首页> 中国专利> 一种感音神经性耳聋的脑功能网络演化建模方法

一种感音神经性耳聋的脑功能网络演化建模方法

摘要

本发明公开了一种感音神经性耳聋的脑功能网络演化建模方法,S01、提取脑网络状态数据,以静息态fMRI的BOLD信号为对象,通过滑动窗口技术分析并提取脑网络的状态表达,得到脑网络状态的高维向量表达;S02、利用状态观测矩阵获取低维映射及聚类结果;S03、脑网络状态的转换模式分析,根据状态的聚类结果构建状态集,分析状态之间切换与时间的关系,得到脑网络状态演化在时间轴上的时序图;S04、基于时间自动机的脑网络演化模型,根据脑网络状态演化时序图,通过时间自动机理论构建演化过程模型,提供定量的脑网络动态描述模型,能够有效的描述人脑网络的状态转换规律和演变进程,对不同被试数据具有普适性,并且可辨识出被试的异常演化过程。

著录项

说明书

技术领域

本发明实施例涉及医疗设备领域,具体涉及一种便携式锐器盒。

背景技术

耳聋是严重影像人类健康和生活的常见病之一,在成人中发病率约占近 10%,且随着年龄的增长,耳聋的发病率呈明显上升趋势,声音的感知在一系列复杂结构的基础上完成的,这一系列的结构不仅包括耳对声音的收集与传导,还需要相应听觉神经及听觉神经中枢的传导和分析。

目前,虽然对感音神经性耳聋脑功能网络的研究已经取得了一定的成果,但是有几个问题仍亟需解决,首先,感音神经性耳聋病人随着疾病的进展,仍不清楚大脑功能如何演化,其次,无法科学定量评估感音神经性耳聋病人大脑听觉网络功能以及预测后期疾病进展方向。

发明内容

本发明的目的在于提供一种感音神经性耳聋的脑功能网络演化建模方法,以解决现有技术中随着耳聋疾病的进展,大脑功能的演化进程中无法定量评估感音神经性耳聋病人大脑听觉网络功能并预测后期疾病进展方向的技术问题。

为解决上述技术问题,本发明具体提供下述技术方案:

一种感音神经性耳聋的脑功能网络演化建模方法,包括以下步骤:

S01、提取脑网络状态数据,以静息态fMRI的BOLD信号为对象,通过滑动窗口技术分析并提取脑网络的状态表达,得到脑网络状态的高维向量表达;

S02、利用状态观测矩阵获取低维映射及聚类结果,以数据采集时间区间上所有的脑网络状态高维向量为对象,通过t分布随机近邻嵌入得到这些状态在二维空间上的点映射,得到这些状态的聚类结果;

S03、脑网络状态的转换模式分析,根据状态的聚类结果构建状态集,分析状态之间切换与时间的关系,得到脑网络状态演化在时间轴上的时序图;

S04、基于时间自动机的脑网络演化模型,根据脑网络状态演化时序图,通过时间自动机理论构建演化过程模型,提供定量的脑网络动态描述模型。

作为本发明的一种优选方案,所述脑网络状态数据提取依据自动解剖标签AAL模板区分大脑脑区,分别提取采样期间内不同脑区的平均BOLD信号时间序列,利用相关性分析衡量各个脑区之间的连接关系获取脑网络状态数据。

作为本发明的一种优选方案,依据所述脑网络状态数据构建状态观测矩阵获取低维映射及聚类结果,具体步骤为:

首先、获取一个包含N个时间点的脑网络样本,设定降维的迭代次数和低维空间目标维数;

其次、利用滑动窗口将整段的BOLD信号分割为若干个短信号,通过调整窗口尺寸的大小,得到多个不同的功能连接矩阵,并计算不同矩阵之间的欧氏距离;

再者、以脑网络动态特征矩阵数据点为中心计算低维空间联合概率,并定义目标函数;

最后、对目标函数求最优化并得出降维结果。

作为本发明的一种优选方案,对所述目标函数按时间顺序在二维空间内的降维结果进行染色,获取不同时间点在二维空间内的脑网络状态分布。

作为本发明的一种优选方案,依据所述脑网络状态分布设置时间转换表,包括全脑状态演化有限字母表、全脑状态演化有限状态集、开始状态集、全脑状态演化有限时钟集以及脑网络状态转换规则集。

作为本发明的一种优选方案,通过所述时间转换表描述六元组,定义采集时钟变量集,通过时间区间时序逻辑给出脑网络状态的动态演化时间区间。

作为本发明的一种优选方案,通过采样所述时间区间上血氧依赖水平信号的处理得到全脑脑区在单个采样点上的状态描述,通过无监督聚类获取其状态集。

作为本发明的一种优选方案,在所述状态集内部设置采集数据的起始时刻以及状态结束时刻,采用非参数方法构建脑网络状态生存函数。

作为本发明的一种优选方案,采用t分布随机近邻嵌入法对所述脑网络状态生存函数进行降维处理,得到与之相对应的状态转换集,判断各个断点状况下所有样本的稳定状态。

本发明与现有技术相比较具有如下有益效果:

本发明的感音神经性耳聋的脑功能网络演化建模方法,以全脑脑区网络的动态特性为基础,构建了全脑脑区在单个时间采样点上的状态观测矩阵,然后通过无监督聚类获取其状态集,在此基础上采用自动机理论对脑网络的动态演化过程建立了时间模型,从而可以依据该模型对BOLD信号何时进入稳定状态进行判断,为判断BOLD信号的稳定状态临界点提供了一种定量的分析方法,能够有效的描述人脑网络的状态转换规律和演变进程,对不同被试数据具有普适性,并且可辨识出被试的异常演化过程。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供感音神经性耳聋的脑功能网络演化建模方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

如图1所示,本发明提供了一种感音神经性耳聋的脑功能网络演化建模方法,以全脑脑区网络的动态特性为基础,构建了全脑脑区在单个时间采样点上的状态观测矩阵,然后通过无监督聚类获取其状态集,在此基础上采用自动机理论对脑网络的动态演化过程建立了时间模型,从而可以依据该模型对BOLD信号何时进入稳定状态进行判断,为判断BOLD信号的稳定状态临界点提供了一种定量的分析方法,能够有效的描述人脑网络的状态转换规律和演变进程,对不同被试数据具有普适性,并且可辨识出被试的异常演化过程。

包括以下步骤:

S01、提取脑网络状态数据,以静息态fMRI的BOLD信号为对象,通过滑动窗口技术分析并提取脑网络的状态表达,得到脑网络状态的高维向量表达;

S02、利用状态观测矩阵获取低维映射及聚类结果,以数据采集时间区间上所有的脑网络状态高维向量为对象,通过t分布随机近邻嵌入得到这些状态在二维空间上的点映射,得到这些状态的聚类结果;

S03、脑网络状态的转换模式分析,根据状态的聚类结果构建状态集,分析状态之间切换与时间的关系,得到脑网络状态演化在时间轴上的时序图;

S04、基于时间自动机的脑网络演化模型,根据脑网络状态演化时序图,通过时间自动机理论构建演化过程模型,提供定量的脑网络动态描述模型。

本实施例中,通过对采样时间区间上BOLD信号的处理描述脑网络在每一个时间点上的特定状态,对得到的高维脑状态观测矩阵进行低维映射后观测其状态转换规律,在此基础上结合时间自动机对脑网络的状态演化过程进行建模,从而达到对脑网络动态特性定量描述的目的。

所述脑网络状态数据提取依据自动解剖标签AAL模板区分大脑脑区,分别提取采样期间内不同脑区的平均BOLD信号时间序列,利用相关性分析衡量各个脑区之间的连接关系获取脑网络状态数据。

本实施例中,所述脑网络状态数据提取是采用Python平台对原始的静息态功能磁共振成像数据进行基本的预处理,经过预处理得到全脑脑区BOLD信号时间序列。

依据所述脑网络状态数据构建状态观测矩阵获取低维映射及聚类结果,具体步骤为:

首先、获取一个包含N个时间点的脑网络样本,设定降维的迭代次数和低维空间目标维数;

其次、利用滑动窗口将整段的BOLD信号分割为若干个短信号,通过调整窗口尺寸的大小,得到多个不同的功能连接矩阵,并计算不同矩阵之间的欧氏距离;

再者、以脑网络动态特征矩阵数据点为中心计算低维空间联合概率,并定义目标函数;

最后、对目标函数求最优化并得出降维结果。

本实施例中,把脑网络状态观测矩阵每行按顺序首尾相连得到状态观测行向量,将其视为高维空间中的点,通过计算高维空间内任意两点x

本实施例中,通过滑动窗口调整窗口尺寸大小,随着窗口状态的不断更新,数据流的状态也在不算变换,能够构建实时的脑网络状态观测矩阵,真实的反应脑网络状态。

本实施例中,分别提取采样期间内90个脑区的平均BOLD信号时间序列,在提取出BOLD时间序列以后,计算脑区间的功能连接强度以确定脑区之间的相互关系,利用相关性分析衡量各个脑区之间的连接关系程度,且脑区与脑区之间的连接的紧密强度由相关系数的大小来衡量,相关系数的绝对值越大,说明两个脑区之间的相关程度越强。

本实施例中,所述相关性分析方法以分析变量间的线性关系为主,体现变量间的线性相关密切程度。

本实施例中,以全脑脑区BOLD信号为连续时变变量,通过皮尔逊相关分析方法对全脑网络功能进行分析,利用皮尔逊相关系数计算两个脑区之间的相关性,公式如下:

其中x

对所述目标函数按时间顺序在二维空间内的降维结果进行染色,获取不同时间点在二维空间内的脑网络状态分布。

本实施例中,对降维结果进行染色后,可视化后的数据点颜色随采样时间的推进可设置为不同颜色值。

依据所述脑网络状态分布设置时间转换表,包括全脑状态演化有限字母表、全脑状态演化有限状态集、开始状态集、全脑状态演化有限时钟集以及脑网络状态转换规则集。

本实施例中,以脑网络状态分布的时间转换表为时间序列,以脑功能网络状态观测窗口为基础,成功构建单状态观测矩阵,并将所有的单状态观测矩阵进行整合为多状态观测矩阵,从而得到全脑网络的时空状态表达式。

通过所述时间转换表描述六元组,定义采集时钟变量集,通过时间区间时序逻辑给出脑网络状态的动态演化时间区间。

本实施例中,将描述全脑状态演化的时间自动机设置为一个六元组,其中脑网络状态转换的时间转换表以及脑网络的终止状态。

通过采样所述时间区间上血氧依赖水平信号的处理得到全脑脑区在单个采样点上的状态描述,通过无监督聚类获取其状态集。

在所述状态集内部设置采集数据的起始时刻以及状态结束时刻,采用非参数方法构建脑网络状态生存函数。

采用t分布随机近邻嵌入法对所述脑网络状态生存函数进行降维处理,得到与之相对应的状态转换集,判断各个断点状况下所有样本的稳定状态。

本实施例中,所述脑网络演化过程构成的时间自动机可表示为六元组,能够表示正常人在静息态下,脑网络状态的转移、脑网络呈现出五个相对稳定的状态、脑网络的初始状态、转换规则集等,当且仅当同时满足所有条件时,脑网络的状态演化才会发生。

以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。

去获取专利,查看全文>

相似文献

  • 专利
  • 中文文献
  • 外文文献
获取专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号