[发明专利]一种基于脑信号复杂度的个体年龄预测方法

说明书

本发明涉及一种脑信号复杂度的个体年龄预测方法，包括：通过近红外成像系统获得被试者脑组织的透射光强数据；将透射光强数据转换为脑生理信息数据，并基于脑生理信息数据计算多尺度熵；计算每个被试者脑区域各检测点对应的多尺度熵值，将测试点按照各脑功能网络进行分类，再将表征同一脑功能网络中所有测试点的多尺度熵值取平均值，得到基于脑功能网络的多尺度熵指数；将每个脑功能网络的多尺度熵指数作为支持向量回归法的输入特征，使用线性核函数得到脑信号复杂度与年龄的相关性方程。上述方法能够通过静息态脑信号复杂度准确预定被试者年龄，测试过程简单，操作方便。

技术领域

本发明是关于一种基于脑信号复杂度的个体年龄预测方法，属于脑功能测试领域。

背景技术

人脑信息处理能力的快慢主要与脑功能网络状态密切相关。而脑功能网络状态主要通过脑信号复杂度表征。脑信号复杂度是作用于时间序列的一种指标，一段时间序列通过一个特定的复杂度算法处理，可以得到一个复杂度值，该值表现序列的非规则程度，一般地，不规则变化序列的复杂度较高，像常序列、周期序列这些模式比较简单的序列复杂度值较低。脑信号复杂度通常用标准差和多尺度熵(MSE)的方法来计算。其中，标准差反映的是整体时间序列的变化情况，且用于时间采样频率较低的成像方法；多尺度熵能评估不同时刻下脑信号的变化情况，由于其值是基于多种时间尺度计算得到的，因而多尺度熵应用于时间采样频率较高的成像方法，可以更好地描述脑信号复杂度。

虽然，不同年龄段人群在运动技能、身体协调性以及认知能力等方面存在很大差异。但脑网络状况影响因素众多，并不能直接地将脑网络状况与年龄进行对应。如果可以清楚确定脑网络状况与年龄的相互关系，则不但能进一步解释人脑发育过程，也能为研究发育障碍及儿科首发精神疾病提供理论支持。

发明内容

针对上述问题，本发明的目的是提供一种基于脑信号复杂度的的个体年龄预测方法，通过该方法建立了脑信号复杂度与个体年龄之间的明确关系，使通过脑信号复杂度预测个体年龄成为可能。

为实现上述目的，本发明采取以下技术方案：

本发明提供了一种基于脑信号复杂度的个体年龄预测方法，包括以下步骤：1)通过近红外成像系统获得被试者脑组织的透射光强数据；2)将所述透射光强数据转换为脑生理信息数据，并基于所述脑生理信息数据计算多尺度熵；3)计算每个被试者脑区域各检测点对应的多尺度熵值，将测试点按照各脑功能网络进行分类，再将表征同一所述脑功能网络中所有测试点的所述多尺度熵值取平均值，得到基于所述脑功能网络的多尺度熵指数；4)采用支持向量回归法进行年龄的预测：将每个所述脑功能网络的所述多尺度熵指数作为支持向量回归法的输入特征，使用线性核函数得到所述脑信号复杂度与年龄的相关性方程。

进一步，将被试者按照年龄段分为若干组，计算每组被试者的对应各脑功能网络的所述多尺度熵指数，并对其时间序列进行置换检验，以确认不同组之间被试者的所述多尺度熵指数存在明显差异。

进一步，所述脑生理信息数据包括氧合血红蛋白浓度和脱氧血红蛋白浓度。

进一步，对所述氧合血红蛋白浓度和脱氧血红蛋白浓度去除运动伪迹和生理噪声并进行带通滤波处理，采用所述氧合血红蛋白和脱氧血红蛋白浓度二者中量级大的一者计算多尺度熵。

进一步，所述脑功能网络包括：脑默认网络、额顶控制网络、腹侧注意网络、运动网络、背部注意网络和视觉网络。

进一步，步骤4)中通过留一法交叉验证评估支持向量回归法模型的正确性。

进一步，步骤4)中通过计算实际年龄与预测年龄的皮尔森相关系数评估所述脑信号复杂度与年龄的相关性方程的准确性。

进一步，所述近红外成像系统覆盖被试者脑的额叶、颞叶、顶叶和枕叶区域。