[发明专利]脑网络动态差异实时度量方法

摘要

本发明涉及一种脑网络动态差异实时度量方法，含有如下步骤步骤1针对某一被试对象获取fMRI训练数据，根据该fMRI训练数据计算脑网络的两个待比较DCM模型；步骤2根据两个待比较DCM模型定义参考模型；步骤3计算两个待比较DCM模型的先验分布；步骤4参考模型后验参数估计；步骤5计算脑网络动态差异值，并输出计算结果；步骤6判断是否有新的fMRI实时数据y；如有，执行步骤7；如没有，执行步骤8；步骤7获取下一个时刻的fMRI实时数据y，然后，执行步骤4；步骤8结束。本发明速度快，可实现脑网络动态差异的实时度量。

主权项

一种脑网络动态差异实时度量方法，其特征是：含有如下步骤：步骤1：针对某一被试对象获取fMRI训练数据，设两个待比较的DCM模型分别为模型m1和模型m2，根据该fMRI训练数据计算脑网络的两个待比较DCM模型；步骤2：根据两个待比较DCM模型定义参考模型，模型m1和模型m2的模型参数集分别记为参数集一和参数集二，参数集一由连接矩阵A1、连接矩阵B1、连接矩阵C1组成，参数集二由连接矩阵A2、连接矩阵B2、连接矩阵C2组成；基于模型m1和模型m2定义模型mR，模型mR对应的脑网络称为参考连接网络，将参考连接网络的参数集记为θR，参数集θR由连接矩阵AR、连接矩阵BR、连接矩阵CR组成；连接矩阵A1、连接矩阵B1、连接矩阵C1、连接矩阵A2、连接矩阵B2、连接矩阵C2、连接矩阵AR、连接矩阵BR、连接矩阵CR的大小都相同；对连接矩阵AR、连接矩阵BR、连接矩阵CR中的各个元素，如果连接矩阵A1、连接矩阵B1、连接矩阵C1中相同位置上的对应元素不为0，或者连接矩阵A2、连接矩阵B2、连接矩阵C2中相同位置上的对应元素不为0，则连接矩阵AR、连接矩阵BR、连接矩阵CR中的该元素不为0；；步骤3：计算两个待比较DCM模型的先验分布，其计算方法为：将模型m1和模型m2都看作模型mR的退化模型，即令模型mR的参数集θR中的部分连接参数θ1和连接参数θ2为0，就得到了相应的模型m1和模型m2；此时，用模型m1和fMRI实时数据y计算连接参数θ1为0时的后验概率，用模型m2和fMRI实时数据y计算连接参数θ2为0时的后验概率，以衡量由模型m1或模型m2生成fMRI实时数据y的可能性，同时，计算连接参数θ1和连接参数θ2在模型mR下的先验分布p(θ1＝0|mR)和p(θ2＝0|mR)，计算公式为：p(θ1=0|mR)=1(2π)nCp·exp(-(θ1-θRp)22Cp2);]]>p(θ2=0|mR)=1(2π)nCp·exp(-(θ2-θRp)22Cp2);]]>其中，θRp为均值，Cp为方差，均值θRp和方差Cp使用DCM模型先验参数估计方法得到，n为参数集θR所含连接参数的个数；步骤4：参考模型后验参数估计，其方法为：使用DCM方法估计模型mR下参数集θR的后验概率，该后验概率记为q(θi|y,mR)，而后计算q(θ1＝0|y,mR)和q(θ2＝0|y,mR)；为了保证DCM方法进行参数估计的速度，采取减少迭代轮数的方式进行速度与精度的折中；步骤5：计算脑网络动态差异值，并输出计算结果；其中脑网络动态差异值的计算方法为：根据Bayesian公式分别计算模型m1和模型m2的似然函数p(y|θ1＝0,mR)和似然函数p(y|θ2＝0,mR)：p(y|θ1=0,mR)=p(θ1=0|y,mR)p(y|mR)p(θ1=0|mR)]]>p(y|θ2=0,mR)=p(θ2=0|y,mR)p(y|mR)p(θ2=0|mR)]]>将似然函数p(y|θ1＝0,mR)和似然函数p(y|θ2＝0,mR)相除，得到模型m1相对模型m2的脑网络动态差异值ratio：ratio=p(y|θ1=0,mR)p(y|θ2=0,mR)=p(θ1=0|y,mR)p(θ2=0|mR)p(θ1=0|mR)p(θ2=0|y,mR)≈q(θ1=0|y,mR)p(θ2=0|mR)p(θ1=0|mR)q(θ2=0|y,mR)]]>其中，p(y|mR)表示在模型mR下得到fMRI实时数据y的概率；p(θ1＝0|y,mR)表示在θ1＝0及mR模型下得到数据y的概率；p(θ2＝0|y,mR)表示在θ2＝0及mR模型下得到数据y的概率；步骤6：判断是否有新的fMRI实时数据y；如有，执行步骤7；如没有，执行步骤8；步骤7：获取下一个时刻的fMRI实时数据y，然后，执行步骤4；步骤8：结束。