[发明专利]基于社会网络分析的儿童多动症判别方法

摘要

一种基于社会网络分析的儿童多动症判别方法，分为：步骤1，对核磁数据的预处理：首先，对数据进行规范化统一处理，空间归一化用标准大脑空间衡量不同形状的实验者大脑使其可用一个坐标系来描述；然后，对预处理后的fMRI数据标准划分子分区，以进行后续的处理分析；步骤2，计算基于脑网络的各属性特征集，以图表、折线图的形式展现出来。与社会网络属性特征相结合，提供更加适合的属性特征对特定区域进行深入分析，更好的发挥了社会网络分析相对于现有网络分析研究的优势，利用ADHD和控制组之间的差异性突出表现属性特征的典型意义，同时发现ADHD在特定区域的不同于控制组的表现，以便通过这些特定区域特定表现分析研究ADHD的病变和发展。

主权项

一种基于社会网络分析的儿童多动症判别方法，其特征在于，此方法分为：步骤1，对核磁数据的预处理：首先，原始fMRI数据是大小为49*58*47的3D图像时间序列，为消除其因实验条件外部变化造成的数据差异以及对数据进行规范化统一处理，进行数据预处理，包括头动校正、时间层校正、空间归一化操作；所述预处理的头动校正用于消除在实验过程中由实验者头动产生的干扰，时间层校正主要用来校正系列成像中层与层获得时间的不同是各层得到的时间保持一致，空间归一化用标准大脑空间衡量不同形状的实验者大脑使其可以用一个坐标系来描述；然后，对预处理后的fMRI数据依据Brodmann标准划分为48个不同的功能区域即子分区，以进行后续的处理分析；步骤2，计算基于脑网络的各属性特征集，以图表、折线图的形式展现出来：对每一个子分区构建基于社会网络的脑功能网络，以每一个核磁图像的像素点(像素点即原始核磁数据的最小单位)作为网络的结点，像素点之间的相关关系作为对边的衡量，在满足K_ran>log(n)(其中K_ran表示网络的全局度数，n表示网络规模及节点个数)的条件下，寻找使小世界属性达到最优的阈值，对相关关系进行划分得到边的集合，得到的网络即为基于社会网络的脑功能网络；所述的构建基于社会网络的脑功能网络，用到了社会网络分析的小世界属性特征、相称混合特征、同步特征和层次特征，其中小世界属性特征表示网络的传递效率，又可以细分为6个属性，包括聚类系数、特征路径长度、聚类系数和特征路径长度分别在随机网络中的度量、度和全局特征；所述小世界属性特征，首先计算脑网络和100个同等规模随机网络的特征路径长度(即数学意义上的平均最短路径)和聚类系数C$C=\frac{3\×M}{N},$其中M表示网络中三角关系的个数，N表示三元组连接的节点个数，然后用脑网络和100个随机网络的平均特征路径长度的比值和聚类系数的比值来衡量脑网络的小世界属性，计算某个区域网络的自交互性、自传播性及整体经济效率特征，在某些特定区域ADHD组与控制组表现出一定程度上的不同，也反应了两组之间对信息和行为的处理存在很大的差别；所述相称混合属性特征r是影响自组织临界性的一个重要因素$r=\frac{M^{-1}{\mathrm{\Σ}}_i{j}_i{k}_i-{\left[M^{-1}{\mathrm{\Σ}}_i\frac{1}{2}(j_i+k_i)\right]}^2}{M^{-1}{\mathrm{\Σ}}_i\frac{1}{2}(j_i^2+k_i^2)-{\left[M^{-1}{\mathrm{\Σ}}_i\frac{1}{2}(j_i+k_i)\right]}^2}$其中j_i，k_i表示第i边所属两个节点度数，M表示边总数；所述同步特性和层次特性，分别反应了区域网络对信息的同步处理能力和层次效率影响；所述小世界属性特征、相称混合特征、同步特征和层次特征，这些属性特征集作为输入信息，进行训练和预测，得到最终的分类结果。