[发明专利]基于局部属性和拓扑结构的脑网络聚类方法

说明书

本发明公开了一种基于局部属性和拓扑结构的脑网络聚类方法，该方法具体按照以下步骤进行：首先对脑功能网络进行预处理，并提取各脑区平均时间序列；然后计算皮尔逊相关系数，构建无偏的脑功能网络；计算脑功能网络相似度；最后对脑功能网络相似度进行聚类，并对聚类结果进行检验；本发明通过将脑功能网络的局部属性相似度和拓扑结构相似度加权融合，得出精准率更高的相似度，对基于局部属性和拓扑结构的相似度聚类以后，得到的聚类结果准确、无偏差。

技术领域

本发明属于机器学习技术领域，特别是涉及一种基于局部属性和拓扑结构的脑网络聚类方法。

背景技术

目前，机器学习作为脑网络分析的重要工具，由于能够从数据中学习规律并对未知数据进行预测，已成为近年来脑网络分析领域一个新的研究热点；机器学习按照学习形式的不同分为有监督学习(分类)和无监督学习(聚类)。

目前的研究，大部分都使用有监督学习，即使用带有标签的训练数据训练分类模型，然后用分类模型对测试数据进行分类；但是，由于数据的标签是由专业人员根据一些先验知识进行标注的，带有主观性，并且在标注的过程中可能会出现差错，最终影响分类结果，降低脑网络分类的准确性。

基于此，有必要发明一种脑网络聚类方法，以解决现有脑网络分类中存在的分类出现偏差、分类结果不准确的问题。

发明内容

本发明的目的在于提供一种基于局部属性和拓扑结构的脑网络聚类方法，以克服监督学习中存在的标签标注不准确的问题，使得脑网络相似度聚类结果更加精准。

本发明所采用的技术方案是，基于局部属性和拓扑结构的脑网络聚类方法，具体包括以下步骤：

步骤S1：对脑功能磁共振图像进行预处理，然后进行脑区分割，并提取各个脑区的平均时间序列；

步骤S2：计算各个脑区平均时间序列之间的皮尔逊相关系数，得到皮尔逊相关矩阵；利用克鲁斯卡尔算法得到无偏的脑功能网络；

步骤S3：计算无偏脑功能网络的局部属性相似度和拓扑结构相似度，并对局部属性相似度和拓扑结构相似度进行加权融合，得到脑功能网络的相似度；

步骤S4：利用脑功能网络的相似度构建相似矩阵，对相似矩阵使用多路谱聚类算法，实现脑网络的聚类。

进一步的，步骤S1中，使用Dparsf软件对脑功能磁共振图像进行预处理，预处理具体包括：移除前10个时间点、时间点校正、头动校正、空间标准化、平滑、去线性漂移和滤波；然后根据选定的标准化脑图谱-AAL模板，对预处理后的脑功能磁共振图像进行分割，将大脑分为90个脑区；最后，依据预处理后的脑功能磁共振图像的数据，分别提取并计算每个脑区内部各个体素在不同时间点上的激活值及其平均值，得到每个脑区的平均时间序列；所述激活值是指各个体素在不同时间点上的血氧水平依赖强度。

进一步的，步骤S2中，构建无偏的脑功能网络包括以下步骤：

步骤S21：利用公式(1)计算两个脑区之间的皮尔逊相关系数r_xy，

公式(1)中，1≤n≤N，N表示时间点个数，x_n表示脑区x在第n个时间点的激活值，表示脑区x在所有扫描时间点激活值的平均值；y_n表示脑区y在第n个时间点的激活值，表示脑区y在所有扫描时间点激活值的平均值；r_xy表示脑区x和y之间的皮尔逊相关系数，得到90*90的皮尔逊相关矩阵R；

步骤S22：利用克鲁斯卡尔算法按照如下描述构建无偏的脑功能网络：(1)将皮尔逊相关矩阵R中的相关系数进行降序排序；(2)将相关系数最大的节点连接起来，直至所有节点以无环子图的形式连接为止；(3)如果在步骤(2)中添加该连接后，出现了环路，则放弃该连接。