[发明专利]基于特征模态与分层模块的脑功能模式特征提取方法

说明书

本发明公开了一种基于特征模态与分层模块的脑功能模式特征提取方法，具有步骤为：先对大脑fMRI图像数据进行预处理；然后提取脑区时间序列，采用滑动时间窗方法构建动态功能连接网络；接着按照特征值从大到小的顺序，对特征模态进行排序，根据排序后的特征模态对动态功能连接网络进行分层模块划分；然后再计算动态功能连接网络的动态特征；最后分析动态功能连接网络动态特征与认知行为的关系。本发明利用动态功能连接模式分解算法，并通过对动态功能连接网络进行分层模块划分，能够提取更深层次的大脑脑区连接信息；不仅能够刻画静息态与任务态下的功能模式动态演化的差异，而且有效刻画大脑功能模式的动态改变以及大脑的认知能力。

技术领域

本发明属于生物医学信号处理技术领域，具体涉及一种基于特征模态与分层模块的脑功能模式特征提取方法。

背景技术

功能磁共振成像(Functional Magnetic Resonance Imaging,fMRI)是一种较新的医学成像技术，能无损获取人脑的高分辨率结构像，是一种非介入、无创的大脑活体功能研究方法。基于fMRI成像，以脑区为节点，脑区之间神经活动时间序列相关性为边，构建大脑动态功能连接网络，是目前脑认知机理研究的前沿手段，在认知能力评价、痛感预测等方面得具有广泛应用。

大脑动态功能连接网络中具有相似功能特性的脑区会聚集在一起，构成模块化结构。模块内部的功能连接较强，允许神经信息的高效交流，产生功能性分离；而模块之间的连接较弱，负责不同模块间的信息整合。研究表明，功能性分离与整合是大脑功能模式的显著特征，参与不同的认知过程，能够作为生物学指纹画大脑的认知能力。然而，在模块内部，还会存在连接更加紧密的子模块，形成分层的模块化结构。由于该种结构能够体现更局部的神经信息传播模式，有望反映功能连接的内在特征。本发明主要采用特征模态的方法来探测脑动态功能连接网络的分层模块化结构，提出分层功能性分离与整合的指标。

大脑功能模式随时间是动态演化的，以此来满足丰富的认知功能需求。动态脑功能连接网络分析可以探测功能模式的时间演变，进而有效捕捉与认知行为相关的动力学特征。事实上，大脑功能模式在分离与整合状态之间的切换，支持了信息在局部和全脑的有效交流，这对于成功的认知行为表现至关重要。

专利号201610537142.0，公布日2016.12.07，申请人为：西安交通大学，申报的专利：基于PCA与K均值聚类的动态脑功能连接模式分解方法，该专利通过对动态功能连接矩阵进行主成分分析(PCA)，结合K均值聚类方法，提取相对稳定的动态功能连接模式。其步骤为：先对静息态磁共振数据预处理、再提取脑区的时间序列，然后采用滑动窗方法计算脑区两两之间的相关系数，构造相应的功能连接矩阵，最后对功能连接矩阵进行PCA与K均值聚类分析得到基本连接模式。但是该专利是基于单层的功能连接矩阵，无法提取更深层次的大脑脑区信息交流过程。

发明内容

本发明的目的在于提供一种基于特征模态与分层模块的脑功能模式特征提取方法，以解决现有动态脑功能连接模式分解方法是基于单层的功能连接矩阵，无法提取更深层次大脑脑区信息交流过程的问题。

本发明提供一种基于特征模态与分层模块的脑功能模式特征提取方法，包括如下步骤：

步骤1：对大脑fMRI图像数据进行预处理；

步骤2：构建动态功能连接网络

预处理之后，采用AAL图谱将大脑fMRI图像数据划分为n＝90个脑区；在每个脑区内，将所有体素信号进行叠加平均，得到每个脑区的fMRI时间序列之后，构建动态功能连接网络；

具体构建动态功能连接网络的方法为：

将时间序列划分为时间片段，在每个时间片段内，计算i和j两个脑区fMRI信号的皮尔森相关系数