CN106127769A - 一种基于脑连接网络的脑龄预测方法 - Google Patents
一种基于脑连接网络的脑龄预测方法 Download PDFInfo
- Publication number
- CN106127769A CN106127769A CN201610478697.2A CN201610478697A CN106127769A CN 106127769 A CN106127769 A CN 106127769A CN 201610478697 A CN201610478697 A CN 201610478697A CN 106127769 A CN106127769 A CN 106127769A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- node
- limit
- age
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于脑连接网络的脑龄预测方法。所述方法包括如下步骤:首先,从脑影像中提取功能连接网络;其次,计算网络节点的聚类系数作为节点的特征;然后,使用LASSO对边的权重进行特征选择,剔除不具有判别性的边;接着,融合节点的特征和具有判别性的边的特征作为融合特征;最后使用支持向量回归机(support vector regression,SVR)预估脑龄。本发明提供了一种有效提取特征、回归效果良好的基于脑连接网络的脑龄预测方法。
Description
技术领域
本发明公开了一种基于脑连接网络的脑龄预测方法,本发明属于医学影像与计算机科学的交叉领域,涉及数字图像分析与模式识别的技术领域。
背景技术
近些年来,神经影像技术迅速发展,主要包括结构核磁共振成像(structuralmagnetic resonance imaging,structural MRI),弥散张量成像(diffusion tensorimaging,DTI),功能核磁共振成像(functional MRI,fMRI),脑电图(electro-encephalogram,EEG)和脑磁图(magnetoencephalography,MEG)。基于fMRI,EEG和MEG图像中,人们可以获取功能连接网络,用于反映不同脑区的解剖连接模式。
脑网络模型是对大脑***的简单表示。在脑连接网络中,节点通常被定义为神经元或感兴趣区域,而边被定义为它们之间的连接模式。目前,脑连接网络分析研究主要分为两个方面:一是侧重于对特定假设驱动的测试,如对小世界网络和海马网络等;二是重点放在基于机器学习方法来完成基于个体的预测和分类。由于能够从数据中自动分析获得规律,并利用规律对未知数据进行预测,基于机器学习的方法已经成为一个新研究热点。但由于大脑自身的复杂性,且通常能够获取到的样本是非常少的,这就导致了脑连接网络的分析是一个非常具有挑战性的问题。
脑龄,是指脑的年龄。脑龄和实际年龄有着不同的含义,研究发现,人类在健康状态下的大脑年龄近似等于自身实际年龄,对于一些患有神经***疾病的人群,其大脑年龄会大于自身实际年龄,而那些发育出现障碍的人群其大脑年龄则要小于自身实际年龄。通过预测人脑年龄,将其和实际年龄进行对比,可以检测大脑是否出现加速老化和神经退化性疾病的早期症状,因此构建出一种可以有效地预测人脑年龄的脑龄预测模型是十分必要的。
本发明基于以上问题,提出一种基于脑连接网络的脑龄预测方法。实现了用脑连接网络准确预测脑龄的同时验证了多种特征融合的有效性。
发明内容
本发明是基于脑连接网络,发明一个大脑年龄预测的方法。
本发明的具体技术方案包括以下几个步骤:
步骤一:从脑影像数据中构造出脑连接网络;
步骤二:从脑连接网络中提取节点的聚类系数作为节点特征;
步骤三:从脑连接网络中提取并选择出具有判别性的边权重作为边特征;
步骤四:融合前两步中的节点特征和边特征作为融合特征;
步骤五:对融合特征使用支持向量回归机预估大脑年龄。
所述步骤一中,对采集到的原始数据,我们使用Data Processing Assistant forResting-State fMRI(DPARSF)进行切片时间校正(slice timing),头动校正(motioncorrelation),和空间正则化(spatial normalization)等标准预处理流程。接着每个对象的fMRI图像所对应的脑空间根据Automated Anatomical Labeling(AAL)模板被分割为90个脑区(每个脑区对应图中的一个顶点),计算每个脑区的平均时间序列以及脑区间的Pearson相关系数作为脑区间的连接强度。从而获得了大脑的功能性连接网络。
所述步骤二中,我们从脑连接网络中提取出节点的聚类系数作为节点特征。首先,我们使用阈值化的方法,将有权的功能连接网络转化为无权网络。给定功能连接网络(矩阵)G=[w(i,j)]∈Rn×n和阈值T,使用下面公式阈值化连接网络:
其中,n表示感兴趣区域(region-of-interest,ROI)的个数。
接着,我们计算无权网络中每个节点的聚类系数。我们给出聚类系数的定义。
定义1:聚类系数
给定一个无权无向图G,G中的第i个节点的聚类系数计算公式如下:
其中ki表示第i个节点的邻接点的个数,Ei表示第i个节点的ki个邻接点之间存在的边数。
从公式(2)可以看出,当一个点的邻接点之间的连接越紧密,聚类系数的值就越高。在脑疾病患者的功能网络中,聚类系数可以很好的反映单个感兴趣区域(region-of-interest,ROI)的异常。
所述步骤三中,我们从脑连接网络中提取出边的权重并选择出具有判别性的边权重作为边特征。对提取出的边的权重使用Lasso算法来选择具有判别性的边权重。Lasso回归估计稀疏表示系数w可描述如下:
将求得的系数矩阵w中值为0所对应的原始数据中的特征去掉。得到了一个经过特征选择后的较低维的特征矩阵。
所述步骤四中,将步骤二和步骤三中挑选出的特征进行线性的融合得到一个新的特征。具体计算如下,设节点的特征矩阵为边的特征矩阵为则融合后的特征矩阵为其中,n表示样本个数,c表示节点的特征个数,e表示边的特征个数。
所述步骤五中,对步骤四中得到融合特征使用支持向量回归机SVR预估大脑年龄。
本发明采用以上技术方案与现有技术相比,具有以下优点与有益效果:
(1)本发明提出的融合多特征的方法充分利用多种特征的优势并将其融合后进行回归预测,取得了很好的预测结果;
(2)现有的脑网络研究大多关注于如何将不同人的脑网络按照一定划分规则做分类,而本分明的目的是做回归预测,得到的是一个连续值,更具有分析参考的意义。
附图说明
图1为本发明所述方法的框架图。
图2为本发明实施例的生理年龄和估计脑龄对应图。
具体实施方式
下面选择健康的中老年人40例,结合图1对本发明上述方法进行具体说明。其中,被试者的年龄、性别如下表1所示。因为样本数较少,在实验中使用留一法进行交叉验证。具体而言,在每次的实验中,选取一个样本作为测试样本,其余样本作为训练样本。最终的结果是由所有实验的平均结果计算。
表1被试者信息统计表
数量 | 男/女比例 | 年龄范围 | 年龄均值/标准差 | |
被试样本 | 40 | 18/22 | 65~90 | 75.6/6.4 |
本发明的总体流程如图1所示。具体的实施过程包含五个步骤:
步骤一是构建脑连接网络。首先,需要收集一些包含临床变量值数据的脑影像数据。然后,对采集到的原始数据,使用Data Processing Assistant for Resting-StatefMRI(DPARSF)进行切片时间校正(slice timing),头动校正(motion correlation),和空间正则化(spatial normalization)等标准预处理流程。接着每个对象的fMRI图像所对应的脑空间根据Automated Anatomical Labeling(AAL)模板被分割为90个脑区(每个脑区对应图中的一个顶点),计算每个脑区的平均时间序列以及脑区间的Pearson相关系数作为脑区间的连接强度。从而获得了大脑的功能性连接网络。值得注意的是,该脑网络是一个对角线上全为1的对称矩阵。
步骤二是提取节点的聚类系数。对步骤一中得到的全连接带权重网络首先使用公式(1)阈值化连接网络,将网络中权重小于阈值的置为0,大于等于阈值的置为1。这样就将有权脑网络转化为无权脑网络。接着,使用公式(2)计算无权脑网络中各个节点的聚类系数。得到了一个包含节点特征的矩阵矩阵A中每行代表一个样本,每列代表一个节点的聚类系数。在实验设置中,将公式(1)中的阈值设置为0.6。
步骤三是提取并选择边的权重。对步骤一中得到的对称的全连接带权重网络进行转换,将该90*90的网络拉成一个90*(90-1)/2=4005维的向量,这个向量所包含的信息是网络的边的权重值。接着,使用Lasso算法的公式(3)选择出具有判别性的边。得到一个包含边特征的矩阵矩阵B中每行代表一个样本,每列代表一个具有判别性的边权重。在实验设置中,将公式(3)中的参数λ设置为0.7。
步骤四是融合节点特征和边特征。对步骤二得到的矩阵A和步骤三得到的矩阵B进行融合,设节点的特征矩阵为边的特征矩阵为则融合后的特征矩阵为
步骤五使用支持向量回归机SVR对步骤四中得到的特征矩阵C进行回归分析,以融合特征矩阵C作为自变量,年龄作为因变量,进行回归分析,预估大脑年龄。
经计算,本发明所提出的融合方法得出的预测脑龄与真实脑龄之间的相关系数值为0.8899,均方根误差值为3.1340。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于脑连接网络的脑龄预测方法,其特征包括如下步骤:
(1)从脑影像中构造出脑连接网络;
(2)从脑连接网络中提取节点特征;
(3)从脑连接网络中提取并选择边特征;
(4)将步骤(1)、(2)中提取到的两种特征进行线性的融合;
(5)使用支持向量回归机(Support vector regression,SVR)对脑龄进行回归预测。
2.根据权利要求1所述的一种基于脑连接网络的脑龄预测的方法,其特征在于,所述步骤(1)中,从脑影像中构造出脑连接网络。其实现方法包括:
(21)对采集到的原始数据,我们使用Data Processing Assistant for Resting-State fMRI(DPARSF)进行切片时间校正(slice timing),头动校正(motioncorrelation),和空间正则化(spatial normalization)等标准预处理流程;
(22)根据Automated Anatomical Labeling(AAL)模板将每个对象的fMRI图像所对应的脑空间分割为90个脑区(每个脑区对应图中的一个顶点);
(23)计算每个脑区的平均时间序列以及脑区间的Pearson相关系数作为脑区间的连接强度(即为图中的边)。
3.根据权利要求1所述的一种基于脑连接网络的脑龄预测的方法,其特征在于,所述步骤(2)中,从脑连接网络中提取节点特征,其实现方法包括:
(31)首先阈值化功能连接网络,设定一个阈值T,小于阈值T的置为0,大于等于阈值T的置为1;
(32)对于阈值化后的连接网络,计算节点的聚类系数。
4.根据权利要求3所述的从脑连接网络中提取节点特征,其特征在于,所述步骤(32)中,计算节点的聚类系数,其实现方法包括:
(41)对于无权无项图G,G中的第i个节点的聚类系数的计算公式如下:
其中,ki表示第i个节点的邻接点的个数,Ei表示第i个节点的ki个邻接点之间存在的边数;
(42)对每个样本的脑连接网络计算其聚类系数,作为节点的特征。
5.根据权利要求1所述的一种基于脑连接网络的脑龄预测的方法,其特征在于,所述步骤(3)中,从脑连接网络中提取并选择边特征,其实现方法包括:
(51)对于脑连接网络,首先可以简单的得到网络中的边,将边拉成向量保存其权重信息;
(52)使用Lasso算法选择最具有判别性的边,作为边的特征。
6.根据权利要求1所述的一种基于脑连接网络的脑龄预测的方法,其特征在于,所述步骤(4)中,将步骤(1)、(2)中提取到的两种特征进行线性的融合,其实现方法包括:
(61)将提取到的边的特征和节点的特征线性的融合在一起。不妨设节点的特征矩阵为边的特征矩阵为则融合后的特征矩阵为其中,n表示样本个数,c表示节点的特征个数,e表示边的特征个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610478697.2A CN106127769A (zh) | 2016-06-22 | 2016-06-22 | 一种基于脑连接网络的脑龄预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610478697.2A CN106127769A (zh) | 2016-06-22 | 2016-06-22 | 一种基于脑连接网络的脑龄预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127769A true CN106127769A (zh) | 2016-11-16 |
Family
ID=57266676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610478697.2A Pending CN106127769A (zh) | 2016-06-22 | 2016-06-22 | 一种基于脑连接网络的脑龄预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127769A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780475A (zh) * | 2016-12-27 | 2017-05-31 | 北京市计算中心 | 一种基于病理组织切片图像组织区域的图像处理方法及装置 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
CN108960341A (zh) * | 2018-07-23 | 2018-12-07 | 安徽师范大学 | 一种面向脑网络的结构化特征选择方法 |
CN109344889A (zh) * | 2018-09-19 | 2019-02-15 | 深圳大学 | 一种脑疾病分类方法、装置和用户终端 |
CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、*** |
CN110101384A (zh) * | 2019-04-22 | 2019-08-09 | 自然资源部第一海洋研究所 | 用于复杂网络的功能性网络分析***及分析方法 |
CN110298479A (zh) * | 2019-05-20 | 2019-10-01 | 北京航空航天大学 | 一种基于脑功能网络的脑体积萎缩预测方法 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
CN110547772A (zh) * | 2019-09-25 | 2019-12-10 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
CN110664400A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于度信息的脑电特征电位溯源方法 |
CN111973180A (zh) * | 2020-09-03 | 2020-11-24 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像***和方法 |
CN113378898A (zh) * | 2021-05-28 | 2021-09-10 | 南通大学 | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
CN115736946A (zh) * | 2022-10-08 | 2023-03-07 | 浙江柔灵科技有限公司 | 一种基于脑电信号的脑龄计算方法 |
CN117158890A (zh) * | 2023-04-04 | 2023-12-05 | 深圳市中医院 | 一种基于分段脑龄模型的脑龄预测方法及相关装置 |
CN117788897A (zh) * | 2023-12-20 | 2024-03-29 | 首都医科大学附属北京友谊医院 | 大脑年龄预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102783936A (zh) * | 2011-05-16 | 2012-11-21 | 常州环视高科电子科技有限公司 | 用于确定大脑状态的方法和*** |
CN103383717A (zh) * | 2013-06-26 | 2013-11-06 | 北京理工大学 | 基于核磁共振结构图像的老年痴呆症计算机辅助诊断方法 |
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
-
2016
- 2016-06-22 CN CN201610478697.2A patent/CN106127769A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102783936A (zh) * | 2011-05-16 | 2012-11-21 | 常州环视高科电子科技有限公司 | 用于确定大脑状态的方法和*** |
CN103383717A (zh) * | 2013-06-26 | 2013-11-06 | 北京理工大学 | 基于核磁共振结构图像的老年痴呆症计算机辅助诊断方法 |
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
Non-Patent Citations (3)
Title |
---|
CHONG-YAW WEE 等: "《Identification of MCI individuals using structural and functional connectivity networks》", 《NEUROIMAGE》 * |
MASSIMILIANO ZANIN 等: "《Optimizing Functional Network Representation of Multivariate Time Series》", 《SCIRNTIFIC REPORTS》 * |
YAN CHAO-GAN 等: "《DPARSF: a MATLAB toolbox for "pipeline" data analysis of resting-state fMRI》", 《FRONTIERS IN SYSTEMS NEUROSCIENCE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780475A (zh) * | 2016-12-27 | 2017-05-31 | 北京市计算中心 | 一种基于病理组织切片图像组织区域的图像处理方法及装置 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
CN108960341A (zh) * | 2018-07-23 | 2018-12-07 | 安徽师范大学 | 一种面向脑网络的结构化特征选择方法 |
CN108960341B (zh) * | 2018-07-23 | 2022-03-01 | 安徽师范大学 | 一种面向脑网络的结构化特征选择方法 |
CN109344889A (zh) * | 2018-09-19 | 2019-02-15 | 深圳大学 | 一种脑疾病分类方法、装置和用户终端 |
CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、*** |
CN110101384A (zh) * | 2019-04-22 | 2019-08-09 | 自然资源部第一海洋研究所 | 用于复杂网络的功能性网络分析***及分析方法 |
CN110298479B (zh) * | 2019-05-20 | 2021-09-03 | 北京航空航天大学 | 一种基于脑功能网络的脑体积萎缩预测方法 |
CN110298479A (zh) * | 2019-05-20 | 2019-10-01 | 北京航空航天大学 | 一种基于脑功能网络的脑体积萎缩预测方法 |
CN110473171A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 脑龄检测方法、计算机设备和存储介质 |
CN110664400A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于度信息的脑电特征电位溯源方法 |
CN110547772A (zh) * | 2019-09-25 | 2019-12-10 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
CN111973180B (zh) * | 2020-09-03 | 2021-09-17 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像***和方法 |
CN111973180A (zh) * | 2020-09-03 | 2020-11-24 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像***和方法 |
CN113378898A (zh) * | 2021-05-28 | 2021-09-10 | 南通大学 | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
CN115736946A (zh) * | 2022-10-08 | 2023-03-07 | 浙江柔灵科技有限公司 | 一种基于脑电信号的脑龄计算方法 |
CN117158890A (zh) * | 2023-04-04 | 2023-12-05 | 深圳市中医院 | 一种基于分段脑龄模型的脑龄预测方法及相关装置 |
CN117788897A (zh) * | 2023-12-20 | 2024-03-29 | 首都医科大学附属北京友谊医院 | 大脑年龄预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
CN105046709B (zh) | 一种基于核磁共振影像的脑龄分析方法 | |
YİĞİT et al. | Applying deep learning models to structural MRI for stage prediction of Alzheimer's disease | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
CN113040715A (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断***及方法 | |
CN109508644A (zh) | 基于深度视频数据分析的面瘫等级评估*** | |
CN113440149B (zh) | 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法 | |
CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、***和设备 | |
CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
CN103646183A (zh) | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 | |
CN112614126B (zh) | 基于机器学习的磁共振图像脑区划分方法、***和装置 | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、***、设备和存储介质 | |
CN112233086B (zh) | 基于脑区功能连接的fMRI数据分类识别方法及装置 | |
CN111523617B (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测*** | |
CN102508184A (zh) | 一种基于移动平均时间序列模型的脑功能激活区检测方法 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及*** | |
Thomas et al. | Artificial neural network for diagnosing autism spectrum disorder | |
CN107256408B (zh) | 一种大脑功能网络的关键路径搜索方法 | |
CN113096127A (zh) | 一种脑网络演化模型的生成***及方法 | |
CN107092925B (zh) | 基于成组sim算法的大脑功能磁共振成像盲源分离方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161116 |
|
WD01 | Invention patent application deemed withdrawn after publication |