一种基于复杂网络时序特征的脑网络分析方法

摘要

本方法基于复杂网络中的时序网络对动态脑网络进行定量分析，得到时序网络的全局效率和节点的平均驻留时间。在研究抑郁症等疾病的相关生理机制的同时，可以将时序网络的全局效率和节点的平均驻留时间用于抑郁症的辅助诊断，从而能提高抑郁症的诊断准确率。

说明书

技术领域

本发明涉及数据处理领域，具体来说，本发明涉及一种基于复杂网络时序特征的功能脑影像数据分析方法。

背景技术

抑郁症是世界第四大疾病，通常需要专业医生根据《精神疾病诊断和统计手册》对患者进行临床诊断。由于人工诊断存在一定的主观性且易受外界因素影响，外加各种精神疾病间重叠的临床表型及相同精神疾病患者个体间的差异，通常临床诊断误诊率较高。神经影像学提供了对大脑功能和结构的无创测量，可作为研究区分性生物标志物的有力工具，进而为疾病的诊断提供一个相对客观的标准。在利用神经影像的精神疾病诊断中，部分精神疾病如阿尔兹海默症的识别准确率已经可以达到95％以上，而抑郁症的识别准确率依然不够理想。

使用功能性磁共振成像(fMRI)影像数据分析功能网络，主要涉及对fMRI数据进行图论建模，并利用图论中的有关理论对构建的功能网络进行分析。目前构建大脑功能网络时通常假设获得的患者脑血氧水平依赖(BOLD)信号是稳态信号，被广泛采用的分析方法包括：构建静态功能连接并分析其拓扑结构，或基于滑动窗构建动态功能连接并使用聚类算法对其亚状态的连接模式进行分析。虽然fMRI数据具有较高的空间分辨率和时间分辨率，但上述方法尚未充分利用时域中的有效信息，对大脑动态活动的表征较为有限，因而对抑郁症的理解可能仍存在一定盲区。同时，现有分类方法以机器学习尤其是支持向量机为主，使用传统网络特征进行分类的准确率一直较低。

因此本发明的主要目的在于提供一种fMRI脑影像数据分析方法，它可以提高抑郁症等疾病的识别准确率从而为医生提供一种辅助诊断手段。

发明概述

为实现本发明的目的，提供一种基于时序网络的脑网络分析方法，该方法包括计算构建的时序网络的全局效率和节点的平均驻留时间。

全局效率的计算基于最短时序路径的确定。时间起点为

根据前述规则，选取不同的时间起点

节点平均驻留时间的计算基于时序网络的社区检测。设M为社区总数，

发明的有益效果

本方法基于复杂网络中的时序网络对动态脑网络进行定量分析，得到时序网络的全局效率和节点的平均驻留时间。在研究抑郁症等疾病的相关生理机制的同时，可以将时序网络的全局效率和节点的平均驻留时间用于抑郁症的辅助诊断，从而能提高抑郁症的诊断准确率。由于精神疾病患者的大脑结构与功能都会发生一定变化，本方法也可推广至其它精神疾病的相关诊断中。

附图的简要说明

以下将结合附图对本发明的技术特征进行详细的说明，其中：

图1显示了已有的时序网络的时空图。

图2是已有的时序网络的构建流程图。

图3是根据本发明的时序网络的分析流程图。

具体实施方式

本发明提供一种基于复杂网络时序特征的脑网络分析方法，下面将参考附图对其实施例进行详细说明。

图1是已有的时序网络的时空图。

在图1中，横轴中的数值表示滑动窗口所对应的时间点，纵轴中的字母表示窗口所对应网络中的节点，节点间的连线即为网络中的边。

图2是根据已有手段的时序网络的构建流程图。

首先，本方法使用抑郁症患者和正常对照组的静息态fMRI影像数据，要求采集数据时所有采集参数保持一致。使用基于SPM12的DPARSF工具箱对原始fMRI数据进行预处理。在去除前10个时间点使信号达到平衡后，进行时间层校正和头动校正。为了限制头部运动的影响，头部过度运动(移位＞2mm或旋转＞2°或mean FD

接下来，根据自动解剖标记(AAL)图谱将预处理后的脑影像数据划分为90个脑区，并提取各脑区所含体素(voxel)的平均时间序列。根据预置的滑动窗口大小对前述的平均时间序列进行切分，计算各窗口内两个脑区间信号的皮尔森相关系数r，并使用Fisher’s z变换将r值转换为z值：

其中x与y分别为同一窗口内两个脑区的时间序列，由此可以得到每个窗口内的功能连接矩阵G

在此基础上使相邻窗口中的对应节点之间存在与时间流向一致的单向层间连接，进而得到时序网络

进一步地，需要通过预置的稀疏度对网络进行稀疏化处理以消除假连接、最小化噪声水平。稀疏化处理的过程中，可以根据预置的稀疏度保留权值最高的K条边。由于皮尔森相关系数r的取值范围为[-1,1]，稀疏化处理前需要对网络中各边的权值取绝对值以保留负连接。

图3是根据本发明的时序网络的分析流程图。

第一步，当利用如图2所示的流程构建了如图1所显示的时序网络后，在图3中，假设时间起点为t时,时序网络中节点u到v的某条时序路径可以定义为下面的四元组序列：

序列中允许同一时间窗内多条边的存在，且当t

由于时序路径中各边的权值表示脑区信号间的时间相关性，权值越高表示连接强度越大，而现有方法只是基于二值网络，根据路径包含的边数确定最短时序路径。本发明同时考虑了路径中包含的边的数量及边的连接强度，并基于此对最短时序路径的求解加以改进：选择各边权值倒数之和

由于最短时序路径与时序距离的计算具有时间依赖性，即与起始时间

其中，n表示在整个时间跨度内不同时间起点下，节点u与节点v间最短时序路径的数目；

第二步，基于上述步骤中计算得到的节点间的时序平均距离τ

基于时序网络的全局效率E

第三步，借助Peter J.Mucha提出的多层网络社区检测算法对时序网络进行分析。具体来说本发明中，多层网络社区检测算法将各层的节点划分到不同社区，并基于二部图匹配算法对网络各层间的社区进行匹配，由此可以量化节点所属社区随时间的变化，即节点i随着时间的延续驻留在不同社区中以及分别在各个社区中驻留的时长。

第四步，在社区划分的基础上计算节点的平均驻留时间。设M为社区总数，

第五步，基于以上步骤中得到的时序网络的全局属性和局部属性，分别获得抑郁症患者的全局效率和节点的平均驻留时间以及正常对照组的全局效率和节点的平均驻留时间，提取二者之间差异性较为显著的属性作为特征并对其进行特征选择，以便后续用于抑郁症的辅助诊断。

以上以抑郁症患者的脑静息态fMRI影像数据为例说明了本发明的方法，但是本发明还可以用于分析其它的具有网络时序特征的数据。

虽然已给出本发明的实施范例，但本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本发明的实施范例进行改变。上述实施范例只是示例性的，不应以本实施范例作为本发明权利范围的限定。