[发明专利]基于独立成分高序不确定脑网络的磁共振影像分类方法

权利要求书

1.基于独立成分高序不确定脑网络的磁共振影像分类方法，其特征在于，按照以下步骤进行：

步骤S1：对静息态功能磁共振成像数据进行预处理，然后使用独立成分分析方法提取出各独立成分；

步骤S2：筛选出属于默认网络的独立成分，提取时间序列，并进行后处理；

步骤S3：选定长度固定的滑动窗口，按照1s的移动步长，划分默认网络独立成分的时间序列；

步骤S4：计算每个时间窗下默认网络成分的时间序列两两间的皮尔逊相关系数，得到低阶关联矩阵；

步骤S5：提取每个时间窗下低阶关联矩阵中的元素值，生成高阶关联矩阵；

步骤S6：构建高序不确定功能脑网络，节点之间全连接，节点之间边的权值即高阶关联矩阵中的元素；

步骤S7：对构建的全连接加权的脑网络进行频繁子图挖掘，得到加权的频繁子图模式；

步骤S8：计算基于动态规划的判别性函数的相关统计指标；

步骤S9：采用支持向量机分类算法，选择判别性子图特征作为分类依据，构建分类器，然后采用交叉验证方法进行检验；

步骤S10：采用互信息分析方法，量化所选判别性子图特征在分类器中的重要度和冗余度，然后根据量化结果对所选判别子图进行二次筛选，优化特征子集。

2.根据权利要求1所述的基于独立成分高序不确定脑网络的磁共振影像分类方法，其特征在于，所述步骤S1中，预处理步骤包括时间层校正，头部校正，空间标准化，平滑；然后，使用基于负熵最大的独立成分分析方法提取独立成分；其中，负熵的定义为：

N_h(Y)＝{E[h(Y)]-E[h(Y_Gauss)]}²； (1)

公式(1)中，Y是源信号的随机变量，N_h(Y)为随机变量Y的负熵；Y_Gauss是一与Y具有相同方差的高斯随机变量；E为均值运算；h为非线性函数，这里

为使Y具有最大的非高斯性，即找到Y负熵的最大近似值，可通过对E{h(Y)}进行优化来获得，而E{h(Y)}的最适条件可通过下式获得：

公式(2)中，Y是源信号的随机变量；X是观测信号的随机变量；W是解混矩阵，W^T是W的转置；E为均值运算；h为非线性函数；β是一个恒定值；

用牛顿迭代方法解此方程后，可以获得近似牛顿迭代公式，简化后就是独立成分分析方法的迭代公式：

W⁺＝E{Xh(W^TX)}-E{h′(W^TX)}W； (3)

公式(3)中，h′是h的导数；W⁺是W的新值，W＝W⁺/||W⁺||。

3.根据权利要求1所述的基于独立成分高序不确定脑网络的磁共振影像分类方法，其特征在于：所述步骤S2中，需要使用默认网络模板匹配的方法对独立成分进行筛选，接着对每个被试默认网络成分的时间序列进行后处理，包括去线性漂移和低通滤波，以去除线性漂移和高频生理噪声的影响。

4.根据权利要求1所述的基于独立成分高序不确定脑网络的磁共振影像分类方法，其特征在于：所述步骤S4中，计算每个时间窗下默认网络成分的时间序列两两间的皮尔逊相关系数，得到低阶关联矩阵的具体公式是：

公式(4)中，r_ij表示每个时间窗下关联矩阵中第i行第j列的元素，是默认网络成分成分i与j之间的皮尔逊相关系数；n表示时间点个数；x_i(t)表示第i个默认网络成分的时间序列；表示第i个默认网络成分的平均时间序列。

5.根据权利要求1所述的基于独立成分高序不确定脑网络的磁共振影像分类方法，其特征在于：所述步骤S6中，在高阶关联矩阵上，将其边的权值按照如下公式进行处理，得到的即为高序不确定功能脑网络：

公式(5)中，b_ij表示高序不确定功能脑网络模型中第i行第j列的元素；r_ij表示高阶关联矩阵中第i行第j列的元素。