[发明专利]一种脑功能连接分析的稀疏贝叶斯网络与Granger双约束方法

权利要求书

1.一种脑功能连接分析的稀疏贝叶斯网络与Granger双约束方法，其特征在于以下步骤：

第一步，输入从K个被试fMRI数据中分别提取的TC成分，记为X′^(k)∈R^l×T,k＝1,…,K，l为TC成分的个数，T为TC成分的时间点数；

第二步，采用截止频率为f_L～f_H的带通滤波器对X′^(k)进行滤波，得到滤波后的时间过程成分X^(k)∈R^l×T，k＝1,…,K；带通滤波器截止频率f_L～f_H根据TC成分的频率特性进行选择；

第三步，对于SBN分析方法，逐个被试计算：令k＝1；

第四步，设置停机参数ε，约束参数λ₁，λ₂，利用SBN方法实现流程，由滤波数据X^(k)∈R^l×T计算第k个被试共l个节点的SBN回归系数矩阵i,j＝1,…,l，i≠j；

第五步，判断k是否小于K，若是，则k＝k+1，并跳转到第四步；若否，则跳转到第六步；

第六步，剔除非显著连接，保留显著连接：对于K个被试的各个相同连接的i,j＝1,…,l，i≠j，例如分别利用单样本t检验计算t值，保留p<0.05即t>t_th的显著性连接，剔除其他连接；t_th是在自由度为K-1的情况下，p<0.05所对应的t值，查表得到；

第七步，对于显著连接，计算K个被试的各回归系数的平均值，记为

第八步，约束回归系数：挑选出回归系数的连接，剔除的连接；β′可根据对的约束强度进行设置，约束强度越大，β′越大；

第九步，对于Granger因果连接分析方法，逐个被试计算：令k＝1；

第十步，计算第k个被试数据X′^(k)中每两个TC成分间的因果一致性和i,j＝1,…,l，i≠j；根据公式(1)(2)(3)(4)，若TC成分i与成分j的时间序列用X_t与Y_t表示，那么：

Cij(k)=|(1-d)c|2σϵ4(|1-d|2σϵ2+|b|2ση2)(|c|2σϵ2+|1-a|2ση2)---(8)]]>

Cji(k)=|(1-a)b|2ση4(|1-d|2σϵ2+|b|2ση2)(|c|2σϵ2+|1-a|2ση2)---(9)]]>

式中，

第十一步，判断k是否小于K，若是，则k＝k+1，并跳转到第十步；若否，则跳转到第十二步；

第十二步，剔除非显著连接，保留显著连接：对于K个被试的各个相同连接的因果一致性参数和i,j＝1,…,l，i≠j，分别利用单样本t检验计算t值，保留p<0.05即t>t_th的显著性连接，剔除其他连接；t_th是在自由度为K-1的情况下，p<0.05所对应的t值，查表得到；

第十三步，对于显著连接，计算K个被试的各因果一致性的平均值，记为和

第十四步，约束因果一致性差值：挑选出的连接，剔除的连接；C′可根据对的约束强度进行设置，约束强度越大，C′越大；

第十五步，对于上述SBN分析与Granger因果分析得到的连接结果，参见第八步和第十四步结果，检测两种方法的相同连接；

第十六步，输出两种方法的相同连接，作为稳定连接。

2.根据权利要求1所述的稀疏贝叶斯网络与Granger双约束方法，其特征在于：第二步中，静息态fMRI数据的带通滤波器截止频率选为0.015Hz～0.15Hz。