[发明专利]一种基于贝叶斯非参模型的脑功能区划分方法

权利要求书

1.一种基于贝叶斯非参模型的脑功能区划分方法，其特征在于：所述的方法包括以下步骤：

S1：获取rs-fMRI数据集中n个脑素的相对位置和时间序列；

S2：对计算两两脑素之间的相对位置距离矩阵和时间序列距离矩阵；

S3：将相对位置距离矩阵和时间序列距离矩阵进行处理和合并，组成新的距离矩阵，对新的距离矩阵进行重定义操作，得到最终的距离矩阵；

S4：根据最终的距离矩阵依次计算每个脑素的先验分配和先验聚类，得到聚类结果；

S5：根据聚类结果计算当前贝叶斯非参模型参数，根据当前贝叶斯非参模型参数依次对每个脑素计算分配概率，再分配，

S6：判断是否达到指定轮次，若是，则反馈最终的脑素聚类结果以及相应的脑区划分结果，否则回到步骤S5继续执行；

步骤S4，具体地，根据最终的距离矩阵先计算每个脑素的先验分配概率矩阵，进行一次采样得到先验分配结果，再由先验分配结果计算先验聚类结果，具体为：

先验分配概率矩阵：

先验分配结果：

link_i＝sample(Prior_i,·)

先验聚类结果：

步骤S5，具体为：所述的贝叶斯非参模型参数是各个聚类所对应的高斯分布G～N(μ_cluster，σ_cluster)；其中，μ_cluster为对应聚类中所有时间序列数据的的均值，σ_cluster为对应聚类中所有时间序列数据的方差；

新的分配结果为对每个脑素依次按以下公式采样一次，结果为该脑素的新分配结果：

其中，likelihood_i为脑素i所在聚类中所有时间序列数据在对应的高斯分布中的概率连乘的积；merge_likelihood_ij为脑素i和脑素j所在的聚类中所有时间序列数据合并后重新计算的高斯分布中的概率连乘的积；γ表示自分配权重，表示脑素与自身相关的程度。

2.根据权利要求1所述的基于贝叶斯非参模型的脑功能区划分方法，其特征在于：步骤S2，计算两两脑素之间的相对位置距离矩阵，具体如下：

式中，相对位置数据集D₁＝{(x₁，y₁，z₁)，(x₂，y₂，z₂)，(x₃，y₃，z₃)，...，(x_n，y_n，z_n)}，i＝1，2，3，…，n；j＝1，2，3，...，n。

3.根据权利要求2所述的基于贝叶斯非参模型的脑功能区划分方法，其特征在于：步骤S2，计算两两脑素之间的时间序列距离矩阵，具体如下：

式中，D₂＝{t₁，t₂，t₃，...，t_n}表示时间序列数据集，i＝1，2，3，...，n；j＝1，2，3，...，n。

4.根据权利要求3所述的基于贝叶斯非参模型的脑功能区划分方法，其特征在于：步骤S3，将相对位置距离矩阵和时间序列距离矩阵进行处理，所述的处理包括先做衰减计算操作，随后做加权计算。

5.根据权利要求4所述的基于贝叶斯非参模型的脑功能区划分方法，其特征在于：所述的衰减计算操作包括窗口衰减、指数衰减、逻辑衰减几种中的一种。