[发明专利]一种基于神经网络预测的脑效应连接度量方法

说明书

本发明涉及一种基于神经网络预测的脑效应连接度量方法，包括步骤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；步骤5：将ReHo预测精确值作为两两脑区之间的效应连接值。本发明实现了非线性的计算脑效应连接。

技术领域

本发明涉及影像分析技术领域，具体涉及静息态下fMRI人脑效应连接的度量方法，尤其涉及一种基于神经网络预测的脑效应连接度量方法。

背景技术

大脑是一个非常复杂的非线性神经网络系统，一个完整的任务往往需要涉及几个大脑区域乃至整个大脑。因此，对大脑功能整合进行研究就显得特别重要。目前，脑功能整合主要分两种策略：一种是注重时间相关性的功能连接，另一种则是探究因果关联的效应连接。功能连接从某种程度上来说只可以反映出交互作用的脑区，但却无法反映出交互脑区间的信息流向，而效应连接则弥补了功能连接这一缺点，不仅可以测量不同脑区相互作用的强度，还能反应其信息传递的方向。因此，通过构建效应连接能够更好地了解大脑皮层脑区间的交互模式。

目前，基于功能磁共振成像(functional magnetic resonance imaging,fMRI)数据进行有效连接分析常用的几种方法有：结构方程模型(Structural Equation Model,SEM)(Jiancheng zhuang,et al.Connectivity exploration with structural equationmodeling,NeuroImage[J].www.elsevier.com/locate/ynimg.NeuroImage 25(2005)462–470)、多变量自回归模型(Multivariate Autoregressivemodeling，MAR)、格兰杰因果模型(Granger Causality Analysis,GCA)及动态因果模型(Dynammic Causal Modeling,DCM)(Anil K.Seth,et al.Granger Causality Analysis in Neuroscience andNeuroimaging.pdf[J].The Journal of Neuroscience,February 25,2015·35(8):3293–3297·3293)。其中结构方程模型、多变量自回归模型及动态因果模型属于假设驱动的方法，存在一个共同的弊端是都需要预先选定相互作用的区域，并假设任意两个区域之间存在影响。虽然这种预先假设的模型在验证脑区之间的因果关系中有一定的作用，但是这种预先假设的模型无法弄清这种因果关系是否是因为另一个脑区引起的，可能会导致错误的判定结论。格兰杰因果分析方法可在无需先验知识下研究脑区间的因果关系，它是根据脑区活动信号时间序列之间的时间优先级来确定脑区间的因果关系，克服了上述方法的假设局限性。然而，格兰杰因果分析主要将脑功能活动假设为线性波动的，忽视了脑区活动信号非线性的生理特征。

神经网络是一种自主学习的技术，主要是通过建立神经网络初始模型，并对所提供的样本数据多次学习训练，不断修正模型初始参数，确定网络最终映射模型，达到模式分类、数据压缩、时间序列预测、函数逼近等目的的过程。在这个过程中，不仅无需任何先验知识，而且其模型映射关系既可以是线性的，也可以是非线性的，因此对样本数据有较好的适应性。因此，本发明设计了一种基于神经网络预测模型的脑效应连接度量方法。

发明内容

本发明针对有效连接分析的几种方法中的缺陷，提供一种基于神经网络预测的脑效应连接度量方法，实现了非线性的计算脑效应连接。

为实现所述目的，本发明所采用的技术方案是：

一种基于神经网络预测的脑效应连接度量方法，包括以下步骤：

步骤1：采集M个人静息态下的fMRI数据；