CN117357132B - 一种基于多层脑网络节点参与系数的任务执行方法及装置 - Google Patents
一种基于多层脑网络节点参与系数的任务执行方法及装置 Download PDFInfo
- Publication number
- CN117357132B CN117357132B CN202311665176.4A CN202311665176A CN117357132B CN 117357132 B CN117357132 B CN 117357132B CN 202311665176 A CN202311665176 A CN 202311665176A CN 117357132 B CN117357132 B CN 117357132B
- Authority
- CN
- China
- Prior art keywords
- node
- brain
- nodes
- time period
- connectivity
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 55
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 85
- 230000007177 brain activity Effects 0.000 claims abstract description 31
- 239000010410 layer Substances 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 claims description 76
- 239000011229 interlayer Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006854 communication Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000008338 local blood flow Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/37—Intracranial electroencephalography [IC-EEG], e.g. electrocorticography [ECoG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Neurosurgery (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多参与系数，执行目标任务。
Description
技术领域
本说明书涉及神经科学和计算机技术领域，尤其涉及一种基于多层脑网络节点参与系数的任务执行方法及装置。
背景技术
随着神经科学的快速发展，对大脑的研究也愈加深入，为了更好的研究和分析大脑的功能和结构，多层脑网络应运而生。其中，多层脑网络将大脑分割成若干个脑区，脑区之间通过神经元之间的连接相互作用。将每个脑区抽象成一个节点，大脑的不同脑区之间的通信过程相当于各个节点之间的通信过程，因此，可以把大脑看作一个复杂的网络。
目前，可以根据在大脑活动中收集到的各节点的脑部信号数据，得到各节点的节点参与系数，来衡量各节点与其他节点的连接情况，从而对大脑进行研究和分析。然而，目前得到的节点参与系数不够准确，无法对大脑中各脑区之间的连接情况进行正确的分析。
基于此，如何提高多层脑网络中节点参与系数的准确率，以对大脑中各脑区之间的连接情况进行更加精准的分析，则是一个亟待解决的问题。
发明内容
本说明书提供一种基于多层脑网络节点参与系数的任务执行方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于多层脑网络节点参与系数的任务执行方法，用户的脑部中划分多个脑区，每个脑区在预设的脑部网络图中对应不同的节点，包括：
获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，其中，各时间段中至少有部分时间段存在部分时间重叠；
针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度；
根据各节点对应的第一连通度以及第二连通度，确定出每个节点在脑部活动中的多参与系数，针对每个节点，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况；
根据每个节点对应的多参与系数，执行目标任务。
可选地，获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，具体包括：
获取脑部信号数据，以针对每个预设的时间段，根据该预设的时间段对应的时间窗口对该时间段内各节点的脑部信号数据进行采样，以得到该时间段中各节点所对应的脑部信号序列。
可选地，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，具体包括：
针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度；
根据每个节点对应的第一关联度，确定层内邻接矩阵，其中，针对所述层内邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度。
可选地，确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度，具体包括：
针对每个节点，确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度；
根据每个节点对应的第二关联度，确定层间邻接矩阵，其中，针对所述层间邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在不同时间段的第二连通度。
可选地，根据各节点对应的第一连通度以及第二连通度，确定出每个节点在脑部活动中的多参与系数，具体包括：
针对每个节点，根据确定出的该节点与其他节点的链路总数、该节点对应的第一连通度以及该节点对应的第二连通度，以得到该节点在脑部活动中的多参与系数，所述链路总数是指当该节点与其他节点有链接时所形成的链路的总和。
可选地，确定出的该节点与其他节点的链路总数，具体包括：
针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度，以及确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度；
针对每个其他节点，若确定该节点与该其他节点之间的第一关联度大于预设阈值，或是确定该节点与该其他节点之间的第二关联度大于预设阈值，则确定该节点与该其他节点之间存在链路；
根据确定出该节点与各其他节点之间所存在的链路，确定所述链路总数。
本说明书提供了一种基于多层脑网络节点参与系数的任务执行装置，包括：
获取模块，用于获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，其中，各时间段中至少有部分时间段存在部分时间重叠；
确定模块，用于针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度；
计算模块，用于根据各节点对应的第一连通度以及第二连通度，确定出每个节点在脑部活动中的多参与系数，针对每个节点，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况；
执行模块，用于根据每个节点对应的多参与系数，执行目标任务。
可选地，所述确定模块具体用于，针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度；根据每个节点对应的第一关联度，确定层内邻接矩阵，其中，针对所述层内邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多层脑网络节点参与系数的任务执行的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于多层脑网络节点参与系数的任务执行的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的基于多层脑网络节点参与系数的任务执行方法中，先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多参与系数，执行目标任务。
从上述方法可以看出，在本说明书提供的基于多层脑网络节点参与系数的任务执行方法中，针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定出该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，这样的方式可以让计算得到的多参与系数更加准确，考虑到了节点在不同时间段和在相同时间段与其他节点的节点连通度，从而可以更加精准的分析研究在大脑活动中各脑区之间的连接情况，以对各脑区之间的连接情况进行综合评估。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种基于多层脑网络节点参与系数的任务执行方法的流程示意图；
图2为本说明书提供的一种得到预设时间段中各节点对应的脑部信号序列的过程示意图；
图3为本说明书提供的一种基于多层脑网络节点参与系数的任务执行装置的示意图；
图4为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于多层脑网络节点参与系数的任务执行方法的流程示意图，包括以下步骤：
S101：获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，其中，各时间段中至少有部分时间段存在部分时间重叠。
在实际场景中，大脑是由多个区域组成的复杂***，为了更好的研究和分析大脑的功能和结构，以及各区域在大脑活动中的连接情况，多层脑网络应运而生。其中，多层脑网络将大脑分割成若干个脑区，脑区之间通过神经元之间的连接相互作用。将每个脑区抽象成一个节点，大脑的不同脑区之间的通信过程相当于各个节点之间的通信过程，因此，可以把大脑看作一个复杂的网络。
多参与系数（Multi-Participation Coefficient，MPC）是复杂网络理论中的一个概念，在本说明书中，通过计算多层脑网络中各节点的多参与系数，来衡量各节点在层内和层间与其他节点的连接情况，其中，各节点在层内的连接情况相当于各节点在相同时间段与其他节点的连接情况，各节点在层间的连接情况相当于各节点在不同时间段与其他节点的连接情况。研究多层脑网络各节点的多参与程度对于揭示大脑网络的性质具有重要意义。
然而，当前计算多参与系数的方式得到的结果不够准确，无法对各脑区在脑部活动中的连接情况作出正确的判断，进而也无法对各节点在层内和层间与其他节点的连接情况进行综合评估。
基于此，本说明书提供了一种基于多层脑网络节点参与系数的任务执行方法，为了得到更加准确的多参与系数，以对各脑区之间的连接情况进行精准的分析，本说明书需要先获取脑部信号数据，以针对每个预设的时间段，根据该预设的时间段对应的时间窗口对该时间段内各节点的脑部信号数据进行采样，以得到该时间段中各节点所对应的脑部信号序列。再针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为第二连通度。进而根据确定出的该节点与其他节点的链路总数、该节点对应的第一连通度以及该节点对应的第二连通度，以得到该节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多参与系数，执行目标任务。
具体地，服务器获取脑部信号数据的方式可以有磁共振成像(MagneticResonance Imaging，MRI)、功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)等。其中，在本说明书中，使用fMRI得到脑部信号数据。
fMRI是一种利用磁共振技术来研究大脑功能活动的技术。当大脑神经元活动时，局部血液流量会发生变化，从而引起血氧水平的变化。fMRI通过检测血氧水平的变化，可以反映大脑不同区域的活动情况，进而对大脑进行成像。服务器基于构建大脑图像所需要的关于血氧水平变化的数据，得到脑部信号数据。
进一步地，在处理脑部信号数据时，可以将每个脑区都看作一个节点，节点集合记作V={,/>,…/>}，其中/>表示多层脑网络中的第i个节点，N=|V|表示每个多层脑网络中包含的节点总数。在本说明书，通过fMRI得到脑部信号数据，以针对每个预设的时间段，根据该预设的时间段对应的时间窗口，对该时间段内各节点的脑部信号数据进行采样，最终得到该时间段中各节点所对应的脑部信号序列，如图2所示。
图2为本说明书提供的一种得到预设时间段中各节点对应的脑部信号序列的过程示意图。
图2中的坐标轴的横轴代表时间变化，纵轴代表血液中血氧水平的变化，图2中所示多条曲线对应多个节点。在本说明书中，基于窗口滑动机制，对各节点的脑部信号数据进行采样。具体地，服务器根据脑部信号的总长度，设定合适的窗口大小和步长。为保证最后得到的多参与系数更加准确，默认得到的完整的脑部信号数据一开始有一部分数据是噪声部分，服务器在对脑部信号数据进行采样时，可以从完整的脑部信号数据的头部开始，先去除噪声的部分，再取与窗口大小等长的信号序列，记为第一个窗口（即图2中第一个方框），取完第一个窗口后将窗口向后移动步长距离，记为第二个窗口（即图2中第二个方框），依次根据窗口的步长和大小，共取k个窗口，以得到k个时间段中各节点所对应的脑部信号序列。
S102：针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度。
在本说明书中，针对每个节点，该节点可能会在相同时间段或不同时间段与其他节点都有连接，所以需要计算该节点在相同时间段与其他节点的第一连通度和该节点在不同时间段与其他节点的第二连通度，以使最后得到的多参与系数更加准确。
具体地，对于各节点在相同时间段与其他节点的第一连通度，针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度，再根据每个节点对应的第一关联度，确定层内邻接矩阵，其中，针对层内邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度。
也就是说，在本说明书中，对于节点来说（/>），服务器可以计算同一时间窗口m(/>)下两个节点/>与/>间的脑部信号序列的皮尔逊系数（且/>），以得到同一时间段中的/>节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度。进而根据每个节点的第一关联度，得到层内邻接矩阵。其中，针对每个矩阵值/>用于表示/>节点与节点之间在第m层的第一连通度。需要说明的是，这里的第m层可以理解为第m个时间窗口下，那么，/>可以指/>节点与/>节点之间在第m个时间窗口下的第一连通度。
而对于各节点在不同时间段与其他节点的第二连通度，针对每个节点，确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度。再根据每个节点对应的第二关联度，确定层间邻接矩阵，其中，针对层间邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在不同时间段的第二连通度。
也就是说，在本说明书中，对于节点来说（/>），服务器可以计算不同时间窗口m(/>)和n（/>且/>）下两个节点/>与/>间的脑部信号序列的皮尔逊系数（/>且/>），以得到不同时间段中的/>节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度。进而根据每个节点的第二关联度，得到层间邻接矩阵。其中，针对每个矩阵值用于表示/>节点与/>节点之间在第m层与第n（/>）层的第二连通度。需要说明的是，这里的第m层可以理解为第m个时间窗口下，第n层可以理解为第n个时间窗口下，那么，/>可以指第m个时间窗口下的/>节点与第n个时间窗口下的/>节点之间的第二连通度。
进一步地，服务器将层内邻接矩阵和层间邻接矩阵组成多层邻接矩阵W，该多层邻接矩阵用于表示多层脑网络中各节点在层内和层间的连接情况。
另外，服务器确定在同一时间段或不同时间段中的各节点的脑部信号序列与其他节点的脑部信号序列之间的关联度可以理解为确认两个节点的脑部信号序列之间的相似程度，也就是说，当两个节点之间的连通度越高，那么这两个节点对应的脑部信号序列的波形越相近，两个节点的脑部信号序列之间的相似程度就越高。所以，基于上述原理，本说明书中提到的通过计算两个节点的脑部信号序列的皮尔逊系数来得到两个节点的脑部信号序列之间的关联度，只是其中一种方式，实际上根据相似程度来计算关联度还可以有多种方法，例如：余弦距离、欧式距离、KL散列等，在此不做具体限定。
S103：根据各节点对应的第一连通度以及第二连通度，确定出每个节点在脑部活动中的多参与系数，针对每个节点，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况。
在本说明书中，针对每个节点，服务器需要根据该节点与其他节点的链路总数、该节点对应的第一连通度以及该节点对应的第二连通度，得到该节点在脑部活动中的多参与系数。
具体地，针对每个节点，链路总数是指当该节点与其他节点有链接时所形成的链路的总和。服务器可以确定出该节点与该其他节点之间的第一关联度是否大于预设阈值，或是确定出该节点与该其他节点之间的第二关联度是否大于预设阈值，当该节点与该其他节点之间的第一关联度和第二关联度中有至少一个大于预设阈值，即说明该节点与该其他节点之间存在链路，那么，根据确定出的该节点与各其他节点之间所存在的链路，确定链路总数。
服务器也可以根据该节点与该其他节点之间的第一关联度和第二关联度是否大于预设阈值，来确定该节点与该其他节点之间是否存在链路。例如，服务器可以根据计算两个节点的脑部信号序列的皮尔逊系数来确定的层内邻接矩阵和层间邻接矩阵中的矩阵值都在0到1之间，也就是说，任意一个矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度或是在不同时间段的第二连通度，当第一连通度或第二连通度越趋于0时，代表两个节点间的连通度越弱，越趋于1时，代表两个节点间的连通度越强。
因此，当确定该节点与该其他节点之间是否存在链路时，假定预设阈值为0，那么，可以认为只要矩阵值大于0，即代表该节点与该其他节点之间存在链路。所以，两个节点之间有连接时其对应的矩阵值在层内邻接矩阵和层间邻接矩阵中表示为1，无连接则表示为0，对层内邻接矩阵和层间邻接矩阵进行处理，将层内邻接矩阵和层间邻接矩阵中的矩阵值大于0的值均置为1，等于0的不变，将多层邻接矩阵W转化为仅代表节点间是否存在链路的多层邻接矩阵。
需要说明的是，在实际应用中，有些节点间的第一连通度和第二连通度更趋于0，为避免这些连通度很小的连接也被算入链路总数中，进而造成多参与系数的准确率下降，对于多层邻接矩阵W，预设阈值也可是0到1之间的数字，这样可以筛选掉连通度很小的连接，只保留连接能力强的链路。
进一步地，计算在相同时间段节点与其他节点存在链路时的链路总数：
其中，表示在相同时间段/>节点与其他节点连接的链路总数，具体可以指在第m个时间窗口下（第m层）的/>节点与其他节点层内存在链路的链路总数。
同理，计算在不同时间段节点与其他节点存在链路时的链路总数：
其中，表示在不同时间段/>节点与其他节点连接的链路总数，具体可以指在第m个时间窗口下（第m层）的/>与在第n个时间窗口下（第n层）的其他节点在层间存在链路的链路总数。
那么，确定节点与其他节点的链路总数的公式可表示为：
其中，表示/>节点与其他节点在层内和层间存在链路的链路总数，用于表示/>节点与其他节点在层内存在链路的链路总数，/>用于表示/>节点与其他节点在层间存在链路的链路总数。
服务器根据节点对应的第一连通度，可以得到在相同时间段中/>节点与其他节点的层内连通度，此处的层内连通度是指在相同时间段中/>节点与其他节点的第一连通度的加和，用公式表示为：
其中，表示在第m层中/>节点与其他节点的层内连通度。
同理，服务器根据节点对应的第二连通度，可以得到在不同时间段中/>节点与其他节点的层间连通度，此处的层间连通度是指在不同时间段中/>节点与其他节点的第二连通度的加和，用公式表示为：
其中，表示在第m层的/>节点与第n层中的其他节点的层间连通度。特别地，当/>时，/>也可以表示在相同时间中/>节点与其他节点的层内连通度。
进一步地，根据节点与其他节点的链路总数、在相同时间中/>节点与其他节点的层内连通度以及在不同时间段中/>节点与其他节点的层间连通度，得到/>节点在脑部活动中的多参与系数，可用公式表示为：
其中，先计算节点在相同时间中/>节点与其他节点的层内连通度或在不同时间段中/>节点与其他节点的层间连通度在链路总数中的占比，然后将/>节点的所有层内连通度和层间连通度在总链路中占比的平方结果相加即为所求的多参与系数。
需要说明的是，多参与系数的值在0到1之间，当多参与系数趋于1时，说明该节点在层内和层间连接更均匀，也就是说，该节点与相同时间段和不同时间段的其他节点都有很好的连接。反之，当多参与系数趋于0时，说明该节点在层内和层间连接不均匀，也就是说，该节点与相同时间段和不同时间段的其他节点的连接情况不好。
S104：根据每个节点对应的多参与系数，执行目标任务。
服务器得到最终的每个节点对应的多参与系数，以继续执行目标任务。其中，目标任务可以是对各节点在大脑活动中的连接情况进行更加准确的分析，以针对该节点的连接情况，得到更加完善的评估结果；目标任务也可以是得到每个节点对应的多参与系数后，对大脑活动中各节点对应的各脑区之间的联系进行信息展示，相比于单纯展示两个节点间是否有连接，得到每个节点对应的多参与系数可以帮助人们更好的对大脑活动中各脑区在一段时间内的联系有一个清晰的认知。
当然，多参与系数对寻找大脑中与其他节点广泛连接的中枢节点（关键脑区）等具有参考意义。进一步地，可以利用中枢节点是否异常来判断阿尔兹海默症的发展情况，以及进行阿尔兹海默症的预防或治疗等。并且对比正常人与强迫症患者的多参与系数时，可以发现，由于强迫症患者的脑区连接情况出现异常，正常人的各节点的多参与系数均高于强迫症患者。
在本说明书中，服务器根据各节点与其他节点的链路总数、各节点对应的第一连通度以及各节点对应的第二连通度，得到在大脑活动中各节点的多参与系数，这样的方式大大提高了节点的多参与系数的准确率，进而更加全面的展示了在大脑活动中各脑区之间的联系，以使服务器根据准确的多参与系数，可以更好地执行目标任务。
以上为本说明书的一个或多个实施基于多层脑网络节点参与系数的任务执行方法，基于同样的思路，本说明书还提供了相应的基于多层脑网络节点参与系数的任务执行装置，如图3所示。
图3为本说明书提供的一种基于多层脑网络节点参与系数的任务执行装置的示意图，包括：
获取模块301，用于获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，其中，各时间段中至少有部分时间段存在部分时间重叠；
确定模块302，用于针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度；
计算模块303，用于根据各节点对应的第一连通度以及第二连通度，确定出每个节点在脑部活动中的多参与系数，针对每个节点，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况；
执行模块304，用于根据每个节点对应的多参与系数，执行目标任务。
可选地，所述获取模块301具体用于，获取脑部信号数据，以针对每个预设的时间段，根据该预设的时间段对应的时间窗口对该时间段内各节点的脑部信号数据进行采样，以得到该时间段中各节点所对应的脑部信号序列。
可选地，所述确定模块302具体用于，针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度；根据每个节点对应的第一关联度，确定层内邻接矩阵，其中，针对所述层内邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度。
可选地，所述确定模块302具体用于，针对每个节点，确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度；根据每个节点对应的第二关联度，确定层间邻接矩阵，其中，针对所述层间邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在不同时间段的第二连通度。
可选地，所述计算模块303具体用于，针对每个节点，根据确定出的该节点与其他节点的链路总数、该节点对应的第一连通度以及该节点对应的第二连通度，以得到该节点在脑部活动中的多参与系数，所述链路总数是指当该节点与其他节点有链接时所形成的链路的总和。
可选地，所述计算模块303具体用于，针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度，以及确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度；针对每个其他节点，若确定该节点与该其他节点之间的第一关联度大于预设阈值，或是确定该节点与该其他节点之间的第二关联度大于预设阈值，则确定该节点与该其他节点之间存在链路；根据确定出该节点与各其他节点之间所存在的链路，确定所述链路总数。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种基于多层脑网络节点参与系数的任务执行方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的基于多层脑网络节点参与系数的任务执行方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种基于多层脑网络节点参与系数的任务执行方法，其特征在于，用户的脑部中划分多个脑区，每个脑区在预设的脑部网络图中对应不同的节点，包括：
获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，其中，各时间段中至少有部分时间段存在部分时间重叠；
针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度；
针对每个节点，根据确定出的该节点与其他节点的链路总数、该节点对应的第一连通度以及该节点对应的第二连通度，以得到该节点在脑部活动中的多参与系数，所述链路总数是指当该节点与其他节点有链接时所形成的链路的总和，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况；
根据每个节点对应的多参与系数，执行目标任务。
2.如权利要求1所述的方法，其特征在于，获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，具体包括：
获取脑部信号数据，以针对每个预设的时间段，根据该预设的时间段对应的时间窗口对该时间段内各节点的脑部信号数据进行采样，以得到该时间段中各节点所对应的脑部信号序列。
3.如权利要求1所述的方法，其特征在于，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，具体包括：
针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度；
根据每个节点对应的第一关联度，确定层内邻接矩阵，其中，针对所述层内邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度。
4.如权利要求1所述的方法，其特征在于，确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度，具体包括：
针对每个节点，确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度；
根据每个节点对应的第二关联度，确定层间邻接矩阵，其中，针对所述层间邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在不同时间段的第二连通度。
5.如权利要求1所述的方法，其特征在于，确定出的该节点与其他节点的链路总数，具体包括：
针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度，以及确定该节点的脑部信号序列在不同时间段内与其他节点的脑部信号序列之间的关联度，作为该节点对应的第二关联度；
针对每个其他节点，若确定该节点与该其他节点之间的第一关联度大于预设阈值，或是确定该节点与该其他节点之间的第二关联度大于预设阈值，则确定该节点与该其他节点之间存在链路；
根据确定出该节点与各其他节点之间所存在的链路，确定所述链路总数。
6.一种基于多层脑网络节点参与系数的任务执行装置，其特征在于，包括：
获取模块，用于获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列，其中，各时间段中至少有部分时间段存在部分时间重叠；
确定模块，用于针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，以及确定该节点在不同时间段与其他节点的节点连通度，作为该节点对应的第二连通度；
计算模块，用于针对每个节点，根据确定出的该节点与其他节点的链路总数、该节点对应的第一连通度以及该节点对应的第二连通度，以得到该节点在脑部活动中的多参与系数，所述链路总数是指当该节点与其他节点有链接时所形成的链路的总和，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况；
执行模块，用于根据每个节点对应的多参与系数，执行目标任务。
7.如权利要求6所述的装置，其特征在于，确定该节点在相同时间段与其他节点的节点连通度，作为该节点对应的第一连通度，所述确定模块具体用于，针对每个节点，确定在同一时间段中的该节点的脑部信号序列与其他节点的脑部信号序列之间的关联度，作为该节点对应的第一关联度；根据每个节点对应的第一关联度，确定层内邻接矩阵，其中，针对所述层内邻接矩阵中包含的每个矩阵值，该矩阵值用于表示该矩阵值对应的两个节点之间在相同时间段的第一连通度。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665176.4A CN117357132B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665176.4A CN117357132B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117357132A CN117357132A (zh) | 2024-01-09 |
| CN117357132B true CN117357132B (zh) | 2024-03-01 |
Family
ID=89394858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311665176.4A Active CN117357132B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117357132B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
| CN105229699A (zh) * | 2013-03-28 | 2016-01-06 | 外密景专家公司 | 基于医学图像评估血管网络的计算机实施的方法及其用途 |
| EP2980706A1 (fr) * | 2014-07-29 | 2016-02-03 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procédé de localisation d'une activité cérébrale associée à une tâche |
| US9275457B1 (en) * | 2014-08-28 | 2016-03-01 | International Business Machines Corporation | Real-time subject-driven functional connectivity analysis |
| WO2016061502A1 (en) * | 2014-10-17 | 2016-04-21 | Washington University | Super-pixel detection for wearable diffuse optical tomography |
| WO2018052987A1 (en) * | 2016-09-13 | 2018-03-22 | Ohio State Innovation Foundation | Systems and methods for modeling neural architecture |
| CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
| CN109994204A (zh) * | 2019-05-08 | 2019-07-09 | 常州大学 | 一种大脑功能网络关键节点搜索方法 |
| CN111612746A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图论的功能脑网络中枢节点的动态检测方法 |
| CN112634214A (zh) * | 2020-12-15 | 2021-04-09 | 太原理工大学 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
| CN115414050A (zh) * | 2021-05-12 | 2022-12-02 | 西安邮电大学 | 一种实现情绪识别的eeg脑网络最大团检测方法及*** |
| EP4156200A1 (en) * | 2021-09-27 | 2023-03-29 | Universitätsmedizin der Johannes Gutenberg-Universität Mainz | Method for reconstructing a brain network |
| CN115937092A (zh) * | 2022-11-03 | 2023-04-07 | 电子科技大学 | 基于记忆曲线的认知记忆功能障碍辅助诊断装置 |
| CN115969391A (zh) * | 2022-11-15 | 2023-04-18 | 宋毅军 | 基于注意功能脑电神经振荡与脑网络分析的方法 |
| CN116051849A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 一种脑网络数据特征提取方法及装置 |
| CN116269440A (zh) * | 2023-03-21 | 2023-06-23 | 桂林航天工业学院 | 一种脑电信号的特征提取方法、装置、***及介质 |
| CN116807410A (zh) * | 2023-07-19 | 2023-09-29 | 浙江传媒学院 | 一种基于比例因果的大脑效率网络分析方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3522171A1 (en) * | 2018-02-02 | 2019-08-07 | Université de Rennes 1 | Method, device and program for determining a disease score |
| US20230123659A1 (en) * | 2021-10-14 | 2023-04-20 | Northwestern University | Mapping critical brain sites using intracranial electrophysiology and machine learning |
-
2023
- 2023-12-06 CN CN202311665176.4A patent/CN117357132B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105229699A (zh) * | 2013-03-28 | 2016-01-06 | 外密景专家公司 | 基于医学图像评估血管网络的计算机实施的方法及其用途 |
| EP2980706A1 (fr) * | 2014-07-29 | 2016-02-03 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procédé de localisation d'une activité cérébrale associée à une tâche |
| US9275457B1 (en) * | 2014-08-28 | 2016-03-01 | International Business Machines Corporation | Real-time subject-driven functional connectivity analysis |
| US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
| WO2016061502A1 (en) * | 2014-10-17 | 2016-04-21 | Washington University | Super-pixel detection for wearable diffuse optical tomography |
| WO2018052987A1 (en) * | 2016-09-13 | 2018-03-22 | Ohio State Innovation Foundation | Systems and methods for modeling neural architecture |
| CN107909117A (zh) * | 2017-09-26 | 2018-04-13 | 电子科技大学 | 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置 |
| CN109994204A (zh) * | 2019-05-08 | 2019-07-09 | 常州大学 | 一种大脑功能网络关键节点搜索方法 |
| CN111612746A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图论的功能脑网络中枢节点的动态检测方法 |
| CN112634214A (zh) * | 2020-12-15 | 2021-04-09 | 太原理工大学 | 一种结合节点属性与多层次拓扑的脑网络分类方法 |
| CN115414050A (zh) * | 2021-05-12 | 2022-12-02 | 西安邮电大学 | 一种实现情绪识别的eeg脑网络最大团检测方法及*** |
| EP4156200A1 (en) * | 2021-09-27 | 2023-03-29 | Universitätsmedizin der Johannes Gutenberg-Universität Mainz | Method for reconstructing a brain network |
| CN115937092A (zh) * | 2022-11-03 | 2023-04-07 | 电子科技大学 | 基于记忆曲线的认知记忆功能障碍辅助诊断装置 |
| CN115969391A (zh) * | 2022-11-15 | 2023-04-18 | 宋毅军 | 基于注意功能脑电神经振荡与脑网络分析的方法 |
| CN116269440A (zh) * | 2023-03-21 | 2023-06-23 | 桂林航天工业学院 | 一种脑电信号的特征提取方法、装置、***及介质 |
| CN116051849A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 一种脑网络数据特征提取方法及装置 |
| CN116807410A (zh) * | 2023-07-19 | 2023-09-29 | 浙江传媒学院 | 一种基于比例因果的大脑效率网络分析方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| Junji Ma.Integrated and segregated frequency architecture of the human brain network.《Brain Structure and Function》.第335-350页. * |
| 基于rs-fMRI数据的脑功能网络构建与分析;何高奇;胡云奉;杨宇;魏文浩;;华东理工大学学报(自然科学版);20151230(06);第99-105页 * |
| 梁夏 ; 王金辉 ; 贺永 ; .人脑连接组研究:脑结构网络和脑功能网络.科学通报.2010,(16),第41-59页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117357132A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113095124B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
| CN107526667B (zh) | 一种指标异常检测方法、装置以及电子设备 | |
| CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
| CN116502679B (zh) | 一种模型构建方法、装置、存储介质及电子设备 | |
| CN116343314B (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
| CN116230108A (zh) | 一种基于tdm和ai技术的智能用药决策方法及*** | |
| CN117357132B (zh) | 一种基于多层脑网络节点参与系数的任务执行方法及装置 | |
| CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
| CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN116524295A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN114371232B (zh) | 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、*** | |
| CN110739078B (zh) | 一种动脉瘤破裂风险评估方法及*** | |
| CN110599527A (zh) | 一种mra影像数据的配准方法及装置 | |
| CN117036830B (zh) | 一种肿瘤分类模型训练方法、装置、存储介质及电子设备 | |
| CN116344058B (zh) | 一种基于图信号的阿尔兹海默风险标注方法及装置 | |
| CN117726760B (zh) | 一种用于视频的三维人体重建模型的训练方法及装置 | |
| CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| CN116912224A (zh) | 一种病灶的检测方法、装置、存储介质及电子设备 | |
| CN117077013B (zh) | 一种睡眠纺锤波检测方法、电子设备、介质 | |
| CN117932406A (zh) | 一种应用于脑机接口任务的分类模型的训练方法及装置 | |
| CN116028820B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116991388B (zh) | 一种深度学习编译器的图优化序列生成方法及装置 | |
| CN117827564A (zh) | 一种gpu测试方法、装置、存储介质及电子设备 | |
| CN116188469A (zh) | 一种病灶检测方法、装置、可读存储介质及电子设备 | |
| CN116342974A (zh) | 模型训练方法、膝关节分割方法、装置及设备 |
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 |