[发明专利]基于脑功能图谱进行精神疾病的个体化预测方法和系统

权利要求书

1.一种确定精神疾病的预测模型的方法，其特征在于，所述方法包括：

(a)数据获取：获取非人灵长类动物和人的功能磁共振数据；

(b)预处理：基于所述功能磁共振数据，分别计算非人灵长类动物和人的脑区之间的皮尔逊相关系数，从而分别构建非人灵长类动物和人的全脑功能连接图谱；

(c)脑区选择：基于所述预处理的非人灵长类动物的处理结果，利用基于相关的分组变量的特征选择算法，获得与病理相关的特征脑区；

(d)特征构建：基于所述脑区选择所获得的特征脑区和预处理获得的人功能连接图谱，选取与特征脑区相连的功能连接构造人的功能连接特征集合；

(e)特征筛选：基于所述特征构建所获得的功能连接特征集合，利用基于相关的特征选择算法，去除冗余特征，得到最优功能连接特征子集；和

(f)建模预测：基于所述特征筛选获得的最优功能连接特征子集，进行回归分析，从而获得精神疾病的预测模型。

2.如权利要求1所述的方法，其特征在于，所述的功能磁共振数据包括静息态功能磁共振数据。

3.如权利要求1所述的方法，其特征在于，所述的功能磁共振数据为脑部的功能磁共振数据。

4.如权利要求1所述的方法，其特征在于，在步骤(b)中，提取每个脑区的平均时间序列，计算任意两个脑区时间序列之间的皮尔逊相关系数，即r值，利用Fisher-Z变换，将r值变换成z值：

5.如权利要求1所述的方法，其特征在于，在步骤(c)中，所述相关的分组变量的特征选择算法包括：分组最小角回归算法(group lasso)。

6.如权利要求1所述的方法，其特征在于，在步骤(e)中，所述相关的特征选择算法包括：最小绝对值收敛和选择算子(lasso)。

7.如权利要求1所述的方法，其特征在于，在步骤(c)中，通过分组最小角回归算法(group lasso)，从所述非人灵长类动物的全脑功能连接图谱中筛选相关脑区，从而获得所述非人灵长类动物的与所述精神疾病相关的特征脑区。

8.如权利要求5所述的方法，其特征在于，所述分组最小角回归算法(group lasso)采用下式进行分析，

式中，

A表示全脑功能连接矩阵，将特征矩阵A中连接到同一个脑区节点g上的边划分为一个组，即脑区，用[A]_g表示；

λ表示为了防止模型过分拟合训练数据的正则化参数,取值为0.05到1范围内的100个等分点；

w_g表示第g组的权重，即g组元素数量的开方；

y表示非人灵长动物精神疾病组，即y为1，或者正常野生型组，即y为0；

[x]_g表示对应组的系数；

表示求解N维实数x使得函数F(x)的值最小；

R^N表示N维实数；

G表示组的总数。

9.如权利要求1所述的方法，其特征在于，在步骤(e)中，通过最小绝对值收敛和选择算子(lasso)方法，从所述功能连接特征集合去除冗余特征，从而得到最优功能连接特征子集。

10.如权利要求9所述的方法，其特征在于，所述最小绝对值收敛和选择算子(lasso)方法采用以下公式进行：

其中M代表人类样本的功能连接特征集合；

x表示解的系数；

R^p表示P维实数；

y表示精神疾病患者，即y为1，或者正常受试者，即y为0；

λ表示为了防止模型过分拟合训练数据的正则化参数，取值由MATALB中lasso函数默认方法计算得到。

11.如权利要求1所述的方法，其特征在于，在步骤(f)中，采用稀疏逻辑回归法进行回归分析。