CN116561518A - 一种基于脑区权重相关性的脑网络构建方法 - Google Patents

Abstract

本发明公开了一种基于脑区权重相关性的脑网络构建方法，通过采集被试者大脑静息状态下的fMRI数据并进行预处理，基于生理信号BOLD序列相关性构建大脑网络连通性矩阵，然后提取脑区BOLD序列的三种局部特征，通过SVM训练得到脑区权重序列，并计算权重的相关性，构建基于脑区权重相关性的大脑网络连通矩阵，融合两种连通矩阵，得到最终的大脑网络连通矩阵，最后基于该连通矩阵构建对应的脑网络。本发明的方法与现有方法相比，在基于BOLD序列构建大脑网络连通矩阵的基础上，还基于BOLD序列的局部特征计算脑区权重序列及相关性，能够关注到对疾病影响较大但却较微弱的连接，构建的脑网络有助于发现真正与疾病相关的脑区。

Description

一种基于脑区权重相关性的脑网络构建方法

技术领域

本发明属于脑网络构建技术领域，具体涉及一种基于脑区权重相关性的脑网络构建方法。

背景技术

功能核磁共振(fMRI)作为无损和动态的探测技术，已日益成为观察大脑活动并进而揭示脑和思维关系的一种重要方法。为了对相互关联的大脑组织进行建模，神经科学家越来越多地利用网络的概念对大脑组织的相互作用进行描述和解释。大脑网络连接对很多疾病的研究具有重要意义。有研究表明ASD患者脑网络中大脑整合网络回路低下，局部回路网络功能过度链接，精神***症患者的大脑网络连接水平降低，功能连接的模式也更具随机性。重度抑郁症可能涉及到对情绪处理起关键作用的脑区之间的解剖学连接的变化。

CN201710541557.X提出一种基于功能磁共振心理生理交互的脑网络构建方法，包括采集任务状态下的功能磁共振数据，并对其进行时间层校正、头动校正和减少运动伪影等预处理，基于预处理后的功能磁共振数据构建大脑认知决策的PPI模型，通过PPI模型得到与任务参数相关的脑区活性成分，从而构建与任务参数相关的脑网络。

CN201710944535.8提出一种基于结构连接和功能连接的融合脑网络构建方法，将结构连接矩阵与静息态功能连接矩阵进行融合，能够更有效地发现脑部疾病患者的脑网络与正常人的脑网络在网络属性指标上的差异性，从而为各种脑部疾病的研究带来一定的帮助。

现有构建脑网络的方法大都是从受试者的生理信号以及脑部结构的角度确定脑区之间的连接。这些脑网络会因为不同人生理信号特征，导致构建的网络不同，需要从海量的无关脑网络连接中确定与疾病相关的连接，或者输入到深度学习模型进行迭代学习，导致计算量大，复杂性高。另外，基于生理信号构建脑网络通常要设定阈值，有些在生理信号相关性低于阈值的脑部连接可能与疾病相关，却被研究者们忽视，影响脑网络构建的准确度。

发明内容

为解决上述技术问题，本发明提出了一种基于脑区权重相关性的脑网络构建方法，不仅从生理信号的角度探索脑网络连接，也从不同脑区特征权重相关性的方法探究脑网络连接，更好地揭示疾病相关的连接，为后续确定疾病相关的异常脑区提供辅助决策。

本发明采用的技术方案：一种基于脑区权重相关性的脑网络构建方法，具体步骤如下：

S1、收集数据并进行数据预处理；

采集被试者大脑静息状态下的功能磁共振(fMRI)数据，将所有fMRI数据统一在一个高分辨率的结构像标准脑模板空间下进行度量。采用统计参数图SPM软件对fMRI数据进行时间校正、空间配准、标准化、平滑预处理，通过滤波去除高频生理噪声和低频信号漂移﹐得到全脑BOLD时间序列数据s。

选定一种标准化脑区模板将大脑功能磁共振成像划分为若干个脑区(ROI)，每个脑区内包含多个体素，将第i个脑区中第p个体素的BOLD序列表示为

其中，表示在时间点t的BOLD信号，T表示BOLD时间序列长度。

S2、基于生理信号BOLD序列相关性构建大脑网络连通性矩阵；

计算脑区内各体素点对应BOLD时间序列的平均值计算式如下：

其中，表示第i个脑区中各体素在t时刻的BOLD信号平均值，ROI_i表示第i个脑区，H表示脑区中所含有体素的个数，/>表示一个脑区时间序列和脑活动的功能属性。

用脑区时间序列的同步性表示脑区功能之间的关系，计算各脑区时间序列的Pearson相关系数

其中，表示/>之间的Pearson相关系数，/>表示此脑区时间序列上关于时间尺度的平均，计算如下：

通过计算所有脑区两两之间的Pearson相关系数，获得基于生理信号BOLD序列相关性的大脑网络连通性矩阵R。

S3、脑区BOLD序列局部性特征获取；

使用低频振幅ALFF、比例低频振幅fALFF和局部一致性ReHo三种局部性指标获取脑区局部性特征。

ALFF指标表示信号功率谱的平方根在低频带的平均值，首先将BOLD时间序列进行傅里叶变换得到其功率谱，对功率谱开平方计算特定的低频带均值即为ALFF值，计算如下：

其中，Y_i表示BOLD信号时间序列功率谱中第i个点的值平方根，N₁和N₂分别表示选取的频带最低频和最高频对应离散功率谱的数据索引位置。

fALFF指标计算如下：

ReHo指标反应大脑局部区域活动一致性程度，首先对大脑内区域的体素进行时间序列的排序(升序)，获得体素在各时间点的信号排序值。

r_t,j表示体素j在时刻t的信号值在整个时间序列中的升序排序值，计算ROI内所研究体素在时刻t的总排序值：

其中，H表示ROI内所含有体素的个数。

计算ROI内所有研究体素在各时刻总排序值的平均值：

其中，T表示BOLD时间序列长度；

则脑区对应的ReHo计算如下：

S4、ROI权重序列获取；

对于ReHo指标，每个受试者通过步骤S3得到ReHo指标，得到样本集合Spl＝{X₁X₂…X_N}∈R^N*d。

其中，R表示实数集，N表示受试者个数，d表示标准模板划分的大脑区域的个数，X_N表示第N个受试者的d个ReHo指标构成的向量。

样本集合Spl中的每一个数据X_n(n＝1,2,3,…N)，具有受试者标签L_n；将这些样本数据用于SVM机器学习。

然后将样本集合Spl划分为M个样本子集：

将样本集合Spl划分为不同的组，每组样本量为K/2，最后一组样本量不足K/2时从样本将各组分别表示为对这些组进行两两组合，得到：即(2N/K)(2N/K-1)/2个大小为K的样本子集，分别表示为Spl1，Spl2，Spl3，....，Spl_M。

其中，M表示样本子集的数量，不同样本子集间重复率不超过50％。

对于每一个样本子集Spl_i，使用支持向量机SVM进行训练。

经过SVM训练，可以得到在该样本子集上的准确率为AUC_i，及优化的参数W_i＝{w_i1,w_i2,w_i3...w_id}。

其中，参数w_id表示通过第i个样本子集训练得到的第d个脑区的权重；将不同样本子集训练得到的权重按行排列得到权重矩阵W：

根据权重矩阵W计算脑区i和脑区j之间SVM训练所得权重的相关系数

其中，w_mi表示脑区i在样本子集m上得到的权重，表示脑区i在各样本子集上得到的权重平均值：

将各样本子集上训练得到的准确率AUC_i求平均值得到在ReHo指标上的训练准确率AUC_ReHo。

同理，基于ALFF指标可得到权重序列相关系数和该指标上的训练准确率AUC_ALFF，基于fALFF指标可得到权重序列相关系数/>和该指标上的训练准确率AUC_fALFF。

S5、构建基于脑区权重相关性的大脑网络连通矩阵；

基于步骤S4得到的权重序列相关系数得到基于ReHo指标权重序列的大脑网络连通性矩阵/>

同理，可得基于ALFF指标权重序列的大脑网络连通矩阵基于fALFF指标权重序列的大脑网络连通性矩阵/>

将上述三个连通矩阵进行融合，得到基于局部特征权重的大脑网络连通矩阵R^w：

其中，SU＝AUC_ReHo+AUC_ALFF+AUC_fALFF。

S6、脑网络构建；

将步骤S2得到的连通矩阵R和步骤S5得到的连通矩阵R^W进行线性求和得到最终构建的大脑网络连通矩阵：

R^f＝θ^W+(1-θ)R (13)

其中，R^f表示融合了人体脑网络中BOLD信号相关性以及SVM训练权重相关性目标的脑网络矩阵，参数θ由实际效果来确定。

然后确定二值网络构建阈值，通过定义网络稀疏度，确定阈值，对于R^f矩阵中，大于阈值的元素保留，并作为网络中的一条边，小于阈值则去除这两个节点之间的联系，即可生成对应的脑网络。

本发明的有益效果：本发明的方法通过采集被试者大脑静息状态下的fMRI数据并进行预处理，基于生理信号BOLD序列相关性构建大脑网络连通性矩阵，然后提取脑区BOLD序列的三种局部特征，通过SVM训练得到脑区权重序列，并计算权重的相关性，构建基于脑区权重相关性的大脑网络连通矩阵，融合两种连通矩阵，得到最终的大脑网络连通矩阵，最后基于该连通矩阵构建对应的脑网络。本发明的方法与现有方法相比，在基于BOLD序列构建大脑网络连通矩阵的基础上，还基于BOLD序列的局部特征计算脑区权重序列及相关性，能够关注到对疾病影响较大但却较微弱的连接，构建的脑网络有助于发现真正与疾病相关的脑区。

附图说明

图1为本发明的一种基于脑区权重相关性的脑网络构建方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步地说明。

如图1所示，本发明的一种基于脑区权重相关性的脑网络构建方法流程图，具体步骤如下：

S1、收集数据并进行数据预处理；

采集被试者大脑静息状态下的功能磁共振(fMRI)数据，将所有fMRI数据统一在一个高分辨率的结构像标准标准脑模板空间下进行度量。采用统计参数图(SPM，StatisticalParametric Mapping)软件对fMRI数据进行时间校正、空间配准、标准化、平滑预处理，通过滤波(带宽0.01～0.08Hz)去除高频生理噪声和低频信号漂移﹐得到全脑BOLD(BloodOxygenation Level Dependent)时间序列数据s。

选定一种标准化脑区模板将大脑功能磁共振成像划分为若干个脑区(ROI)，每个脑区内包含多个体素，将第i个脑区中第p个体素的BOLD序列表示为

其中，表示在时间点t的BOLD信号，T表示BOLD时间序列长度。

S2、基于生理信号BOLD序列相关性构建大脑网络连通性矩阵；

计算脑区内各体素点对应BOLD时间序列的平均值计算式如下：

其中，表示第i个脑区中各体素在t时刻的BOLD信号平均值，ROI_i表示第i个脑区，H表示脑区中所含有体素的个数，/>表示一个脑区时间序列和脑活动的功能属性。

用脑区时间序列的同步性表示脑区功能之间的关系，计算各脑区时间序列的Pearson相关系数

其中，表示/>之间的Pearson相关系数，/>表示此脑区时间序列上关于时间尺度的平均，计算如下：

通过计算所有脑区两两之间的Pearson相关系数，获得基于生理信号BOLD序列相关性的大脑网络连通性矩阵R。

S3、脑区BOLD序列局部性特征获取；

脑区局部性特征可用于学习脑部的异常情况。本实施例使用低频振幅ALFF、比例低频振幅fALFF和局部一致性ReHo三种局部性指标获取脑区局部性特征。

ALFF指标表示信号功率谱的平方根在低频带的平均值，首先将BOLD时间序列进行傅里叶变换得到其功率谱，对功率谱开平方计算特定的低频带均值即为ALFF值，计算如下：

其中，Y_i表示BOLD信号时间序列功率谱中第i个点的值平方根，N₁和N₂分别表示选取的频带最低频和最高频对应离散功率谱的数据索引位置。

fALFF指标计算如下：

ReHo指标反应大脑局部区域活动一致性程度，首先对大脑内区域的体素进行时间序列的排序(升序)，获得体素在各时间点的信号排序值。

假如某一个给定的时间序列：0.1，0.5，0.4，0.6，0.7，那么0.5在此序列的升序排序值为3，则该体素在第二个时间点的信号排序值为3。

r_t,i表示体素j在时刻t的信号值在整个时间序列中的升序排序值，计算ROI内所研究体素在时刻t的总排序值：

其中，H表示ROI内所含有体素的个数；

计算ROI内所有研究体素在各时刻总排序值的平均值：

其中，T表示BOLD时间序列长度；

则脑区对应的ReHo计算如下：

S4、ROI权重序列获取；

对于ReHo指标，每个受试者通过步骤S3得到ReHo指标，得到样本集合Spl＝{X₁X₂…X_N}∈R^N*d。

其中，R表示实数集，N表示受试者个数，d表示标准模板划分的大脑区域的个数，X_N表示第N个受试者的d个ReHo指标构成的向量。

样本集合Spl中的每一个数据X_n(n＝1,2,3,…N)，具有受试者标签L_n；将这些样本数据用于SVM(Support Vector Machine)机器学习。

然后将样本集合Spl划分为M个样本子集：

将样本集合Spl划分为不同的组，每组样本量为K/2，最后一组样本量不足K/2时从样本集合Spl随机选择样本补足K/2个样本。

将各组分别表示为对这些组进行两两组合，得到：即(2N/K)(2N/K-1)/2个大小为K的样本子集，分别表示为Spl1，Spl2，Spl3，....，Spl_M。

其中，M表示样本子集的数量，不同样本子集间重复率不超过50％。

对于每一个样本子集Spl_i，使用支持向量机SVM进行训练。

经过SVM训练，可以得到在该样本子集上的准确率为AUC_i，及优化的参数W_i＝{w_i1,w_i2,w_i3...w_id}。

其中，参数w_id表示通过第i个样本子集训练得到的第d个脑区的权重；将不同样本子集训练得到的权重按行排列得到权重矩阵W：

根据权重矩阵W计算脑区i和脑区j之间SVM训练所得权重的相关系数

其中，w_mi表示脑区i在样本子集m上得到的权重，表示脑区i在各样本子集上得到的权重平均值：

将各样本子集上训练得到的准确率AUC_i求平均值得到在ReHo指标上的训练准确率AUC_ReHo。

同理，基于ALFF指标可得到权重序列相关系数和该指标上的训练准确率AUC_ALFF，基于fALFF指标可得到权重序列相关系数/>和该指标上的训练准确率AUC_fALFF。

S5、构建基于脑区权重相关性的大脑网络连通矩阵；

基于步骤S4得到的权重序列相关系数得到基于ReHo指标权重序列的大脑网络连通性矩阵/>

同理，可得基于ALFF指标权重序列的大脑网络连通矩阵基于fALFF指标权重序列的大脑网络连通性矩阵/>

将上述三个连通矩阵进行融合，得到基于局部特征权重的大脑网络连通矩阵R^w：

其中，SU＝AUC_ReHo+AUC_ALFF+AUC_fALFF。

S6、脑网络构建；

将步骤S2得到的连通矩阵R和步骤S5得到的连通矩阵R^W进行线性求和得到最终构建的大脑网络连通矩阵：

R^f＝θ^W+(1-θ)R (13)

其中，R^f表示融合了人体脑网络中BOLD信号相关性以及SVM训练权重相关性目标的脑网络矩阵，参数θ由实际效果来确定。

然后确定二值网络构建阈值，通过定义网络稀疏度，确定阈值，对于R^f矩阵中，大于阈值的元素保留，并作为网络中的一条边，小于阈值则去除这两个节点之间的联系，即可生成对应的脑网络。

综上，本发明的方法与现有方法相比，在基于BOLD序列构建大脑网络连通矩阵的基础上，还基于BOLD序列的局部特征计算脑区权重序列及相关性，能够关注到对疾病影响较大但却较微弱的连接，构建的脑网络有助于发现真正与疾病相关的脑区。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (1)

1.一种基于脑区权重相关性的脑网络构建方法，具体步骤如下：

S1、收集数据并进行数据预处理；

采集被试者大脑静息状态下的功能磁共振(fMRI)数据，将所有fMRI数据统一在一个高分辨率的结构像标准脑模板空间下进行度量；采用统计参数图SPM软件对fMRI数据进行时间校正、空间配准、标准化、平滑预处理，通过滤波去除高频生理噪声和低频信号漂移﹐得到全脑BOLD时间序列数据s；

选定一种标准化脑区模板将大脑功能磁共振成像划分为若干个脑区(ROI)，每个脑区内包含多个体素，将第i个脑区中第p个体素的BOLD序列表示为

其中，表示在时间点t的BOLD信号，T表示BOLD时间序列长度；

S2、基于生理信号BOLD序列相关性构建大脑网络连通性矩阵；

计算脑区内各体素点对应BOLD时间序列的平均值计算式如下：

其中，表示第i个脑区中各体素在t时刻的BOLD信号平均值，ROI_i表示第i个脑区，H表示脑区中所含有体素的个数，/>表示一个脑区时间序列和脑活动的功能属性；

用脑区时间序列的同步性表示脑区功能之间的关系，计算各脑区时间序列的Pearson相关系数

其中，表示/>之间的Pearson相关系数，/>表示此脑区时间序列上关于时间尺度的平均，计算如下：

通过计算所有脑区两两之间的Pearson相关系数，获得基于生理信号BOLD序列相关性的大脑网络连通性矩阵R；

S3、脑区BOLD序列局部性特征获取；

使用低频振幅ALFF、比例低频振幅fALFF和局部一致性ReHo三种局部性指标获取脑区局部性特征；

ALFF指标表示信号功率谱的平方根在低频带的平均值，首先将BOLD时间序列进行傅里叶变换得到其功率谱，对功率谱开平方计算特定的低频带均值即为ALFF值，计算如下：

其中，Y_i表示BOLD信号时间序列功率谱中第i个点的值平方根，N₁和N₂分别表示选取的频带最低频和最高频对应离散功率谱的数据索引位置；

fALFF指标计算如下：

ReHo指标反应大脑局部区域活动一致性程度，首先对大脑内区域的体素进行时间序列的排序(升序)，获得体素在各时间点的信号排序值；

r_t,j表示体素j在时刻t的信号值在整个时间序列中的升序排序值，计算ROI内所研究体素在时刻t的总排序值：

其中，H表示ROI内所含有体素的个数；

计算ROI内所有研究体素在各时刻总排序值的平均值：

其中，T表示BOLD时间序列长度；

则脑区对应的ReHo计算如下：

S4、ROI权重序列获取；

对于ReHo指标，每个受试者通过步骤S3得到ReHo指标，得到样本集合Spl＝{X₁X₂…X_N}∈R^N*d；

其中，R表示实数集，N表示受试者个数，d表示标准模板划分的大脑区域的个数，X_N表示第N个受试者的d个ReHo指标构成的向量；

样本集合Spl中的每一个数据X_n(n＝1,2,3,…N)，具有受试者标签L_n；将这些样本数据用于SVM机器学习；

然后将样本集合Spl划分为M个样本子集：

将样本集合Spl划分为不同的组，每组样本量为K/2，最后一组样本量不足K/2时从样本集合Spl随机选择样本补足K/2个样本；

将各组分别表示为对这些组进行两两组合，得到：即(2N/K)(2N/K-1)/2个大小为K的样本子集，分别表示为Spl1，Spl2，Spl3，....，Spl_M；

其中，M表示样本子集的数量，不同样本子集间重复率不超过50％；

对于每一个样本子集Spl_i，使用支持向量机SVM进行训练；

经过SVM训练，可以得到在该样本子集上的准确率为AUC_i，及优化的参数W_i＝{w_i1,w_i2,w_i3...w_id}；

其中，参数w_id表示通过第i个样本子集训练得到的第d个脑区的权重；将不同样本子集训练得到的权重按行排列得到权重矩阵W：

根据权重矩阵W计算脑区i和脑区j之间SVM训练所得权重的相关系数

其中，w_mi表示脑区i在样本子集m上得到的权重，表示脑区i在各样本子集上得到的权重平均值：

将各样本子集上训练得到的准确率AUC_i求平均值得到在ReHo指标上的训练准确率AUC_ReHo；

同理，基于ALFF指标可得到权重序列相关系数和该指标上的训练准确率AUC_ALFF，基于fALFF指标可得到权重序列相关系数/>和该指标上的训练准确率AUC_fALFF；

S5、构建基于脑区权重相关性的大脑网络连通矩阵；

基于步骤S4得到的权重序列相关系数得到基于ReHo指标权重序列的大脑网络连通性矩阵/>

同理，可得基于ALFF指标权重序列的大脑网络连通矩阵基于fALFF指标权重序列的大脑网络连通性矩阵/>

将上述三个连通矩阵进行融合，得到基于局部特征权重的大脑网络连通矩阵R^w：

其中，SU＝AUC_ReHo+AUC_ALFF+AUC_fALFF；

S6、脑网络构建；

将步骤S2得到的连通矩阵R和步骤S5得到的连通矩阵R^W进行线性求和得到最终构建的大脑网络连通矩阵：

R^f＝θ^W+(1-θ)R (13)

其中，R^f表示融合了人体脑网络中BOLD信号相关性以及SVM训练权重相关性目标的脑网络矩阵，参数θ由实际效果来确定；

然后确定二值网络构建阈值，通过定义网络稀疏度，确定阈值，对于R^f矩阵中，大于阈值的元素保留，并作为网络中的一条边，小于阈值则去除这两个节点之间的联系，即可生成对应的脑网络。