基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法
【專利摘要】本發(fā)明公開(kāi)了一種基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，步驟包括：采集靜息狀態(tài)下的功能磁共振成像數(shù)據(jù)并進(jìn)行預(yù)處理，選擇包含大腦皮層功能分區(qū)的腦模板，將腦模板中的單個(gè)腦區(qū)看成腦功能網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)，提取功能磁共振成像數(shù)據(jù)在每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)，計(jì)算節(jié)點(diǎn)之間的功能連接，得到功能連接矩陣，將所述功能連接矩陣進(jìn)行二值化得到鄰接矩陣，形成腦功能網(wǎng)絡(luò)，計(jì)算腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的特征向量中心度及能量集中度，根據(jù)腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的能量集中度計(jì)算大腦網(wǎng)絡(luò)特征熵。本發(fā)明通過(guò)大腦網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)以揭示大腦發(fā)育及老化規(guī)律，具有原理簡(jiǎn)單、實(shí)現(xiàn)方便、被試內(nèi)結(jié)果穩(wěn)定、不同類別樣本靈敏性好的優(yōu)點(diǎn)。
【專利說(shuō)明】
基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及基于功能磁共振成像(fMRI)數(shù)據(jù)的大腦網(wǎng)絡(luò)研究領(lǐng)域，具體涉及一種 基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法。
【背景技術(shù)】
[0002] 功能磁共振成像的原理是通過(guò)磁振造影量測(cè)神經(jīng)元活動(dòng)引起的血液動(dòng)力的改變。 例如：刺激某些感官時(shí)，大腦皮層具體的某些腦功能區(qū)激活，這些激活的腦區(qū)發(fā)出神經(jīng)信 號(hào)，利用磁振造影獲得神經(jīng)信號(hào)，得到一系列圖像。人們執(zhí)行運(yùn)動(dòng)、感覺(jué)、高級(jí)認(rèn)知等各種復(fù) 雜的任務(wù)時(shí)，會(huì)激起腦內(nèi)某些神經(jīng)信號(hào)，這種生理性的大腦活動(dòng)引起局部腦血流、腦血容、 能量代謝的變化，從而導(dǎo)致組織磁性的變化。fMRI作為一種活體腦功能成像技術(shù)，因其具有 非侵入性，理想時(shí)空分辨率等優(yōu)點(diǎn)，迅速成為腦神經(jīng)科學(xué)研究最常用的腦成像技術(shù)。
[0003] 不管是生物學(xué)領(lǐng)域、技術(shù)領(lǐng)域、社會(huì)領(lǐng)域或者其他的科學(xué)領(lǐng)域都產(chǎn)生了類似地相 互有聯(lián)系的數(shù)據(jù)集。在過(guò)去的幾十年，為了刻畫這些數(shù)據(jù)集，復(fù)雜網(wǎng)絡(luò)分析應(yīng)運(yùn)而生。復(fù)雜 網(wǎng)絡(luò)分析主要通過(guò)圖論定量刻畫給定網(wǎng)絡(luò)的拓?fù)涮匦?。大腦連接數(shù)據(jù)是指有功能連接或結(jié) 構(gòu)追蹤連接形成的網(wǎng)絡(luò)，它與生物或者物理系統(tǒng)有共同的特征，同時(shí)研究者發(fā)現(xiàn)大腦從微 小的神經(jīng)元到腦區(qū)等不同的層次上都可以建立網(wǎng)絡(luò)模型，這樣利用復(fù)雜網(wǎng)絡(luò)分析方法研究 大腦網(wǎng)絡(luò)屬性為人們從整體上認(rèn)識(shí)和研究大腦功能活動(dòng)提供了一種全新的研究思路。
[0004] 2006年，Achard Sophi等人利用離散小波變化轉(zhuǎn)化fMRI數(shù)據(jù)估計(jì)刻畫功能連接的 頻率相關(guān)性矩陣，得到結(jié)論:fMRI數(shù)據(jù)中低頻振蕩數(shù)據(jù)集具有小世界(small world)性質(zhì)。 2008年van den Heuvel MP等人根據(jù)靜息功能核磁共振(rs-fMRI)數(shù)據(jù)基于體素(voxel-wise)方法，構(gòu)建體素之間的功能連接，然后計(jì)算網(wǎng)絡(luò)圖的統(tǒng)計(jì)屬性發(fā)現(xiàn)腦功能網(wǎng)絡(luò)的聚類 系數(shù)比對(duì)應(yīng)隨機(jī)網(wǎng)絡(luò)的要大，并且平均路徑長(zhǎng)度要比隨機(jī)網(wǎng)絡(luò)短，表明了腦功能網(wǎng)絡(luò)的小 世界特性；另外，體素與體素之間功能連接的分布服從冪率指數(shù)近似等于2的冪率分布，表 明腦功能網(wǎng)絡(luò)的無(wú)標(biāo)度特性(scale free network)。但是，以上得到的這些拓?fù)涮匦灾豢?畫了腦功能網(wǎng)絡(luò)的一個(gè)特征，這些特征是孤立的，它的應(yīng)用受到局限。比如我們探索受到很 多因素影響的大腦發(fā)育，必須將這些特性進(jìn)行綜合分析，提取網(wǎng)絡(luò)的結(jié)構(gòu)趨勢(shì)特征，如何通 過(guò)綜合分析定量刻畫腦功能網(wǎng)絡(luò)以探索網(wǎng)絡(luò)特征熵與大腦發(fā)育、老化規(guī)律，已經(jīng)成為一項(xiàng) 亟待解決的關(guān)鍵技術(shù)問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問(wèn)題:針對(duì)現(xiàn)有技術(shù)的上述問(wèn)題，提供通過(guò)大腦網(wǎng)絡(luò)特征熵 揭示大腦發(fā)育及老化規(guī)律，具有原理簡(jiǎn)單、實(shí)現(xiàn)簡(jiǎn)便、被試內(nèi)結(jié)果穩(wěn)定性高、不同類別靈敏 性好的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法。
[0006] 為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：
[0007] -種基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，步驟包括：
[0008] 1)采集靜息狀態(tài)下的功能磁共振成像數(shù)據(jù)；
[0009] 2)針對(duì)采集到的功能磁共振成像數(shù)據(jù)進(jìn)行預(yù)處理；
[0010] 3)選擇包含大腦皮層功能分區(qū)的腦模板；
[0011] 4)針對(duì)預(yù)處理后的功能磁共振成像數(shù)據(jù)，將腦模板上的不同腦區(qū)看成腦功能網(wǎng)絡(luò) 中的節(jié)點(diǎn)，從而提取每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)，計(jì)算節(jié)點(diǎn)之間的相關(guān)系數(shù)，得到功能連 接矩陣，將所述功能連接矩陣進(jìn)行二值化得到鄰接矩陣，從而形成腦功能網(wǎng)絡(luò)，所述鄰接矩 陣形成的腦功能網(wǎng)絡(luò)刻畫了節(jié)點(diǎn)間相互作用關(guān)系，反映了腦功能網(wǎng)絡(luò)的拓?fù)鋵傩裕?br>[0012 ] 5)計(jì)算腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的特征向量中心度及能量集中度；
[0013 ] 6)根據(jù)腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的能量集中度計(jì)算大腦網(wǎng)絡(luò)特征熵。
[0014] 優(yōu)選地，所述步驟4)的詳細(xì)步驟包括：
[0015] 4.1)針對(duì)預(yù)處理后的功能磁共振成像數(shù)據(jù)，將腦模板上的不同腦區(qū)看成腦功能網(wǎng) 絡(luò)中的節(jié)點(diǎn)，提取每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)；
[0016] 4.2)采用式（1)計(jì)算節(jié)點(diǎn)之間的相關(guān)系數(shù)，得到一個(gè)對(duì)稱的大小為n*n的時(shí)間序列 相關(guān)矩陣A(a^)，其中n表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)， &1謙示節(jié)點(diǎn)i的平均時(shí)間序列信號(hào)Xl與節(jié) 點(diǎn)j的平均時(shí)間序列信號(hào)&之間的相關(guān)系數(shù)，以相關(guān)系數(shù)表示節(jié)點(diǎn)之間的功能連接，因此所 述時(shí)間序列相關(guān)矩陣A(a^)表示了腦功能網(wǎng)絡(luò)中各節(jié)點(diǎn)間功能連接，稱為功能連接矩陣；
⑴
[0018]式（1)中，E(XiXj)表示XiXj數(shù)學(xué)期望，E(xi)表示Xi的數(shù)學(xué)期望，E(xj)表示Xj的數(shù)學(xué) 期望，五表示d的數(shù)學(xué)期望，e2(x〇表示^數(shù)學(xué)期望的平方，?)表示V的數(shù)學(xué)期望， E2(幻)表示幻數(shù)學(xué)期望的平方；
[0019 ] 4.3)針對(duì)所述功能連接矩陣，首先根據(jù)任意兩節(jié)點(diǎn)之間功能連接對(duì)應(yīng)的統(tǒng)計(jì)值p， 通過(guò)Bonferroni校正，將對(duì)應(yīng)統(tǒng)計(jì)值p大于預(yù)設(shè)統(tǒng)計(jì)值的節(jié)點(diǎn)對(duì)之間的功能連接設(shè)為0,將 對(duì)應(yīng)統(tǒng)計(jì)值P小于或等于預(yù)設(shè)統(tǒng)計(jì)值的節(jié)點(diǎn)對(duì)之間的功能連接設(shè)為1，其次將所述功能連接 矩陣中小于〇的元素設(shè)為〇,從而將所述功能連接矩陣二值化得到鄰接矩陣形成腦功能網(wǎng) 絡(luò)，所述腦功能網(wǎng)絡(luò)刻畫了節(jié)點(diǎn)間相互作用關(guān)系，反映了腦功能網(wǎng)絡(luò)的拓?fù)鋵傩浴?br>[0020]優(yōu)選地，所述步驟4.3)中的預(yù)設(shè)統(tǒng)計(jì)值為0.05。
[0021 ]優(yōu)選地，所述步驟5)的詳細(xì)步驟包括：
[0022] 5.1)根據(jù)式(2)計(jì)算所述鄰接矩陣的最大特征值對(duì)應(yīng)特征向量的第i個(gè)分量作為 鄰接矩陣中第i個(gè)節(jié)點(diǎn)的特征向量中心度；
(2)
[0024] 式⑵中，ei表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的特征向量中心度，ai謙示鄰接矩陣中第i 個(gè)節(jié)點(diǎn)與第j個(gè)節(jié)點(diǎn)之間的功能連接，A表示鄰接矩陣對(duì)應(yīng)的最大特征值，表示A對(duì)應(yīng)的特 征向量，n表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)；
[0025] 5.2)根據(jù)式(3)計(jì)算鄰接矩陣中每一個(gè)節(jié)點(diǎn)的能量集中度； (3)
[0027] 式(3)中，h表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的能量集中度，ei表示鄰接矩陣中第i個(gè)節(jié) 點(diǎn)的特征向量中心度，n表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)。
[0028] 優(yōu)選地，所述步驟6)中計(jì)算大腦網(wǎng)絡(luò)特征熵的函數(shù)表達(dá)式如式(4)所示；
[0029] ￡=-之/;ln/f (4)
[0030]式(4)中，E表示大腦網(wǎng)絡(luò)特征熵，h表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的能量集中度，n表 示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)。
[0031 ]優(yōu)選地，所述步驟2)的詳細(xì)步驟包括：
[0032] 2.1)去除功能磁共振成像數(shù)據(jù)的前指定數(shù)量幀的圖像；
[0033] 2.2)剔除功能磁共振成像數(shù)據(jù)中在頭部挪動(dòng)幅度超過(guò)指定閾值的被試；
[0034] 2.3)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行層間時(shí)間校正；
[0035] 2.4)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行頭動(dòng)校正；
[0036] 2.5)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行空間標(biāo)準(zhǔn)化處理；
[0037] 2.6)利用指定大小半高寬的高斯核函數(shù)對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行空間平滑處 理；
[0038] 2.7)利用指定頻率區(qū)間對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行時(shí)域?yàn)V波；
[0039] 2.8)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行回歸全腦平均信號(hào)、白質(zhì)、腦積液平均信號(hào)和 頭動(dòng)參數(shù)。
[0040] 優(yōu)選地，所述步驟2.6)中指定大小半高寬具體是指6mm的半寬高。
[0041 ] 優(yōu)選地，所述步驟2.7)中指定頻率區(qū)間具體是指0.01~0.08Hz。
[0042]本發(fā)明基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法具有下述優(yōu)點(diǎn)：
[0043] 1、本發(fā)明將腦模板中的單個(gè)腦區(qū)看成網(wǎng)絡(luò)中的節(jié)點(diǎn)，通過(guò)提取預(yù)處理后功能磁共 振成像數(shù)據(jù)在每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)，計(jì)算節(jié)點(diǎn)之間的功能連接，得到功能連接矩 陣，將功能連接矩陣進(jìn)行二值化得到鄰接矩陣，形成腦功能網(wǎng)絡(luò)，針對(duì)腦功能網(wǎng)絡(luò)的鄰接矩 陣，分別計(jì)算每一個(gè)節(jié)點(diǎn)的特征向量中心度及能量集中度，挖掘出了與網(wǎng)絡(luò)本質(zhì)拓?fù)鋵傩?相關(guān)的特征。
[0044] 2、本發(fā)明通過(guò)已有的香農(nóng)信息熵理論，根據(jù)每一個(gè)節(jié)點(diǎn)的能量集中度計(jì)算大腦網(wǎng) 絡(luò)特征熵，由此可以通過(guò)比較計(jì)算不同發(fā)育階段的大腦網(wǎng)絡(luò)，探索大腦發(fā)育及老化規(guī)律，通 過(guò)重復(fù)實(shí)驗(yàn)驗(yàn)證了網(wǎng)絡(luò)特征熵在個(gè)體上的穩(wěn)定性，為利用網(wǎng)絡(luò)特征熵探索大腦發(fā)育、老化 規(guī)律提供方法和思路，具有原理簡(jiǎn)單、實(shí)現(xiàn)簡(jiǎn)便、被試內(nèi)結(jié)果穩(wěn)定性高、不同類別靈敏性好 的優(yōu)點(diǎn)。
【附圖說(shuō)明】
[0045] 圖1為本發(fā)明實(shí)施例方法的基本流程示意圖。
[0046] 圖2為本發(fā)明實(shí)施例中被試年齡分布圖。
【具體實(shí)施方式】
[0047] 如圖1所示，本實(shí)施例基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法的步驟包括：
[0048] 1)采集靜息狀態(tài)下的功能磁共振成像數(shù)據(jù)；
[0049] 2)針對(duì)采集到的功能磁共振成像數(shù)據(jù)進(jìn)行預(yù)處理；
[0050] 3)選擇包含大腦皮層功能分區(qū)的腦模板；
[0051] 4)針對(duì)預(yù)處理后的功能磁共振成像數(shù)據(jù)，將腦模板上的不同腦區(qū)看成腦功能網(wǎng)絡(luò) 中的節(jié)點(diǎn)，從而提取每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)，計(jì)算節(jié)點(diǎn)之間的相關(guān)系數(shù)，得到功能連 接矩陣，將所述功能連接矩陣進(jìn)行二值化得到鄰接矩陣，從而形成腦功能網(wǎng)絡(luò)，所述鄰接矩 陣形成的腦功能網(wǎng)絡(luò)刻畫了節(jié)點(diǎn)間相互作用關(guān)系并反映了腦功能網(wǎng)絡(luò)的拓?fù)鋵傩裕?br>[0052 ] 5)計(jì)算腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的特征向量中心度及能量集中度；
[0053 ] 6)根據(jù)腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的能量集中度計(jì)算大腦網(wǎng)絡(luò)特征熵。
[0054] 本實(shí)施例步驟1)中，采集靜息狀態(tài)（rest ing state )下的功能磁共振成像 (functional magnetic resonance imaging，簡(jiǎn)稱fMRI)數(shù)據(jù)時(shí)，使用的設(shè)備為核磁共振掃 描儀，且選擇快速梯度回波方式，掃描前需要設(shè)定掃描周期、層厚、層數(shù)、掃描矩陣、掃描視 野等掃描參數(shù)，掃描過(guò)程中要求被試保持頭部不動(dòng)，閉上眼睛放松，但保持清醒。
[0055] 本實(shí)施例中，步驟2)的詳細(xì)步驟包括：
[0056] 2.1)去除功能磁共振成像數(shù)據(jù)的前指定數(shù)量幀的圖像，用于以消除磁場(chǎng)飽和給數(shù) 據(jù)帶來(lái)的不準(zhǔn)確影響，本實(shí)施例中具體為去掉前5幀圖像；
[0057] 2.2)剔除功能磁共振成像數(shù)據(jù)中在頭部挪動(dòng)幅度超過(guò)指定閾值的被試；
[0058] 2.3)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行層間時(shí)間校正；
[0059] 2.4)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行頭動(dòng)校正；
[0060] 2.5)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行空間標(biāo)準(zhǔn)化處理；
[0061] 2.6)利用指定大小半高寬的高斯核函數(shù)對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行空間平滑處 理;本實(shí)施例中，步驟2.6)中指定大小半高寬具體是指6_的半寬高；
[0062] 2.7)利用指定頻率區(qū)間對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行時(shí)域?yàn)V波;本實(shí)施例中，步驟 2.6)中指定頻率區(qū)間具體是指0.01~0.08Hz;
[0063] 2.8)針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行回歸全腦平均信號(hào)、白質(zhì)、腦積液平均信號(hào)和 頭動(dòng)參數(shù)，以降低硬件噪聲。
[0064] 本實(shí)施例中，步驟2.2)~2.8)具體是使用Statistical Parametric Mapping軟件 (SPM8)在Matlab運(yùn)行下實(shí)現(xiàn)，通過(guò)上述處理，能夠提高功能磁共振成像數(shù)據(jù)的準(zhǔn)確度。
[0065] 腦模板是前人通過(guò)任務(wù)態(tài)激活區(qū)檢測(cè)等方法確定的大腦皮層功能分區(qū)，本實(shí)施例 步驟3)中，選擇包含大腦皮層功能分區(qū)的腦模板具體為Montreal Neurological Ins t i tute (MNI)機(jī)構(gòu)提供的 Anatomical Automatic Labe ling (AAL)模板，它一共包含 116 個(gè)腦區(qū);此外，也可以根據(jù)需要選擇其他公認(rèn)較穩(wěn)定的腦模板。
[0066] 本實(shí)施例中，步驟4)的詳細(xì)步驟包括：
[0067]所述步驟4)的詳細(xì)步驟包括：
[0068] 4.1)針對(duì)預(yù)處理后的功能磁共振成像數(shù)據(jù)，將腦模板上的不同腦區(qū)看成腦功能網(wǎng) 絡(luò)中的節(jié)點(diǎn)，提取每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)；
[0069] 4.2)采用式（1)計(jì)算節(jié)點(diǎn)之間的相關(guān)系數(shù)，得到一個(gè)對(duì)稱的大小為n*n的時(shí)間序列 相關(guān)矩陣A(a^)，其中n表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)， &1謙示節(jié)點(diǎn)i的平均時(shí)間序列信號(hào)Xl與節(jié) 點(diǎn)j的平均時(shí)間序列信號(hào)&之間的相關(guān)系數(shù)，以相關(guān)系數(shù)表示節(jié)點(diǎn)之間的功能連接，因此所 述時(shí)間序列相關(guān)矩陣A(a^)表示了腦功能網(wǎng)絡(luò)中各節(jié)點(diǎn)間功能連接，稱為功能連接矩陣； (1;
[0071]式（1)中，E(XiXj)表示XiXj數(shù)學(xué)期望，E(Xi)表示Xi的數(shù)學(xué)期望，E(Xj)表示Xj的數(shù)學(xué) 期望，表示Xl2的數(shù)學(xué)期望，E2(Xl)表示 Xl數(shù)學(xué)期望的平方，表示x/的數(shù)學(xué)期望， E2(幻)表示幻數(shù)學(xué)期望的平方；
[0072 ] 4.3)針對(duì)所述功能連接矩陣，首先根據(jù)任意兩節(jié)點(diǎn)之間功能連接對(duì)應(yīng)的統(tǒng)計(jì)值p， 通過(guò)Bonferroni校正，將對(duì)應(yīng)統(tǒng)計(jì)值p大于預(yù)設(shè)統(tǒng)計(jì)值的節(jié)點(diǎn)對(duì)之間的功能連接設(shè)為0,將 對(duì)應(yīng)統(tǒng)計(jì)值P小于或等于預(yù)設(shè)統(tǒng)計(jì)值的節(jié)點(diǎn)對(duì)之間的功能連接設(shè)為1，其次將所述功能連接 矩陣中小于〇的元素設(shè)為〇,從而將所述功能連接矩陣二值化得到鄰接矩陣形成腦功能網(wǎng) 絡(luò)，所述腦功能網(wǎng)絡(luò)刻畫了節(jié)點(diǎn)間相互作用關(guān)系，反映了腦功能網(wǎng)絡(luò)的拓?fù)鋵傩浴?br>[0073]本實(shí)施例中，步驟4.3)中的預(yù)設(shè)統(tǒng)計(jì)值為0.05。
[0074] 本實(shí)施例中，步驟5)的詳細(xì)步驟包括：
[0075] 5.1)根據(jù)式(2)計(jì)算所述鄰接矩陣的最大特征值對(duì)應(yīng)特征向量的第i個(gè)分量作為 鄰接矩陣中第i個(gè)節(jié)點(diǎn)的特征向量中心度(eigenvector centrality);
(2)
[0077] 式⑵中，ei表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的特征向量中心度，ai謙示鄰接矩陣中第i 個(gè)節(jié)點(diǎn)與第j個(gè)節(jié)點(diǎn)之間的功能連接，A表示鄰接矩陣對(duì)應(yīng)的最大特征值，表示A對(duì)應(yīng)的特 征向量，n表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)；
[0078] 5.2)根據(jù)式(3)計(jì)算鄰接矩陣中每一個(gè)節(jié)點(diǎn)的能量集中度；
(3)
[0080] 式(3)中，h表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的能量集中度，ei表示鄰接矩陣中第i個(gè)節(jié) 點(diǎn)的特征向量中心度，n表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)；
[0081] 本實(shí)施例中，步驟6)中計(jì)算大腦網(wǎng)絡(luò)特征熵的函數(shù)表達(dá)式如式(4)所示；
[0082] E = 1. in 1: (4) f 二 1
[0083] 式(4)中，E表示大腦網(wǎng)絡(luò)特征熵，h表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的能量集中度，n表 示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)。式(4)所示的函數(shù)表達(dá)式為通過(guò)已有的香農(nóng)的信息熵理論大腦網(wǎng) 絡(luò)的熵，基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)，可以用于探索大腦發(fā)育、老化規(guī)律。
[0084] 為了評(píng)估大腦網(wǎng)絡(luò)特征熵在腦功能網(wǎng)絡(luò)應(yīng)用的性能，二個(gè)因素必須被考慮：1、重 測(cè)信度(test-retest reliability):重測(cè)信度的高低反映了被試內(nèi)網(wǎng)絡(luò)特征熵可變性大 小，衡量了網(wǎng)絡(luò)特征熵在時(shí)域上的穩(wěn)定性，2、靈敏性:通過(guò)雙樣本t檢驗(yàn)或非參數(shù)檢驗(yàn)檢驗(yàn) 不同類別(例如：男女之間）被試之間的差異是否顯著。本實(shí)施例針對(duì)性別匹配共97人(男性 54,女性43)的同一批被試，通過(guò)得到不同時(shí)間情況下采集到的兩個(gè)Scan fMRI數(shù)據(jù)(Scan之 間相隔一周），計(jì)算網(wǎng)絡(luò)特征熵的重測(cè)信度和靈敏性。被試平均年齡為27.83歲，方差為5.09 歲，年齡分布如圖2所示。
[0085]重測(cè)信度是指同一個(gè)靜息態(tài)功能磁共振實(shí)驗(yàn)在不同的時(shí)間對(duì)同一被試群體施測(cè) 所得到的測(cè)量結(jié)果的一致性程度。在功能連接組學(xué)中，常用組內(nèi)相關(guān)系數(shù)intra-class C〇rrelati 〇n(ICC)定量估計(jì)一個(gè)度量的重測(cè)信度。參考Zuo Xi nian 2014年發(fā)表綜述文章 test-retest reliabilities of resting-state FMRI measurements inhuman brain functional connectomics:A systems neuroscience perspective中將重測(cè)信度分為五 個(gè)等級(jí):較低:〇〈ICC彡0.2,一般:0.2〈ICC彡0.4,中等:0.4〈ICC彡0.6,顯著:0.6〈ICC彡0.8， 較高:0.8〈ICC<1。本實(shí)施例中，利用組內(nèi)相關(guān)系數(shù)計(jì)算大腦網(wǎng)絡(luò)特征熵的重測(cè)信度的步驟 包括：
[0086] A1)將兩個(gè)Scan fMRI數(shù)據(jù)（Scanl和Scan2)分別采用本實(shí)施例基于網(wǎng)絡(luò)特征熵定 量刻畫腦功能網(wǎng)絡(luò)的方法計(jì)算大腦網(wǎng)絡(luò)特征熵，被試個(gè)數(shù)n = 97，測(cè)量次數(shù)d = 2，網(wǎng)絡(luò)特征 熵為E，Eij (i = 1，…d; j = 1，…，n)是指第j個(gè)被試在第i次測(cè)量時(shí)得到的網(wǎng)絡(luò)特征熵。將計(jì)算 得到的大腦網(wǎng)絡(luò)特征熵利用線性混合模型Linear mixed models(LMM)建模，線性混合模型 的表達(dá)式為￡^ = '+6^，'=_+口〇」，其中_是一個(gè)固定的參數(shù)，它是指所有被試(1次測(cè)量 的網(wǎng)絡(luò)特征熵的均值，為中間參數(shù)，PQj和eij分別是服從均值為0方差為《和的獨(dú)立正 態(tài)分布隨機(jī)誤差，PW指的是被試間的誤差，指的是測(cè)量誤差。如果yoo顯著不為0,則大腦 網(wǎng)絡(luò)特征熵的組內(nèi)平均系數(shù)ICC(E)定義如式(5)所示。
(5)
[0088] 式（5)中，MSb (E)為兩兩樣本間方差的總和，MSW(E)為所有被試內(nèi)均方誤差，(T；；和 為方差。
[0089] A2)計(jì)算 SSP 和 SSe。
[0090] 根據(jù)線性混合模型E^，為了估計(jì)組內(nèi)相關(guān)系數(shù)ICC，根據(jù)式（6)和（7)計(jì)算SSjP SSeo
(6) (7)
[0093] 式(6)和(7)中，SSP為組間差平方和，SSe為總誤差平方和，^為第j個(gè)樣本在第i次 測(cè)量時(shí)得到的網(wǎng)絡(luò)特征熵，n為樣本個(gè)數(shù)，其中I第i個(gè)樣本組間樣本均值、第j組組內(nèi)樣 本均值、]7總樣本均值三者的表達(dá)式詳見(jiàn)式(8)。 C8)
[0095] 式(8)中，d為測(cè)量次數(shù)，其余參數(shù)含義與式(6)和(7)相同，在此不再贅述。
[0096] A3)估計(jì) ICC(E)。
[0097] MSb = SSP/(n-l)和MSw=SSe/(n-l)(d-l)的數(shù)學(xué)期望分別是c/crX，of。
[0098] 因此，和的無(wú)偏估計(jì)如式(9)所示；
(9)
[0100]式(9)中，g為方差 < 的無(wú)偏估計(jì)，g為方差of的無(wú)偏估計(jì)。
[0101] 那么ICC(E)的估計(jì)如式（10)所示；
(10)
[0103] 式（10)中，為方差<的無(wú)偏估計(jì)，S為方差<的無(wú)偏估計(jì)。本實(shí)施例中，最終計(jì) 算得到大腦網(wǎng)絡(luò)特征熵的重測(cè)信度ICC(E)的估計(jì)值為0.96,本實(shí)施例基于網(wǎng)絡(luò)特征熵定量 刻畫腦功能網(wǎng)絡(luò)的方法的重測(cè)信度值屬于較高等級(jí)，本實(shí)施例基于網(wǎng)絡(luò)特征熵定量刻畫腦 功能網(wǎng)絡(luò)的方法中的大腦網(wǎng)絡(luò)特征熵這個(gè)度量被試內(nèi)可變性小，時(shí)域穩(wěn)定性高。
[0104] 靈敏性是指同一個(gè)靜息態(tài)功能磁共振實(shí)驗(yàn)對(duì)不同類別的被試群體施測(cè)所得到的 測(cè)量結(jié)果的差異性程度。在統(tǒng)計(jì)學(xué)中，我們常采用雙樣本t檢驗(yàn)檢驗(yàn)兩組不同群體的差異 性，顯著性P值設(shè)置為0.05，若p〈0.05，則兩組不同群體在該度量下具有顯著性差異，否則兩 組不同群體在該度量下沒(méi)有顯著差異。本實(shí)施例中，確定靈敏性的步驟包括：
[0105] B1)同一個(gè)被試scanl和scan2時(shí)間序列合在一起，計(jì)算每個(gè)被試的網(wǎng)絡(luò)特征熵。 [0106] B2)建立線性回歸模型，E = 00+1^ X age，其中E表示可觀測(cè)的變量具體指的是網(wǎng)絡(luò) 特征熵，得到的殘差用于后續(xù)分析，其中說(shuō)、扮表示回歸系數(shù)，age為自變量。
[0107] B3)將得到的殘差根據(jù)性別分成兩組，
[0108] B4)利用雙樣本t檢驗(yàn)，檢驗(yàn)?zāi)信畠山M被試網(wǎng)絡(luò)特征熵的差異，計(jì)算得到p = 0.024， 根據(jù)顯著性水平P = 0.05知p〈0.05。
[0109] 綜上所述，目前對(duì)于大腦網(wǎng)絡(luò)的研究多為定性分析，本實(shí)施例基于網(wǎng)絡(luò)特征熵定 量刻畫腦功能網(wǎng)絡(luò)的方法結(jié)合信息熵的定義，探究網(wǎng)絡(luò)特征熵的定義，給出能刻畫大腦網(wǎng) 絡(luò)復(fù)雜程度的熵定義，并從考察度量個(gè)體內(nèi)的穩(wěn)定性(重測(cè)信度)和區(qū)分類別的靈敏性驗(yàn)證 了網(wǎng)絡(luò)特征熵的可靠性，進(jìn)而比較發(fā)育、老化不同時(shí)期大腦的網(wǎng)絡(luò)特征熵，探尋網(wǎng)絡(luò)特征熵 與大腦發(fā)育、老化規(guī)律之間存在的關(guān)系，以及發(fā)育、老化速率，從而研究大腦發(fā)育、老化規(guī) 律。
[0110]以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，本發(fā)明的保護(hù)范圍并不僅局限于上述實(shí)施 例，凡屬于本發(fā)明思路下的技術(shù)方案均屬于本發(fā)明的保護(hù)范圍。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域 的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理前提下的若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也 應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于步驟包括： 1) 采集靜息狀態(tài)下的功能磁共振成像數(shù)據(jù)； 2) 針對(duì)采集到的功能磁共振成像數(shù)據(jù)進(jìn)行預(yù)處理； 3) 選擇包含大腦皮層功能分區(qū)的腦模板； 4) 針對(duì)預(yù)處理后的功能磁共振成像數(shù)據(jù)，將腦模板上的不同腦區(qū)看成腦功能網(wǎng)絡(luò)中的 節(jié)點(diǎn)，從而提取每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)，計(jì)算節(jié)點(diǎn)之間的相關(guān)系數(shù)，得到功能連接矩 陣，將所述功能連接矩陣進(jìn)行二值化得到鄰接矩陣，從而形成腦功能網(wǎng)絡(luò)，所述鄰接矩陣形 成的腦功能網(wǎng)絡(luò)刻畫了節(jié)點(diǎn)間相互作用關(guān)系，反映了腦功能網(wǎng)絡(luò)的拓?fù)鋵傩裕? 5) 計(jì)算腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的特征向量中心度及能量集中度； 6) 根據(jù)腦功能網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的能量集中度計(jì)算大腦網(wǎng)絡(luò)特征熵。2. 根據(jù)權(quán)利要求1所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟4)的詳細(xì)步驟包括： 4.1) 針對(duì)預(yù)處理后的功能磁共振成像數(shù)據(jù)，將腦模板上的不同腦區(qū)看成腦功能網(wǎng)絡(luò)中 的節(jié)點(diǎn)，提取每個(gè)節(jié)點(diǎn)的平均時(shí)間序列信號(hào)； 4.2) 采用式（1)計(jì)算節(jié)點(diǎn)之間的相關(guān)系數(shù)，得到一個(gè)對(duì)稱的大小為n*n的時(shí)間序列相關(guān) 矩陣A(aij)，其中η表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)，aij表示節(jié)點(diǎn)i的平均時(shí)間序列信號(hào)Xi與節(jié)點(diǎn)j 的平均時(shí)間序列信號(hào)^之間的相關(guān)系數(shù)，以相關(guān)系數(shù)表示節(jié)點(diǎn)之間的功能連接，因此所述 時(shí)間序列相關(guān)矩陣A(a^)表示了腦功能網(wǎng)絡(luò)中各節(jié)點(diǎn)間功能連接，稱為功能連接矩陣；式（1)中，E(XiXj)表示XiXj數(shù)學(xué)期望，E(Xi)表示Xi的數(shù)學(xué)期望，E(Xj)表示Xj的數(shù)學(xué)期望， ?；)表示X12的數(shù)學(xué)期望，E2(X1)表示&數(shù)學(xué)期望的平方，I表示 x/的數(shù)學(xué)期望，E2(Xj) 表示&數(shù)學(xué)期望的平方； 4.3) 針對(duì)所述功能連接矩陣，首先根據(jù)任意兩節(jié)點(diǎn)之間功能連接對(duì)應(yīng)的統(tǒng)計(jì)值ρ，通過(guò) Bonferroni校正，將對(duì)應(yīng)統(tǒng)計(jì)值ρ大于預(yù)設(shè)統(tǒng)計(jì)值的節(jié)點(diǎn)對(duì)之間的功能連接設(shè)為O，將對(duì)應(yīng) 統(tǒng)計(jì)值P小于或等于預(yù)設(shè)統(tǒng)計(jì)值的節(jié)點(diǎn)對(duì)之間的功能連接設(shè)為1，其次將所述功能連接矩陣 中小于0的元素設(shè)為0,從而將所述功能連接矩陣二值化得到鄰接矩陣形成腦功能網(wǎng)絡(luò)，所 述腦功能網(wǎng)絡(luò)刻畫了節(jié)點(diǎn)間相互作用關(guān)系，反映了腦功能網(wǎng)絡(luò)的拓?fù)鋵傩浴?. 根據(jù)權(quán)利要求2所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟4.3)中的預(yù)設(shè)統(tǒng)計(jì)值為0.05。4. 根據(jù)權(quán)利要求1所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟5)的詳細(xì)步驟包括： 5.1)根據(jù)式（2)計(jì)算所述鄰接矩陣的最大特征值對(duì)應(yīng)特征向量的第i個(gè)分量作為鄰接 矩陣中第i個(gè)節(jié)點(diǎn)的特征向量中心度；式(2)中，ei表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的特征向量中心度，表示鄰接矩陣中第i個(gè)節(jié) 點(diǎn)與第j個(gè)節(jié)點(diǎn)之間的功能連接，λ表示鄰接矩陣對(duì)應(yīng)的最大特征值，ej表示λ對(duì)應(yīng)的特征向 量，η表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)； 5.2)根據(jù)式(3)計(jì)算鄰接矩陣中每一個(gè)節(jié)點(diǎn)的能量集中度；式(3)中，I1表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的能量集中度，ei表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的 特征向量中心度，η表示腦功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)。5. 根據(jù)權(quán)利要求1所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟6)中計(jì)算大腦網(wǎng)絡(luò)特征熵的函數(shù)表達(dá)式如式(4)所示；式(4)中，E表示大腦網(wǎng)絡(luò)特征熵，Ii表示鄰接矩陣中第i個(gè)節(jié)點(diǎn)的能量集中度，η表示腦 功能網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)。6. 根據(jù)權(quán)利要求1所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟2)的詳細(xì)步驟包括： 2.1) 去除功能磁共振成像數(shù)據(jù)的前指定數(shù)量幀的圖像； 2.2) 剔除功能磁共振成像數(shù)據(jù)中頭部挪動(dòng)幅度超過(guò)指定閾值的被試； 2.3) 針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行層間時(shí)間校正； 2.4) 針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行頭動(dòng)校正； 2.5) 針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行空間標(biāo)準(zhǔn)化處理； 2.6) 利用指定大小半高寬的高斯核函數(shù)對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行空間平滑處理； 2.7) 利用指定頻率區(qū)間對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行時(shí)域?yàn)V波； 2.8) 針對(duì)功能磁共振成像數(shù)據(jù)進(jìn)行回歸全腦平均信號(hào)、白質(zhì)、腦積液平均信號(hào)和頭動(dòng) 參數(shù)。7. 根據(jù)權(quán)利要求6所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟2.6)中指定大小半高寬具體是指6mm的半寬高。8. 根據(jù)權(quán)利要求6所述的基于網(wǎng)絡(luò)特征熵定量刻畫腦功能網(wǎng)絡(luò)的方法，其特征在于，所 述步驟2.7)中指定頻率區(qū)間具體是指O. Ol~0.08Hz。
【文檔編號(hào)】G06T11/00GK105931281SQ201610230029
【公開(kāi)日】2016年9月7日
【申請(qǐng)日】2016年4月14日
【發(fā)明人】胡德文, 范鳴, 范一鳴, 曾令李, 沈輝, 秦鍵
【申請(qǐng)人】中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué)