[发明专利]一种寻找全局网络条件依赖关系的方法

说明书

技术领域

本发明属于脑电领域，具体是一种寻找全局网络条件依赖关系的方法。

背景技术

贝叶斯网络(Bayesian Network，BN)近年来被引入到fMRI数据有效连接的研究中，它通过计算脑区间的条件依赖关系来探索大脑的有效连接模式。由于它可以作为一种完全数据驱动的全局网络学习方法，慢慢受到了越来越多的关注，并引入到了静息态fMRI的研究中。

然而BN忽略了fMRI数据中的时间关系，只能得到脑区间的即时连接，加上他的无环形假设和可能存在的等价性问题，大大限制了BN的准确性和有效性。R在2007年提出了动态贝叶斯网络(dynamic Bayesian Network，DBN)来解决这些问题，基于平稳马尔科夫假设，将BN的结构拓展为两层相邻时刻的节点，限制连接不能由当前时刻指向历史时刻。然而，他提出的方法将fMRI数据进行了离散，丢失了fMRI信号的大量信息，导致最后学习出的有效连接模式的准确性大大降低。

发明内容

为了解决现有技术的问题，本发明提出了一种寻找全局网络条件依赖关系的方法，所述方法包括：

(1)根据实际情况，选取适合的评价准则；

(2)基于变量的概率分布假设，对给定的结构进行评分；

(3)在采用搜索算法，在全空间进行穷举搜索或者采用某种算法进行多个局部搜索，寻找出评分最高的DBN结构，即我们需要的结果。

其中，所述步骤(1)用的评价准则分别是BD评分、BIC评分和Heckerman提出的连接概率。

其中，所述步骤(2)所求的网络结构的先验概率，需要基于对变量进行概率分布假设，对于离散的贝叶斯网络，假设数据服从多项分布，而对于连续的贝叶斯网络，经常假设数据服从高斯分布。这样，利用贝叶斯全概率公式，就可以将先验概率表示为各个节点的条件概率分布之积。

其中，所述步骤(3)所用的方法，只可用一些近视的算法，如贪婪算法、爬山法、BOA算法、MCMC算法。

附图说明

图1为DBN模型；

图2为DBN算法流程图；

图3为默认网络的空间模式；

图4为默认网络的DBN有效连接图；

图5为默认网络的BN/DBN有效连接模式。

具体实施方式

实施例一

我们将发明应用于一套数据的分析。其中被试为12个北京师范大学学生(五名女性，六名男性，平均年龄21岁)在北京师范大学脑成像中心参与了该次静息态扫描，他们被要求闭眼休息，保持全身放松，不可以去想任何事情。所有被试为右利手，没有任何心理或精神疾病。

在进行BN/DBN模式计算前，数据还经过了预处理、独立成分分析和时间序列提取三个步骤：预处理、独立成分分析、时间序列提取。预处理过程如下：首先使用SPM2的DICOM功能将数据转化为Anylyze格式。然后，对数据进行对齐去除头动，再进行时间校正保证不同层的获取时刻一致，再将功能像数据和结构像数据进行配准，并将结构像和T1模板进行对照，按照该参数将功能像数据进行标准化，最后对数据使用半高宽)高斯核进行空间平滑提高信噪比。独立成分分析过程主要包含两次主成分分析、降维、一次空间ICA分离和图像重建几个步骤。时间提取序列的过程如下：我们先根据先验知识，定义了ROI模板，然后使用将上面步骤中获得的默认网络激活图与ROI模板进行叠加，再计算新ROI模板中所有voxel的平均提取时间序列作为该脑区的时间序列。

紧接着进行BN/DBN模式计算，我们将用BN/DBN中的节点来表示ROI变量，节点间的条件依赖关系就表示ROI间的相互关系。如果节点间有连接，则说明两个ROI之间有条件依赖关系，否则则说明ROI之间条件独立，不存在互相关系。然后，将上一步提取的时间序列作为BN/DBN的样本点，建立有效连接模式。

最终的实验结果如下所示：

(1)默认网络的空间模式

使用空间ICA分析得到默认网络的空间模式如图3所示，他与过去的研究结果非常吻合，包括8个主要脑区，分别是PCC、MPFC、左侧IPC(lIPC)，右侧IPC(rIPC)，左侧HC(lHC)，右侧HC(rHC)，左侧ITC(lITC)，右侧ITC(rITC)。