[发明专利]基于PCA与K均值聚类的动态脑功能连接模式分解方法

摘要

基于PCA与K均值聚类的动态脑功能连接模式分解方法，是将动态功能连接分解为一些基本连接模式。先对静息态磁共振数据预处理、再提取脑区的时间序列，然后采用滑动窗方法计算脑区两两之间的相关系数，构造相应的功能连接矩阵，最后对功能连接矩阵进行PCA与K均值聚类分析得到基本连接模式。本发明提出的动态功能连接模式分解算法，能够有效准确地得到分解后的基本功能连接模式，不仅能够捕捉不同基本连接模式之间的转变，并且为临床上精神分裂症、阿尔兹海默症、抑郁症等神经精神疾病的进一步研究和防治提供策略。

主权项

1.基于PCA与K均值聚类的动态功能连接模式分解方法，其特征在于，具体步骤如下：(1)、对被试进行静息态磁共振数据采集，并进行预处理，磁共振数据的预处理目的是提高脑功能图像的信噪比，并将被试图像与标准模板进行配准变换；所述预处理包括：结构像头颅分割、时间对齐、头动校正、空间平滑、时域带通滤波、去线性、图像分割和冗余去除，其中，如果采用隔层扫描，所述预处理的先后顺序为时间对齐、头动校正、空间平滑、时域带通滤波、去线性、图像分割和冗余去除；如果采用顺序扫描，所述预处理的先后顺序为头动校正、时间对齐、空间平滑、时域带通滤波、去线性、图像分割和冗余去除；(2)、预处理之后，提取DMN、ECN以及SN网络的时间序列，采用种子点法提取DMN23个子区的时间序列、ECN12个子区的时间序列、SN13个子区的时间序列，种子点区域选取半径为6mm的球形区域，选取种子点之后，并对其中所有的体素信号加权平均进而得到种子点的时间序列曲线；(3)、基于PCA进行动态功能连接模式分解，首先通过采用滑动窗方法计算每个被试所有脑区两两之间的皮尔森相关系数，进而得到功能连接矩阵，功能连接矩阵的大小为M*N，其中M为功能连接对的个数，N为滑动窗的个数与被试个数的乘积；其次，采用PCA方法对功能连接矩阵进行模式分解，得到矩阵特征向量，按从大到小顺序保留最上面的k个特征向量，k个特征向量表示动态功能连接的k个主要连接模式；(4)、为研究某些连接模式可能是准稳定的，即它们随时间重复出现以及存在于众多被试中，基于K均值聚类方法对相应的功能连接矩阵进行聚类，每个聚类中心代表存在的一种连接模式，实现基于K均值聚类的动态功能连接模式分解；(5)、根据聚类结果得到每个被试以时间为函数的状态分布图，功能连接在长时间内趋于单一状态，在状态转换过渡时的短时间内也通常会出现其它状态，采用马尔可夫链描述其转换行为，将状态转换过程看作马尔可夫链，马尔可夫链具体为：设{X(t)，t∈T}是随机过程，其参数集T＝{0，1，2，…},状态空间S为可数集，设S＝{1，2，…}，若对任意的m≥1及任意的i₀，i₁，…，i_m，j∈S，当P{X(0)＝i₀，X(1)＝i₁，…,X(m)＝i_m}＞0时，有P{X(m+1)＝j|X(0)＝i₀，X(1)＝i₁，…,X(m)＝i_m}＝P{X(m+1)＝j|X(m)＝i_m},则称{X(t)，t∈T}为离散时间马尔可夫链，通过马尔可夫链得到的每个被试的转移矩阵，转移矩阵中的元素表示由一种状态转移到令一种状态的概率。