[发明专利]一种假设驱动的认知障碍脑网络分析方法

权利要求书

1.一种假设驱动的认知障碍脑网络分析方法，其特征在于，包括以下步骤：

S1对与大脑连接性矩阵的构建进行预处理；

S2进行复杂脑网络度量；

S3假设检验与变异性分析；

S4监督机器进行学习验证。

2.根据权利要求1所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S1预处理依据华盛顿大学多模态脑分区方法，对人类大脑进行功能区域分割，将整体大脑细分为360个脑区域，具体操作包括：

S1.1获取结构态、功能态磁共振数据以及成像设备磁场分布信息；

S1.2根据获取信息将人类大脑注册到CIFTI空间，形成3.2万个坐标点；

S1.3采用J-HCPMMP方法，将该大脑注册到多模态脑分区，形成左右各180个子脑区；

S1.4对360个脑区之间的功能性磁共振数据进行相关分析，形成360×360大小复杂脑网络邻接矩阵；

S1.5对复杂脑网络邻接矩阵进行阈值处理，去除噪声和干扰信息，由稠密大脑连接变为稀疏大脑连接。

3.根据权利要求2所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S2进行复杂脑网络度量具体包括：

S2.1构建两种复杂脑网络：加权脑网络和二值化脑网络；

S2.2计算加权脑网络中的7种全局性度量指标；

S2.3计算加权脑网络中的7种区域性度量指标；

S2.4计算二值化脑网络中的8种区域性度量指标。

4.根据权利要求3所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述加权脑网络对应稀疏大脑连接矩阵，所述二值化脑网络将加权脑网络中的有效连接设为1，其他连接设为0，同时将位于对角线上的连接权重设为0。

5.根据权利要求3所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S2.2计算加权脑网络中的7种全局性度量指标，包括复杂脑网络全局效率、最大化模块、最佳模块数量、同配性系数、小世界特性指数、特征路径长度以及平均聚集系数。

6.根据权利要求3所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S2.3计算加权脑网络中的7种区域性度量指标包括复杂脑网络各节点度、强度、聚集系数、局部效率、介数中心性、特征向量中心性、页面排序中心性。

7.根据权利要求3所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S2.4计算二值化脑网络中的8种区域性度量指标包括脑网络各节点度、聚集系数、局部效率、介数中心性、特征向量中心性、页面排序中心性、K核心中心性和流量系数。

8.根据权利要求1所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S3假设检验与变异性分析具体如下：

计算所有网络拓扑值中满足递进型单调变化关系值，并筛选出该度量值所在脑区，如公式(1)所示：

其中AD为阿尔兹海默症患者，LMCI为晚期轻度认知障碍患者，EMCI为早期轻度认知障碍患者，HC为健康对照组，

计算统计检验下呈现显著递进型变化关系的脑区，如公式(2)所示：

U₂＝{Area|P(KruskalWallis H test(Measure(Area))＜Criteria} (2)

计算U₁和U₂两个集合中的交集，作为后续机器学习中的候选脑区特征集合。

9.根据权利要求8所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S4具体包括：

S4.1采用特征工程，将步骤S3中选择出来的候选脑区进行过滤筛选；

S4.2采用机器学习算法，对特征工程中选择出来的特征值进行建模；

S4.3采用多类识别策略，改进支持向量机分类表现。

10.根据权利要求9所述的一种假设驱动的认知障碍脑网络分析方法，其特征在于，所述步骤S4.1筛选方式包括过滤类特征选择算法和包裹类特征选择算法。