[发明专利]一种脑功能数据分析的个体脑功能网络提取方法

权利要求书

1.一种脑功能数据分析的个体脑功能网络提取方法，其特征在于，包括以下步骤：

步骤S1、实时采集个体的脑功能数据形成脑功能数据链，并对所述脑功能数据链进行波动度分析生成病态脑功能数据链；

步骤S2、对所述病态脑功能数据链中所有的病态脑功能数据进行区块匹配生成具有同属性数据噪声的噪声区块集群，并对所述噪声区块集群进行低秩张量恢复以去除噪声区块集群的数据噪声，并转换为重构区块集群；

步骤S3、将所述重构区块集群进行区块重构并恢复至特征清晰的病态脑功能数据帧，依据所述病态脑功能数据帧构建清晰凸显个体病态特征的病态个体脑功能网络；

所述步骤S1中，对所述脑功能数据链进行波动度分析生成病态脑功能数据链的具体方法包括：

步骤S101、将所述脑功能数据链按预设时序进行分割获得包含个体脑功能整体特征的脑功能数据帧；

步骤S102、对依所述预设时序排列的脑功能数据帧进行波动分析，并依预设时序保留存在波动的脑功能数据帧作为包含个体脑功能病态特征的脑功能病态数据帧；

所述步骤S102，依次计算相邻时序的所述脑功能数据帧波动度构成波动节点数据链，所述波动度的计算公式为：

其中，R为脑功能数据链，x_t和x_t+1为分别第t，t+1时序的脑功能数据帧，p(x_t，x_t+1)是x_t和x_t+1的联合概率分布函数，而p(x_t)和p(x_t+1)分别是x_t和x_t+1的边缘概率分布函数；

在波动节点数据链上选取所有跳跃节点，并选取所有跳跃节点两端的脑功能数据帧汇总构成脑功能病态数据帧；

其中，跳跃节点是指波动节点数据链上相邻节点数值相差超过波动阈值的数据节点；

所述步骤S2中，重构区块集群生成的具体方法包括：

步骤S201、构建广义非凸张量主成分分析模型，并基于所述广义非凸张量主成分分析模型结合非局部去噪策略设定统一规模的去噪框架，所述广义非凸张量主成分分析模型为：

其中，

P＝L+S+Z，

P为观测张量，L为低秩张量，S为稀疏张量，||Z||_F＝||P-S-L||_F≤δ为零均值高斯噪声，g：R⁺→R⁺是连续非减型凸函数，F为零均值函数，S_ijk为编号为ijk的稀疏张量值，*和σ是bcirc、σ_i运算函数体，γ为常数系数，n₁、n₂、n₃分别为三阶稀疏张量的单阶总数；

步骤S202、利用所述去噪框架将所述脑功能病态数据帧分割成一组统一规模的噪声区块，并对一组所述噪声区块进行聚类划归至同属性数据噪声的噪声区块集群；

步骤S203、将所述噪声区块集群中的噪声区块进行张量堆叠，并利用所述广义非凸张量主成分分析模型对张量堆叠后的噪声区块进行低秩张量恢复至去除噪声的洁净区块，以实现将噪声区块集群转化为重构区块集群。

2.根据权利要求1所述的一种脑功能数据分析的个体脑功能网络提取方法，其特征在于：所述步骤S201中，还包括利用广义张量奇异值阈值算法简化所述广义非凸张量主成分分析模型的关键子问题，所述关键子问题为：

其中，X，Y为广义张量奇异值阈值算法的简化矩阵，T_g为广义张量奇异值阈值算法的简化函数，g：R⁺→R⁺是连续非减型凸函数，F为零均值函数，γ为常数系数，n₁、n₂、n₃分别为三阶稀疏张量的单阶总数。