[发明专利]基于模体结构的大脑默认网络有向连接分析方法

摘要

本发明涉及一种基于模体结构的大脑默认网络有向连接分析方法。对大脑fMRI图像进行格式转换、预处理和低频滤波，并与标准分区模板匹配；对fMRI图像进行ALFF计算，提取相关脑区的时间序列进行Granger因果分析，构建默认网络；搜索网络中存在的模体结构，确定模体的种类及数量；根据p值、Z得分等指标判断模体在默认网络有向连接中的重要程度；计算模体中的节点度和模体平均距离，分析脑区在模体和默认网络中的作用及信息传递速率；对患者组与正常人组进行统计分析，通过模体分布情况找出默认网络有向连接的显著差异。该方法有助于区分脑疾病患者与正常人默认网络的功能性差异，对于脑疾病的诊断和治疗具有一定的参考价值。

主权项

1.一种基于模体结构的大脑默认网络有向连接分析方法，包括以下步骤：(1)将采集到的fMRI数据进行读取和格式转换，再进行预处理，最后进行低频滤波，降低低频漂移及高频噪音；(2)选定一种标准分区模板将大脑划分为若干脑区，每个脑区对应脑功能网络中的一个节点，并且与预处理后的fMRI进行匹配；(3)对预处理后的fMRI数据进行ALFF计算，将去除线性漂移后的时间序列经过带通滤波器进行滤波，滤波后经快速傅里叶变换后得到功率谱，功率谱平均平方根即为ALFF；(4)提取默认网络相关脑区的时间序列进行Granger因果分析；若一个时间序列能够通过线性模型由另一个时间序列的当前值和过去值来预测，则认为这两个时间序列构成了因果关系；在默认网络中，若节点X和节点Y的时间序列分别为xt和yt，两个变量的时域回归模型表示为：式中，A1i、B1i为模型拟合系数；a1t、b1t为预估误差项；D(a1t)＝U1，D(b1t)＝V1为误差项的方差；由式(1)、式(2)可知，由节点X或Y过去的状态分别预估X或Y的t时刻状态；考虑变量之间的相互联系，节点X和Y有如下回归模型：式中，A2i、B2i、C2i、D2i为模型拟合系数，a2t、b2t为预估误差项；D(a2t)＝U2，D(b2t)＝V2为误差项的方差；将Y对X的作用以及X对Y的作用分别定义为：F1＝ln(U1/U2)       (5)F2＝ln(V1/V2)      (6)经过Granger因果分析，得到所选取节点的有向连接关系；(5)搜索默认网络中存在的模体结构；对于不同节点数的子图g，若该子图在随机网络中出现的次数高于在实际大脑默认网络中出现的次数的概率即为p值；若子图g的p值小于0.01，且在实际默认网络中出现的次数高于在随机网络中出现的次数，则认为该子图是选取脑区构建的默认网络的模体，相反则不是默认网络的模体；(6)计算模体在实际大脑默认网络中出现的频率；对于有n个节点的子图g，在实际默认网络中出现的次数为n(g)，所有具有n节点的子图出现的总次数为N，则子图g出现的频率为：(7)计算默认网络中出现的模体的Z得分，分析模体在网络中的重要性；对于模体Mi，在真实网络中出现的次数为Nreali，在随机网络中出现的次数为Nrandi，Nrandi的平均值记为，标准差为σrandi，则模体Mi在真实网络中的Z得分为：Z得分越大，表示该模体在默认网络中越重要；(8)利用节点度确定模体中节点的作用程度；节点度分为节点出度和入度，研究模体中节点的出度、入度，了解相关默认脑区在网络中的有向连接强度；若网络G中有n个节点，节点v_i的度为w_i，则节点v_i的出度、入度分别为和则有：节点的度越大，表明该节点在默认网络中的作用程度越大；若节点只有出度或入度，表明该节点在网络中的连接强度相对较弱；(9)计算模体中节点的距离，分析信息在模体和默认网络中的传递速率；定义模体中节点vi到vj的距离dij为节点vi到vj所要经历的边的最小数目，它的倒数1/dij为节点vi到vj的效率，记为εij；模体的效率Lc定义为：式中，N为模体中的节点数目；模体中节点的距离越大，则节点间的效率越小，模体结构的效率就越低。