本發(fā)明涉及基于功能磁共振成像(fmri)數(shù)據(jù)的功能網(wǎng)絡(luò)領(lǐng)域，尤其涉及一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法。

背景技術(shù)：

1、網(wǎng)絡(luò)科學(xué)為表示和建模神經(jīng)系統(tǒng)提供了一個很有前景的框架。從相互連接的細(xì)胞，到神經(jīng)元集群，再到大尺度的腦區(qū)，網(wǎng)絡(luò)分析為控制神經(jīng)系統(tǒng)組織和塑造大腦功能的拓?fù)湓碜龀隽素暙I(xiàn)。網(wǎng)絡(luò)神經(jīng)科學(xué)的核心是將大腦簡單建模為一個網(wǎng)絡(luò)，其中神經(jīng)元素和它們之間的相互作用分別作為網(wǎng)絡(luò)的節(jié)點(diǎn)和邊。這個標(biāo)準(zhǔn)模型從根本上說是以節(jié)點(diǎn)為中心的，因?yàn)樗鼘⑸窠?jīng)元素(節(jié)點(diǎn))視為大腦結(jié)構(gòu)和功能的不可約單元。這種以節(jié)點(diǎn)為中心的腦網(wǎng)絡(luò)分析只關(guān)注節(jié)點(diǎn)的拓?fù)鋵傩?，不能捕獲邊與邊之間潛在的有意義的特征或交互模式。最近的一些研究已經(jīng)開始從交互邊的角度對腦網(wǎng)絡(luò)進(jìn)行建模，通過構(gòu)建以邊為中心的功能網(wǎng)絡(luò)揭示了大腦皮層重疊的系統(tǒng)級架構(gòu)。

2、許多自然和工程網(wǎng)絡(luò)都是模塊化的。高度模塊化的網(wǎng)絡(luò)可以劃分為不同的社區(qū)，使得社區(qū)內(nèi)節(jié)點(diǎn)之間的連接密度相對于不同社區(qū)內(nèi)節(jié)點(diǎn)之間的連接密度更大。一個節(jié)點(diǎn)的模塊間連通性通常用參與系數(shù)(pc)來量化。參與系數(shù)為了解節(jié)點(diǎn)在各種各樣的真實(shí)網(wǎng)絡(luò)的模塊間如何通信提供了見解。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，本發(fā)明通過一種新的以邊為中心的視角，基于模塊化的邊功能網(wǎng)絡(luò)，提出大腦皮層動態(tài)功能組織量化方法，以捕獲網(wǎng)絡(luò)邊之間潛在的有意義的特征或交互模式，詳見下文描述：

2、一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，所述方法包括：

3、將一組被試的邊時間序列合并成一個高維的邊時間序列，利用基于歐氏距離的k-means算法對該邊時間序列進(jìn)行聚類；

4、基于聚類的結(jié)果將腦區(qū)對分成k簇，將邊功能連接矩陣按社區(qū)排列得到相應(yīng)的模塊化邊功能網(wǎng)絡(luò)；

5、對于每個被試的邊功能網(wǎng)絡(luò)，根據(jù)模塊化邊功能網(wǎng)絡(luò)劃分計(jì)算每個邊的參與系數(shù)；

6、將邊參與系數(shù)作為新的神經(jīng)影像學(xué)特征，建立疾病預(yù)測、分類模型，用于探究重大多發(fā)性疾病的功能機(jī)制并評估預(yù)后；通過建立回歸模型，用于揭示大腦功能動態(tài)的發(fā)育規(guī)律及其認(rèn)知關(guān)聯(lián)。

7、其中，所述利用基于歐氏距離的k-means算法對該邊時間序列進(jìn)行聚類具體為：

8、將一組被試的邊時間序列合并成高維的跨被試的邊時間序列，對邊時間序列進(jìn)行聚類，以生成具有代表性的邊社區(qū)分配，并以此將efc矩陣劃分成不重疊的模塊；

9、使用標(biāo)準(zhǔn)的歐式距離k-means算法直接對邊時間序列進(jìn)行聚類。

10、其中，所述根據(jù)模塊化邊功能網(wǎng)絡(luò)劃分計(jì)算每個邊的參與系數(shù)為：

11、計(jì)算模塊化efc網(wǎng)絡(luò)中每個節(jié)點(diǎn)的參與系數(shù)，從交互邊的角度來探索每個邊的功能作用。

12、其中，所述邊功能連接矩陣的獲取為：

13、獲取靜息態(tài)功能磁共振成像數(shù)據(jù)；對獲取的磁共振成像數(shù)據(jù)進(jìn)行預(yù)處理；從預(yù)處理后的數(shù)據(jù)提取腦區(qū)時間序列，選擇合適的大腦皮層分區(qū)模板，每個腦區(qū)表示一個節(jié)點(diǎn)，提取每個腦區(qū)的平均fmri時間序列并進(jìn)行z分?jǐn)?shù)標(biāo)準(zhǔn)化；

14、對于任意兩個腦區(qū)的時間序列逐時間點(diǎn)相乘，得到共波動時間序列，計(jì)算節(jié)點(diǎn)對之間的相關(guān)系數(shù)，得到邊功能連接矩陣。

15、本發(fā)明提供的技術(shù)方案的有益效果是：

16、1、本發(fā)明旨在提出一種新興的用于量化大腦皮層動態(tài)功能組織的方法，通過基于邊功能網(wǎng)絡(luò)計(jì)算的邊參與系數(shù)指標(biāo)，以節(jié)點(diǎn)為中心的網(wǎng)絡(luò)分析被擴(kuò)展到交互邊的視角，這種以邊為中心的分析方法可能有助于識別新的疾病生物標(biāo)志物，表征個體差異，并揭示大腦發(fā)育與老化規(guī)律；

17、2、本發(fā)明將交互邊作為不可約單元，計(jì)算邊參與系數(shù)，邊功能網(wǎng)絡(luò)固有的高維信息使得邊參與系數(shù)能夠捕獲更多的個體特異性，將有助于進(jìn)行大腦動態(tài)發(fā)育相關(guān)研究。

技術(shù)特征：

1.一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，其特征在于，所述利用基于歐氏距離的k-means算法對該邊時間序列進(jìn)行聚類具體為：

3.根據(jù)權(quán)利要求1所述的一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，其特征在于，所述根據(jù)模塊化邊功能網(wǎng)絡(luò)劃分計(jì)算每個邊的參與系數(shù)為：

4.根據(jù)權(quán)利要求1所述的一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，其特征在于，所述邊功能連接矩陣的獲取為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于邊功能網(wǎng)絡(luò)的大腦皮層動態(tài)功能組織量化方法，方法包括：將一組被試的邊時間序列合并成一個高維的邊時間序列，利用基于歐氏距離的k?means算法對該邊時間序列進(jìn)行聚類；基于聚類的結(jié)果將腦區(qū)對分成k簇，將邊功能連接矩陣按社區(qū)排列得到相應(yīng)的模塊化邊功能網(wǎng)絡(luò)；對于每個被試的邊功能網(wǎng)絡(luò)，根據(jù)模塊化邊功能網(wǎng)絡(luò)劃分計(jì)算每個邊的參與系數(shù)；將邊參與系數(shù)作為新的神經(jīng)影像學(xué)特征，建立疾病預(yù)測、分類模型，用于探究重大多發(fā)性疾病的功能機(jī)制并評估預(yù)后；通過建立回歸模型，用于揭示大腦功能動態(tài)的發(fā)育規(guī)律及其認(rèn)知關(guān)聯(lián)。本發(fā)明以邊為中心的分析方法可能有助于識別新的疾病生物標(biāo)志物，表征個體差異，并揭示大腦發(fā)育與老化規(guī)律。

技術(shù)研發(fā)人員：方添玉,陳元園,范秋筠,郭玙,趙欣,何峰,明東
受保護(hù)的技術(shù)使用者：天津大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10