动力学行为。由于dmri成像精度低,且所获得的结构连接信息有限,导致模型在复杂网络分析和模拟真实大脑功能网络时,常常无法达到预期的精度。为了解决这一问题,研究者们开始探索利用功能连接数据来优化解剖连接的方法。最近的研究提出了一种基于功能连接迭代优化结构连接的方法。该方法使用功能连接数据,通过迭代优化初始的dmri结构连接矩阵,使其更符合功能连接的特征,从而提高神经动力学模型的精度和预测能力。尽管这一方法在一定程度上提高了模型的准确性,但它仍然依赖于初始的dmri连接数据,限制了该方法在没有解剖或解剖数据稀缺的情况下的应用。


技术实现思路

1、为解决上述技术问题,本专利技术提供了一种基于功能连接和动力学模型的解剖连接预测方法,解决了缺乏高精度解剖连接数据的问题,通过构建符合动力学耦合的连接矩阵,来有效预测解剖连接,从而实现高精度的脑模型。

2、本专利技术采用的技术方案为:一种基于功能连接和动力学模型的解剖连接预测方法,具体步骤如下:

3、s1、构建神经动力学模型,包括:输入模块、dmf模块、输出模块;

4、所述神经动力学模型采用动态平均场dmf模型,通过模拟得到的功能连接矩阵作为输出。

5、其中,输入模块接收结构连接数据,作为模型的初始输入,表示不同脑区之间的连接强度;dmf模块采用dmf模型,通过神经动力学方程描述不同脑区的电活动,并通过转导函数将电信号转化为血氧水平依赖bold信号;输出模块生成模拟的功能连接矩阵,利用dmf模块输出的脑区活动信号,计算各个脑区之间的功能连接强度,最终生成模拟功能连接矩阵。

6、s2、输入模块初始化一个随机矩阵作为所述dmf模型的初始耦合矩阵;

7、初始化一个随机矩阵作为模型的初始耦合矩阵c(0),即dmf模型的初始输入矩阵,该矩阵将作为优化起点。

8、其中,所述输入矩阵中的每个元素表示特定脑区之间的连接关系,表示大脑区域n和p之间的初始结构连接。

9、s3、将步骤s2得到的初始输入矩阵送入dmf模块,并将模型输出的电信号转化为血氧水平依赖bold信号;

10、dmf模块采用神经动力学方程描述不同脑区的电活动,则全脑层面的dmf模型由耦合微分方程组表示,具体表达式如下:

11、

12、

13、其中,表示大脑区域n中兴奋性e或抑制性i神经元群体的输入电流,表示大脑区域n中兴奋性e或抑制性i神经元群体的发放率。表示大脑区域n的平均兴奋性e或抑制性i突触门控变量,t表示时间。且总体有效外部输入i0=0.382na,其分别在兴奋池和抑制池中由有效耦合常数we=1和wi=0.7缩放。局部兴奋性递归ω+=1.4,g表示全局耦合参数,cnp表示大脑区域n和p之间的结构连接矩阵,所有兴奋性突触耦合jnmda=0.15na。表示电流转导函数,其将传入的总输入电流转换为发放率。转导函数的增益分别为ge=310nc-1,gi=615nc-1,其他参数分别为阈值电流噪声因子de=0.16,di=0.087。且在转导函数中需要确保分母不为零,即动力学参数γ=0.641/1000,因子1000表示以毫秒为单位的所有内容,有效时间常数分别为τe=τnmda=100ms和τi=τgaba=10ms。vn表示高斯噪声,其振幅为σ=0.01na。jn表示脑区的局部反馈抑制权重,且采用反馈抑制控制fic算法调整每个脑区的jn,使兴奋池的发放率保持在低发放率,即

14、然后使用广义血流动力学模型,将dmf模型中模拟的平均场活动转换为bold信号。受到自我调节反馈机制的调控,当神经元的放电率上升时,引发血管舒张信号xn增加,与血管扩张信号成比例的血流量fn引起去氧血红蛋白含量qn和血容量yn的改变,具体表达式如下:

15、

16、其中,k表示信号衰减率,e表示依赖于血流的消除率,ρ表示静息氧摄取分数,α表示静脉阻力,τ表示时间常数。

17、bold信号是脱氧血红蛋白含量qn和血容量yn的静态非线性函数,包括血管外和血管内信号的体积加权总和。对于每个区域n,bold信号用bn表示,表达式如下:

18、

19、其中,静息血容量分数v0=0.02,无量纲参数k1=7ρ,k2=2,k3=2ρ-0.2。

20、s4、基于步骤s3得到的bold信号,通过输出模块输出初始模拟功能连接矩阵;

21、通过计算不同脑区的模拟bold信号之间的皮尔逊相关系数,生成初始模拟功能连接矩阵fcsim,对于脑区i和j的bold信号时间序列,皮尔逊相关系数rij的计算表达式如下:

22、

23、其中,t表示总体的时间长度,bi,t表示在时刻t脑区i的bold信号值,表示脑区i的bold信号的平均值。

24、然后将初始模拟功能连接矩阵与真实功能连接数据fcemp进行比较,计算两者皮尔逊相关系数和均方误差mse,mse计算表达式如下:

25、

26、其中,n表示矩阵中本文档来自技高网...

【技术保护点】

1.一种基于功能连接和动力学模型的解剖连接预测方法,具体步骤如下:

【技术特征摘要】

1.一种基于功能连接和动力学模型的...

【专利技术属性】
技术研发人员:郭大庆郭淑琪尧德中
申请(专利权)人:电子科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1