CN108257657A - 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 - Google Patents
基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 Download PDFInfo
- Publication number
- CN108257657A CN108257657A CN201611239707.3A CN201611239707A CN108257657A CN 108257657 A CN108257657 A CN 108257657A CN 201611239707 A CN201611239707 A CN 201611239707A CN 108257657 A CN108257657 A CN 108257657A
- Authority
- CN
- China
- Prior art keywords
- brain
- prediction
- feature
- consciousness
- data
- 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.)
- Granted
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属医学图像处理及应用领域,涉及意识障碍者意识恢复预测的功能影像分析方法,具体涉及一种基于意识障碍者功能的磁共振检测的数据分析方法。本发明基于机器学习的数据分析方法,其包括,基于静息态功能磁共振数据(RS‑fMRI),采用“加权组稀疏”算法构建人脑功能连接矩阵,从该矩阵中,用稀疏表征的特征筛选方法挑选对分类贡献高的功能连接特征用于自动预测;采用并采用线性支撑向量机构建预测模型,得到最终的对意识恢复与否的预测结果。本方法有助于用于预测脑损伤长期无意识患者能否恢复意识的参考。
Description
技术领域
本发明属医学图像处理及应用领域,涉及意识障碍者意识恢复预测的功能影像分析方法,具体涉及一种基于意识障碍者功能的磁共振检测的数据分析方法。
背景技术
现有技术公开了昏迷(Coma)是在各种致病因素作用下,脑干网状上行激动***或大脑皮质内神经元广泛受损引起的严重意识障碍,是多种疾病发展过程中的一个阶段。随着交通事故、心脑血管疾病等意外事件的逐年增多及重症医学的快速发展,存活的严重脑损伤患者不断增多,致使意识障碍患者的数量不断增加。
常见的意识障碍类型主要包括昏迷(Coma),植物状态(Vegetative state,VS)和微意识状态(Minimally conscious state,MCS),临床实践显示,维持此类患者生存的支持治疗及日常护理的费用非常昂贵,给社会造成极大的负担,给患者家庭带来沉重的精神打击和巨大的经济压力,并伴随引发一系列伦理、法律等问题。业内认为,意识障碍患者的预后预测是目前医学领域亟待解决的重大难题,准确可靠的预后判断将为患者家属及临床医师制定合理有效的医疗决策提供有益的信息。
以临床量表为主的行为学判断是目前最为常用的评估方法,Wijdicks等进行了一项汇总分析,格拉斯哥昏迷评分(Glasgow Coma Scale,GCS)可很好地预测混合病因昏迷患者的预后,其受试者工作曲线(ROC)下面积达0.87;Estraneo等发现反应性恢复的患者具有更高的昏迷恢复量表(Coma Recovery Scale-Revised,CRS-R)得分和低残障等级量表(Disability rating scale,DRS)得分,正中神经SEP存在和CRS-R>6分是反应性恢复的有效预测因子,但,该类方法主观性极强,其结果易受评估人经验及接受培训程度的影响。
神经电生理具有极好的时间分辨率,并可连续床旁监测,Gütling等发现脑电反应性(EEG reactivity,EEG-R)区分预后良好和预后不良的正确率达92%,而中枢传导时间(Central conduction time,CCT)的正确率仅82%,GCS的正确率为72%,但神经电生理其空间分辨率差随着病情进展,该类指标的敏感性逐渐下降。
近年神经影像学在意识障碍脑功能判断中日益发挥重要作用,受到业内极大的关注,Tollard等将弥散张量成像(Diffusion tensor imaging,DTI)和磁共振波谱分析(MRS)结合用于预测脑外伤患者的长期预后,其中观察到将DTI和MRS结合后对1年后未恢复预测的敏感性达86%;Lancet的一项研究采用PET和fMRI,PET对102例患者75例的预测结局正确(74%),而fMRI对65例患者中36例预测正确(56%)。
基于现有技术中对于意识障碍病人中具有被唤醒可能性预测的研究目前仍在摸索阶段的现状,本申请的发明人拟提供一种意识障碍者意识恢复预测的功能影像分析方法,拟通过对患者的神经功能影像数据的分析,获得能用于临床参考的初步预判方法,进一步更好地为临床及社会医疗实践提供有效的指导,有助于更好的配置医疗资源。
与本发明相关的现有技术有:
1.Wijdicks EF,Rabinstein AA,Bamlet WR,Mandrekar JN:FOUR score andGlasgow Coma Scale in predicting outcome ofcomatose patients:a pooledanalysis.Neurology 2011,77(1):84-85.
2.Estraneo A,Moretta P,Terme T,Trojano L:Predictors of recovery ofresponsiveness in prolonged anoxic vegetative state.Author reply.Neurology2013,81(14):1274-1275.
3.Gutling E,Gonser A,Imhof HG,Landis T:EEG reactivity in theprognosis of severe head injury.Neurology 1995,45(5):915-918.
4.Tollard E,Galanaud D,Perlbarg V,Sanchez-Pena P,Le Fur Y,AbdennourL,Cozzone P,Lehericy S,Chiras J,Puybasset L:Experience of diffusion tensorimaging and 1H spectroscopy for outcome prediction in severe traumatic braininjury:Preliminary results.Critical care medicine 2009,37(4):1448-1455.
5.Stender J,Gosseries O,Bruno MA,Charland-Verville V,VanhaudenhuyseA,Demertzi A,Chatelle C,Thonnard M,Thibaut A,Heine L et al:Diagnosticprecision of PET imaging and functional MRI in disorders of consciousness:aclinical validation study.Lancet 2014,384(9942):514-522.。
发明内容
本发明要解决的技术问题是提供一种意识障碍者意识恢复预测的功能影像分析方法,具体涉及一种基于意识障碍者功能的磁共振检测的数据分析方法。
本发明基于人脑功能网络构建使用的传统方法是皮尔逊相关系数(如图2传统方法1,图4A和图5A所示),但是该方法没有考虑到多个脑区之间的关系,仅考虑了任意两个脑区之间的功能连接,因此无法揭示复杂的大脑功能连接网络以及利用稀疏表征方法(如图2传统方法2,图4B和图5B所示)则采用机器学习的思想,考虑到多个脑区之间的关系,因此能更好的刻画这种复杂网络的特点,同时,传统稀疏表征方法考虑了功能连接的稀疏性,符合人脑网络经济高效的假设,可是,该方法对所有脑区等同对待,忽视了强连接和弱连接的区别,其优化结果往往错误地压低了强连接,或者错误地提升了弱连接,使得脑功能连接网络矩阵失去了结构性和模块化特征,而这一特征是人脑网络的重要特性等基础现状,
本发明提供了一种准确率高、重复性好的预测脑损伤长期无意识患者能否恢复意识的新的算法-机器学习的数据分析方法,其包括,基于静息态功能磁共振数据(RS-fMRI),采用“加权组稀疏”算法构建人脑功能连接矩阵,从该矩阵中,用稀疏表征的特征筛选方法挑选对分类贡献高的功能连接特征用于自动预测;采用并采用线性支撑向量机构建预测模型,得到最终的对意识恢复与否的预测结果。
更具体的,本发明的一种基于意识障碍者功能的磁共振检测的数据分析方法,其包括步骤:
1)对RS-fMRI数据进行预处理,
所述RS-fMRI数据包括层获取时间校正,头动校正,对齐到标准空间,空间平滑,时域带通滤波,从数据中去除白质、脑脊液平均信号和头动曲线;
本方法中,采用脑区分割图谱(如图1A所示)提取不同脑区(或称感兴趣区,Regionof interest/ROI)的平均时间序列;该时间序列反映区域平均血氧水平依赖信号(如图1B上所示);
2)对步骤1)获得的数据,采用“加权稀疏表征”算法,优化地计算任意一个脑区和其他脑区信号之间的表征关系,采用脑区信号之间的相关系数加权的L-1范数作为约束项(如图1B下所示),获得在同时考虑其他脑区的影响的情况下,任意两个脑区之间的关系,即一个方阵,该矩阵代表人脑功能连接网络(如图1C所示);
所述的步骤2)包括如下分步骤:
2)-1,对脑区i,其时间序列由其他脑区的线性组合表达,此为图1B下的模型的第一项,通过计算其线性组合系数W的L-1范数(图1B下的模型的第二项)进行约束;本发明的实施例中,特别地,在该约束项上进行加权,加权系数通过脑区i和另外任一脑区的皮尔逊相关系数的e负指数变形得到;通过优化该目标函数,即最小化该目标函数取值,得到最佳W,即为脑区i和所有其他脑区之间的功能连接系数;
2)-2对各个脑区分别进行步骤2)-1,获得每个脑区和所有其他脑区之间功能连接系数,由于步骤2.1得到的为一个列向量,所有脑区所对应的列向量叠在一起形成一个方阵;
2)-3对上述方阵进行转置,然后与转置前的方阵相加并除以2,实现方阵的对称化;因为传统意义上的脑功能连接矩阵为对称阵,即脑区i和脑区j的功能连接等于脑区j和脑区i的功能连接;
3)对所有N个被试采用步骤1)-2)计算人脑功能连接网络,
从所有N个意识丧失被试中,选择N-1个被试作为训练数据(如图2所示),将这些被试的意识恢复结果作为标号,采用稀疏表征的方法对所有被试所有功能连接系数(人脑功能连接网络方阵里的上三角矩阵)进行特征筛选,筛选的原则是选择较少的对分类目标贡献较大的特征,
通过下述方法选择较少的对分类目标贡献较大的特征:
建立一个以特征权重的L-1范数为约束项的线型表征优化模型,其中每个功能连接强度乘以一个特征权重,用所有功能连接强度的加权和来逼近训练数据的标号,L-1范数可以得到稀疏的优化结果,即只有少数特征被选择,该特征权重用于特征筛选,非零权重所对应的特征即被选中;
4)用被选中的特征,在特征所构成的高维空间中构建线型支撑向量机(SupportVector Machine/SVM),学习最优分类面,该分类面由所有进入SVM中的特征的权重系数决定;
5)将剩下的一个意识丧失被试,作为测试数据,对该被试的人脑功能连接网络矩阵,用步骤3)所得到的有用特征序号,提取相同特征(相同位置的功能连接强度),将其放入步骤4)中SVM所学习到的分类模型中(应用步骤4学习到的权重系数)得到预测结果;图2表示了步骤3-5所示的过程;
6)更换测试被试,将剩下的被试作为训练数据,重复步骤3-5.每次均能得到对测试被试的预测结果,将所有预测结果和该测试被试的标号相比较,得到预测模型的准确率、敏感度、特异度,制作受试者操作曲线(Receiver Operative Curve/ROC)并得到线下面积;
7)评估模型,经过利用大数据集的实验,以及步骤1-6,构建出一个最优分类模型,实验结果显示,包括了最优的脑区间功能连接特征的选择以及这些特征的加权方式预测苏醒与否的准确率超过89%,敏感度和特异度分别超过了88%和90%;
实验结果证实,本发明的方法的性能明显优于传统方法(如图3所示);
8)新被试的预测,将所有N个被试作为训练样本,利用步骤3所述的特征选择确定对预测有用的特征,用步骤4重新构建分类模型;当有新被试时,可利用该模型预测新被试的苏醒结果,用于医生参考,具体的预测方法是,对该新被试的RS-fMRI数据,采用步骤1所述方法进行预处理,并采用步骤2所述方法进行脑网络构建,最后,采用上述N个被试重新构建的大数据预测模型进行特征挑选和结果预测。
本发明基于现有技术的现状,提供了一种基于皮尔逊相关系数所得的“功能连接先验”对稀疏表征优化函数中稀疏性的约束项进行加权的一种基于意识障碍者功能的磁共振检测的数据分析方法,其中的加权方式使得强连接被尽可能保留,同时保持了稀疏表征的优点。本方法构建的人脑功能连接网络,同时具有模块化和稀疏性两个符合神经科学假设的重要特性,所提出的加权稀疏表征方法能够得到具有模块化和稀疏性特征的脑功能连接网络(如图4C所示),结果优于传统方法(如图4A和4B所示)。
附图说明
图1、利用加权稀疏表征方法构建人脑功能连接网络。
图2、基于人脑功能连接网络的模式判别流程图。
图3、模型评估结果。
图4显示了实验结果,证明所提出的加权稀疏表征方法,其中(C)本发明方法,(A、B)传统方法。
图5、显示了传统方法(A、B)和本方法(C)在两组患者功能连接网络构建上的差异。
具体实施方式
实施例1意识障碍者的预后预测临床检测试验
1)对RS-fMRI数据进行预处理,
所述RS-fMRI数据包括层获取时间校正,头动校正,对齐到标准空间,空间平滑,时域带通滤波,从数据中去除白质、脑脊液平均信号和头动曲线;
本方法中,采用脑区分割图谱(如图1A所示)提取不同脑区(或称感兴趣区,Regionof interest/ROI)的平均时间序列;该时间序列反映区域平均血氧水平依赖信号(如图1B上所示);
2)对步骤1)获得的数据,采用“加权稀疏表征”算法,优化地计算任意一个脑区和其他脑区信号之间的表征关系,采用脑区信号之间的相关系数加权的L-1范数作为约束项(如图1B下所示),获得在同时考虑其他脑区的影响的情况下,任意两个脑区之间的关系,即一个方阵,该矩阵代表人脑功能连接网络(如图1C所示);
所述的步骤2)包括如下分步骤:
2)-1,对脑区i,其时间序列由其他脑区的线性组合表达,此为图1B下的模型的第一项,通过计算其线性组合系数W的L-1范数(图1B下的模型的第二项)进行约束;本发明的实施例中,特别地,在该约束项上进行加权,加权系数通过脑区i和另外任一脑区的皮尔逊相关系数的e负指数变形得到;通过优化该目标函数,即最小化该目标函数取值,得到最佳W,即为脑区i和所有其他脑区之间的功能连接系数;
2)-2对各个脑区分别进行步骤2)-1,获得每个脑区和所有其他脑区之间功能连接系数,由于步骤2.1得到的为一个列向量,所有脑区所对应的列向量叠在一起形成一个方阵;
2)-3对上述方阵进行转置,然后与转置前的方阵相加并除以2,实现方阵的对称化;因为传统意义上的脑功能连接矩阵为对称阵,即脑区i和脑区j的功能连接等于脑区j和脑区i的功能连接;
3)对所有N个被试采用步骤1)-2)计算人脑功能连接网络,
从所有N个意识丧失被试中,选择N-1个被试作为训练数据(如图2所示),将这些被试的意识恢复结果作为标号,采用稀疏表征的方法对所有被试所有功能连接系数(人脑功能连接网络方阵里的上三角矩阵)进行特征筛选,筛选的原则是选择较少的对分类目标贡献较大的特征,
通过下述方法选择较少的对分类目标贡献较大的特征:
建立一个以特征权重的L-1范数为约束项的线型表征优化模型,其中每个功能连接强度乘以一个特征权重,用所有功能连接强度的加权和来逼近训练数据的标号,L-1范数可以得到稀疏的优化结果,即只有少数特征被选择,该特征权重用于特征筛选,非零权重所对应的特征即被选中;
4)用被选中的特征,在特征所构成的高维空间中构建线型支撑向量机(SupportVector Machine/SVM),学习最优分类面,该分类面由所有进入SVM中的特征的权重系数决定;
5)将剩下的一个意识丧失被试,作为测试数据,对该被试的人脑功能连接网络矩阵,用步骤3)所得到的有用特征序号,提取相同特征(相同位置的功能连接强度),将其放入步骤4)中SVM所学习到的分类模型中(应用步骤4学习到的权重系数)得到预测结果;图2表示了步骤3-5所示的过程;
6)更换测试被试,将剩下的被试作为训练数据,重复步骤3-5.每次均能得到对测试被试的预测结果,将所有预测结果和该测试被试的标号相比较,得到预测模型的准确率、敏感度、特异度,制作受试者操作曲线(Receiver Operative Curve/ROC)并得到线下面积;
7)评估模型,经过利用大数据集的实验,以及步骤1-6,构建一个最优分类模型,实验结果显示,包括了最优的脑区间功能连接特征的选择以及这些特征的加权方式预测苏醒与否的准确率超过89%,敏感度和特异度分别超过了88%和90%;
实验结果证实,本发明的方法的性能明显优于传统方法(如图3所示);
8)新被试的预测,将所有N个被试作为训练样本,利用步骤3所述的特征选择确定对预测有用的特征,用步骤4重新构建分类模型;当有新被试时,可利用该模型预测新被试的苏醒结果,用于医生参考,具体的预测方法是,对该新被试的RS-fMRI数据,采用步骤1所述方法进行预处理,并采用步骤2所述方法进行脑网络构建,最后,采用上述N个被试重新构建的大数据预测模型进行特征挑选和结果预测。
Claims (6)
1.基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法,其特征在于,基于机器学习的数据分析方法,其包括,基于静息态功能磁共振数据(RS-fMRI),采用“加权组稀疏”算法构建人脑功能连接矩阵,从该矩阵中,用稀疏表征的特征筛选方法挑选对分类贡献高的功能连接特征用于自动预测;采用并采用线性支撑向量机构建预测模型,得到最终的对意识恢复与否的预测结果。
2.按权利要求1所述的方法,其特征在于,其包括步骤:
1)对RS-fMRI数据进行预处理,
所述RS-fMRI数据包括层获取时间校正,头动校正,对齐到标准空间,空间平滑,时域带通滤波,从数据中去除白质、脑脊液平均信号和头动曲线;
2)对步骤1)获得的数据,采用“加权稀疏表征”算法,优化地计算任意一个脑区和其他脑区信号之间的表征关系,采用脑区信号之间的相关系数加权的L-1范数作为约束项,获得在同时考虑其他脑区的影响的情况下,任意两个脑区之间的关系,即一个方阵,该矩阵代表人脑功能连接网络;
3)对所有N个被试采用步骤1)-2)计算人脑功能连接网络,
从所有N个意识丧失被试中,选择N-1个被试作为训练数据(如图2所示),将这些被试的意识恢复结果作为标号,采用稀疏表征的方法对所有被试所有功能连接系数(人脑功能连接网络方阵里的上三角矩阵)进行特征筛选,筛选的原则是选择较少的对分类目标贡献较大的特征;
4)用被选中的特征,在特征所构成的高维空间中构建线型支撑向量机(SupportVector Machine/SVM),学习最优分类面,该分类面由所有进入SVM中的特征的权重系数决定;
5)将剩下的一个意识丧失被试,作为测试数据,对该被试的人脑功能连接网络矩阵,用步骤3)所得到的有用特征序号,提取相同特征,将其放入步骤4)中SVM所学习到的分类模型中得到预测结果;
6)更换测试被试,将剩下的被试作为训练数据,重复步骤3-5.每次均能得到对测试被试的预测结果,将所有预测结果和该测试被试的标号相比较,得到预测模型的准确率、敏感度、特异度,制作受试者操作曲线(ROC)并得到线下面积;
7)评估模型,经过利用大数据集的实验,以及步骤1-6,构建最优分类模型,该最优分类模型包括最优的脑区间功能连接特征的选择以及这些特征的加权方式预测苏醒与否的准确率超过89%,敏感度和特异度分别超过88%和90%;
8)新被试的预测,将所有N个被试作为训练样本,利用步骤3所述的特征选择确定对预测有用的特征,用步骤4重新构建分类模型;当有新被试时,利用该模型预测新被试的苏醒结果。
3.按权利要求2所述的方法,其特征在于,所述步骤1)对RS-fMRI数据进行预处理中,采用脑区分割图谱提取不同脑区或称感兴趣区的平均时间序列;该时间序列反映区域平均血氧水平依赖信号。
4.按权利要求2所述的方法,其特征在于,所述的步骤2)包括如下分步骤:
2)-1,对脑区i,其时间序列由其他脑区的线性组合表达,通过计算其线性组合系数W的L-1范数进行约束;在该约束项上进行加权,加权系数通过脑区i和另外任一脑区的皮尔逊相关系数的e负指数变形得到;通过优化该目标函数,即最小化该目标函数取值,得到最佳W,即为脑区i和所有其他脑区之间的功能连接系数;
2)-2对各个脑区分别进行步骤2)-1,获得每个脑区和所有其他脑区之间功能连接系数,由于步骤2.1得到的为一个列向量,所有脑区所对应的列向量叠在一起形成一个方阵;
2)-3对上述方阵进行转置,然后与转置前的方阵相加并除以2,实现方阵的对称化;即脑区i和脑区j的功能连接等于脑区j和脑区i的功能连接。
5.按权利要求2所述的方法,其特征在于,所述的步骤3)中通过下述方法选择较少的对分类目标贡献较大的特征:
建立一个以特征权重的L-1范数为约束项的线型表征优化模型,其中每个功能连接强度乘以一个特征权重,用所有功能连接强度的加权和逼近训练数据的标号,L-1范数可以得到稀疏的优化结果,即只有少数特征被选择,该特征权重用于特征筛选,非零权重所对应的特征即被选中。
6.按权利要求2所述的方法,其特征在于,所述的步骤8)中,按下述预测方法利用所述模型预测新被试的苏醒结果:对所述新被试的RS-fMRI数据,采用步骤1)所述方法进行预处理,并采用步骤2)所述方法进行脑网络构建,最后,采用上述N个被试重新构建的大数据预测模型进行特征挑选和结果预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611239707.3A CN108257657B (zh) | 2016-12-28 | 2016-12-28 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611239707.3A CN108257657B (zh) | 2016-12-28 | 2016-12-28 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257657A true CN108257657A (zh) | 2018-07-06 |
CN108257657B CN108257657B (zh) | 2023-07-07 |
Family
ID=62720599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611239707.3A Active CN108257657B (zh) | 2016-12-28 | 2016-12-28 | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257657B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146005A (zh) * | 2018-10-18 | 2019-01-04 | 兰州大学 | 一种基于稀疏表示的脑认知能力分析方法 |
CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
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 |
CN110263880A (zh) * | 2019-07-12 | 2019-09-20 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
CN110428012A (zh) * | 2019-08-06 | 2019-11-08 | 深圳大学 | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 |
CN110522463A (zh) * | 2019-08-28 | 2019-12-03 | 常州大学 | 一种基于脑功能连接分析的抑郁症辅助诊断*** |
CN112037914A (zh) * | 2020-08-11 | 2020-12-04 | 深圳大学 | 一种强迫症风险评估模型的构建方法、***及设备 |
CN113707324A (zh) * | 2021-09-17 | 2021-11-26 | 四川大学华西医院 | 一种评估脑功能连接和临床症状之间相关性的分析方法 |
CN115147417A (zh) * | 2022-09-02 | 2022-10-04 | 之江实验室 | 一种基于过滤法特征选择的功能连接矩阵处理***及装置 |
CN116458869A (zh) * | 2023-04-13 | 2023-07-21 | 华南师范大学 | 基于视觉脑网络的意识检测方法、***、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
WO2013097118A1 (zh) * | 2011-12-28 | 2013-07-04 | 中国科学院自动化研究所 | 对脑功能磁共振数据进行处理的方法 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
-
2016
- 2016-12-28 CN CN201611239707.3A patent/CN108257657B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013097118A1 (zh) * | 2011-12-28 | 2013-07-04 | 中国科学院自动化研究所 | 对脑功能磁共振数据进行处理的方法 |
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
Non-Patent Citations (1)
Title |
---|
许国勤等: "抑郁对颅脑创伤患者认知功能影响的fMRI研究", 《中国医学计算机成像杂志》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
CN109146005A (zh) * | 2018-10-18 | 2019-01-04 | 兰州大学 | 一种基于稀疏表示的脑认知能力分析方法 |
CN110263880B (zh) * | 2019-07-12 | 2021-08-03 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
CN110263880A (zh) * | 2019-07-12 | 2019-09-20 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
CN110428012A (zh) * | 2019-08-06 | 2019-11-08 | 深圳大学 | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 |
CN110522463A (zh) * | 2019-08-28 | 2019-12-03 | 常州大学 | 一种基于脑功能连接分析的抑郁症辅助诊断*** |
CN112037914A (zh) * | 2020-08-11 | 2020-12-04 | 深圳大学 | 一种强迫症风险评估模型的构建方法、***及设备 |
CN112037914B (zh) * | 2020-08-11 | 2021-06-01 | 深圳大学 | 一种强迫症风险评估模型的构建方法、***及设备 |
CN113707324A (zh) * | 2021-09-17 | 2021-11-26 | 四川大学华西医院 | 一种评估脑功能连接和临床症状之间相关性的分析方法 |
CN115147417A (zh) * | 2022-09-02 | 2022-10-04 | 之江实验室 | 一种基于过滤法特征选择的功能连接矩阵处理***及装置 |
CN115147417B (zh) * | 2022-09-02 | 2022-11-15 | 之江实验室 | 一种基于过滤法特征选择的功能连接矩阵处理***及装置 |
US11989883B2 (en) | 2022-09-02 | 2024-05-21 | Zhejiang Lab | Functional connectivity matrix processing system and device based on feature selection using filtering method |
CN116458869A (zh) * | 2023-04-13 | 2023-07-21 | 华南师范大学 | 基于视觉脑网络的意识检测方法、***、设备及介质 |
CN116458869B (zh) * | 2023-04-13 | 2024-03-26 | 华南师范大学 | 基于视觉脑网络的意识检测方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108257657B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257657A (zh) | 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法 | |
Gill et al. | Using machine learning to predict dementia from neuropsychiatric symptom and neuroimaging data | |
Tagliaferri et al. | Artificial intelligence to improve back pain outcomes and lessons learnt from clinical classification approaches: three systematic reviews | |
Abramovitch et al. | The cognitive neuropsychology of obsessive-compulsive disorder: A critical review | |
CN100333688C (zh) | 评估脑皮层中神经元损伤程度的装置 | |
Kluger et al. | Motor/psychomotor dysfunction in normal aging, mild cognitive decline, and early Alzheimer's disease: diagnostic and differential diagnostic features | |
JP2022507861A (ja) | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム | |
Andrews et al. | Planning following stroke: A relational complexity approach using the Tower of London | |
Cao et al. | Expanded Disability Status Scale (EDSS) estimation in multiple sclerosis from posturographic data | |
Misiura et al. | Cognitive control, learning, and clinical motor ratings are most highly associated with basal ganglia brain volumes in the premanifest Huntington’s disease phenotype | |
Jana et al. | Epileptic seizure prediction from EEG signals using DenseNet | |
Hu et al. | Machine learning classification of multiple sclerosis patients based on raw data from an instrumented walkway | |
CN111671445A (zh) | 一种意识障碍程度分析方法 | |
Li et al. | Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning | |
Cochen De Cock et al. | Classifying idiopathic rapid eye movement sleep behavior disorder, controls, and mild Parkinson's disease using gait parameters | |
Cheah et al. | A screening system for mild cognitive impairment based on neuropsychological drawing test and neural network | |
Ellis et al. | Hierarchical neural network with layer-wise relevance propagation for interpretable multiclass neural state classification | |
Tomczykiewicz et al. | Evaluation of motor unit potential wavelet analysis in the electrodiagnosis of neuromuscular disorders | |
CN116959714A (zh) | 一种自闭症谱系障碍分类方法、电子设备及存储介质 | |
CN110739083A (zh) | 增强康复训练效果的综合评价方法、装置、存储介质及设备 | |
CN113222001B (zh) | 神经影像标记物形态学融合分类指数的构建方法及应用 | |
Demirci et al. | Functional magnetic resonance imaging–implications for detection of schizophrenia | |
CN115565676A (zh) | 一种基于影像组学的阿尔兹海默症风险预测平台 | |
Przybyszewski et al. | AI classifications applied to neuropsychological trials in normal individuals that predict progression to cognitive decline | |
Li et al. | Measuring decision confidence levels from EEG using a spectral-spatial-temporal adaptive graph convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |