[发明专利]一种基于神经网络预测的脑效应连接度量方法

权利要求书

1.一种基于神经网络预测的脑效应连接度量方法，其特征在于，包括以下步骤：

步骤1：采集M个人静息态下的fMRI数据；

步骤2：对每个fMRI数据进行预处理；

步骤3：基于预处理后的fMRI数据，通过计算得到M个人的所有脑区的ReHo值，并构成ReHo值矩阵；

步骤4：基于神经网络预测模型对每个人两两脑区的ReHo值进行网络训练及预测，得出每个人任意两两脑区之间的ReHo预测误差值，对ReHo预测误差值进行归一化，得出ReHo预测精确值；

所述的步骤4，具体包括以下步骤：

步骤4.1：为输入层、隐藏层和输出层的神经元之间设置映射关系，建立神经网络初始模型；

步骤4.2：通过神经网络初始模型训练确定神经网络预测模型；

步骤4.3：通过神经网络预测模型对测试数据集进行预测，得到每个人两两脑区之间的预测误差矩阵，即大小为N*N的矩阵E；

步骤4.4：将所有人的预测误差矩阵E进行归一化，并转换为预测精确率，具体如公式(4.15)所示：

其中，ACC表示所有脑区两两之间相互预测正确率矩阵，ACC_A→B表示第A个脑区到第B个脑区的预测正确率，MAX(E)为误差矩阵E中数值最大的元素值，MIN(E)为误差矩阵E中数值最小的元素值，E是指两两脑区之间的预测误差值矩阵；

步骤5：将ReHo预测精确值作为两两脑区之间的效应连接值。

2.根据权利要求1所述的一种基于神经网络预测的脑效应连接度量方法，其特征在于，所述的对每个fMRI数据进行预处理，具体包括以下步骤：

对采集到的fMRI数据从DICOM格式转换NIFTI格式后去除时间点；

对去除时间点后的fMRI数据进行切片时间层校正处理；

对切片时间校正后的fMRI数据进行头动校正，去除头动移动大于1.5mm或头动旋转角度大于1.5°的数据；

对头动校正后的fMRI数据进行空间标准化；

对空间标准化后的fMRI数据进行去线性漂移及带通滤波。

3.根据权利要求1所述的一种基于神经网络预测的脑效应连接度量方法，其特征在于，所述的步骤3，具体包括以下步骤：

步骤3.1：对预处理后的fMRI数据分别计算每个人大脑中所有体素的ReHo值；

步骤3.2：选定一个脑模板，根据选定的脑模板将大脑划分为N个脑区，对应N个模板矩阵，N＝1,2,3…90，分别计算每个脑区内每个体素的ReHo值；

步骤3.3：对每个脑区中所有体素的ReHo值进行平均得到该脑区的ReHo值，则每个人得到N个ReHo值，M个人的所有脑区的ReHo值组成一个M*N的ReHo值矩阵。

4.根据权利要求3所述的一种基于神经网络预测的脑效应连接度量方法，其特征在于，所述的步骤3.3中，脑区的ReHo值计算公式如下：

其中，W_b是指第b个脑区的ReHo值，Mask_b为第b个脑区的模板矩阵，V是第b个脑区中体素的个数，Matrix_W是指全脑所有体素的ReHo值矩阵。

5.根据权利要求1所述的一种基于神经网络预测的脑效应连接度量方法，其特征在于，所述步骤4.1包括：

建立输入层和隐藏层的映射关系：

其中，I、H分别为输入层神经元和隐藏层神经元的个数；为第A个脑区到第B个脑区训练过程中隐藏层第h个神经元的输入值；为第A个脑区到第B个脑区训练过程中输入层第i个神经元的输入值；f()为映射函数，为第A个脑区到第B个脑区训练过程中输入层第i个神经元和隐藏层第h个神经元之间的权值；为第A个脑区到第B个脑区训练过程中隐藏层第h个神经元的输出值；

建立隐藏层和输出层的映射关系：

其中，H、P分别为隐藏层神经元和输出层神经元的个数；为第A个脑区到第B个脑区训练过程中输出层第p个神经元的输入值；为第A个脑区到第B个脑区训练过程中隐藏层第h个神经元和输出层第p个神经元之间的权值；为第A个脑区到第B个脑区训练过程中输出层第p个神经元的输出值。