基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法
【專利摘要】本發(fā)明涉及一種基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其包括以下步驟：將預(yù)處理后的個體腦與布魯?shù)侣鼧藴誓０暹M行配準，則個體腦被分割成若干與布魯?shù)侣鼌^(qū)一一對應(yīng)的腦區(qū)，每個腦區(qū)稱為一個BA區(qū)；將任一BA區(qū)作為熵連接的一個種子點，構(gòu)建求解熵連接的熵的數(shù)學(xué)模型；基于熵連接的熵的數(shù)學(xué)模型，構(gòu)建個體腦效應(yīng)連接網(wǎng)。本發(fā)明利用熵連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)具有簡單、快速和經(jīng)濟有效的特點，它更適合用于研究引起人腦神經(jīng)系統(tǒng)改變的疾病的神經(jīng)影像學(xué)機理。
【專利說明】
基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于功能磁共振圖像處理技術(shù)領(lǐng)域，具體涉及一種基于功能磁共振數(shù)據(jù)的 個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法。
【背景技術(shù)】
[0002] 研究表明，多種疾病都能引起大腦神經(jīng)系統(tǒng)改變，探明引起神經(jīng)系統(tǒng)變化的疾病 的神經(jīng)影像學(xué)機理對于臨床康復(fù)性治療具有重要的意義。人們常利用功能磁共振腦效應(yīng)連 接網(wǎng)來研究這方面的機理。
[0003] 目前，腦效應(yīng)連接網(wǎng)的構(gòu)建方法是功能磁共振數(shù)據(jù)后處理中的研究熱點。常用的 腦效應(yīng)連接網(wǎng)的構(gòu)建方法有DCM( Dynamic Causal Mode ling，動態(tài)因果模型)法和Granger 因果效應(yīng)法。這兩種方法都是基于模型的構(gòu)建方法，適合基于病人組數(shù)據(jù)或?qū)φ战M數(shù)據(jù)等 組數(shù)據(jù)進行腦效應(yīng)連接網(wǎng)的構(gòu)建。
[0004] DCM方法構(gòu)建的腦效應(yīng)連接網(wǎng)比較適合用于分析組間數(shù)據(jù)因果性的差異，即分析 病人組和對照組效應(yīng)連接網(wǎng)中腦區(qū)間因果強度的顯著性差異。因為利用DCM方法時，需要引 入一種外來的刺激信號，才能分析腦區(qū)間效應(yīng)連接的強度，所以這種方法不適合分析組間 網(wǎng)絡(luò)拓撲屬性的變化。在分析疾病的神經(jīng)影像學(xué)機理時，具有一定的局限性。Granger因果 效應(yīng)法構(gòu)建的腦效應(yīng)連接網(wǎng)比較適合分析網(wǎng)絡(luò)的拓撲屬性。例如，小世界屬性、輸入和輸出 度、最短路徑長度、模塊化和中心度。這種方法不能構(gòu)建個體腦效應(yīng)連接網(wǎng)，無法分析組間 腦效應(yīng)連接網(wǎng)的拓撲屬性變化，不利于探索疾病的神經(jīng)影像學(xué)機理。

【發(fā)明內(nèi)容】

[0005] 為了解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明提供了一種基于功能磁共振數(shù)據(jù)的個 體腦效應(yīng)連接網(wǎng)的構(gòu)建方法。
[0006] 為實現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案:一種基于功能磁共振數(shù)據(jù)的個體腦 效應(yīng)連接網(wǎng)的構(gòu)建方法，其包括以下步驟：
[0007] 將預(yù)處理后的個體腦與布魯?shù)侣鼧藴誓０暹M行配準，則個體腦被分割成若干與布 魯?shù)侣鼌^(qū)--對應(yīng)的腦區(qū)，每個腦區(qū)稱為一個BA區(qū)；
[0008] 將任一BA區(qū)作為熵連接的一個種子點，構(gòu)建求解熵連接的熵的數(shù)學(xué)模型；
[0009] 基于熵連接的熵的數(shù)學(xué)模型，構(gòu)建個體腦效應(yīng)連接網(wǎng)。
[0010] 進一步地，所述熵連接的熵包括同步輸入熵連接的熵、同步輸出熵連接的熵、異步 輸入熵連接的熵和異步輸出熵連接的熵。
[0011] 進一步地，所述同步熵連接的熵的數(shù)學(xué)模型的構(gòu)建過程為：
[0012]將腦區(qū)BAX作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間同步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0013]預(yù)設(shè)x為腦區(qū)BAX的一個平均時間序列，^為平均時間序列x在時刻t的值;從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t的增量定義為A xt = xt+i-xt;
[0014] 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t+1的增量定義為A yt+1 = yt+2-yt+1;其中，t = l，2,…，N-2;
[0015] 預(yù)設(shè)n為平均時間序列x在時刻t的增量A Xt與平均時間序列y在時刻t+1的增量A yt+i同步變化的總步數(shù)，則增量A xt與A yt+1同步變化的貝葉斯概率為：
[0016] Ps(y/x) =n/(N-2)；
[0017] 預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的熵的數(shù)學(xué)模型為：
[0019]將腦區(qū)BAY作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間同步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0020] 預(yù)設(shè)X為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列x在時刻t的值;從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t+1的增量定義為 A Xt+1 = Xt+2_ Xt+1 ；
[0021] 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t的增量定義為A yt = yt+1-yt;其 中，t = l，2,…，N-2;
[0022] 預(yù)設(shè)m為平均時間序列y在時刻t的增量A yt與平均時間序列X在時刻t+1的增量A Xt+l同步變化的總步數(shù)，則增量A yt和A xt+l同步變化的貝葉斯概率為：
[0023] Ps(x/y) =m/(N_2);
[0024] 預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的熵的數(shù)學(xué)模型為：
[0026] TSxi表示以腦區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的 熵，TSp表示以腦區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的熵； [0027] 如果滿足|TSX-y|多|TSpx|且TSX- y彡0,則表明同步熵連接的方向是從腦區(qū)BAX到 腦區(qū)BAY;相對于腦區(qū)BAY而言，該同步熵連接是同步輸入熵連接，該同步輸入熵連接的熵為 TSx^y;而相對于腦區(qū)BAX而言，該同步熵連接是同步輸出熵連接，該同步輸出熵連接的熵是 TSr^y；
[0028] 如果滿足| TSX-y | < | TS^x |且TSy-x<0，則表明同步熵連接的方向是從腦區(qū)BAY到 腦區(qū)BAX;相對于腦區(qū)BAX而言，該同步熵連接是同步輸入熵連接，該同步輸入熵連接的熵為 TSpx | ;而相對于腦區(qū)BAY而言，該同步熵連接是同步輸出熵連接，該同步輸出熵連接的熵 是 | TS"X | 〇
[0029 ]更進一步地，基于同步輸入熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0030] 基于同步輸入熵連接的熵的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的同步輸入熵連接；
[0031] 計算任意腦區(qū)同其它腦區(qū)間的同步輸入熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的同步輸入熵連接；
[0032] 將腦區(qū)看作節(jié)點，腦區(qū)間的同步輸入熵連接作為各節(jié)點之間的邊，同步輸入熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于同步輸入熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0033 ]更進一步地，基于同步輸出熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0034] 基于同步輸出熵連接的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的同步輸出熵連接；
[0035] 計算任意腦區(qū)同其它腦區(qū)間的同步輸出熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的同步輸出熵連接；
[0036] 將腦區(qū)看作節(jié)點，腦區(qū)間的同步輸出熵連接作為各節(jié)點之間的邊，同步輸出熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于同步輸出熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0037] 進一步地，所述異步熵連接的熵的數(shù)學(xué)模型的構(gòu)建過程為：
[0038]將腦區(qū)BAX作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間異步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0039]預(yù)設(shè)x為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列x在時刻t的值;從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t的增量定義為A xt = xt+i_xt;
[0040]預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t+1的增量定義為A yt+1 = yt+2-yt+1;其中，t = l，2,…，N-2;
[0041 ]預(yù)設(shè)m為平均時間序列x在時刻t的增量A Xt與平均時間序列y在時刻t+1的增量A yt+l異步變化的總步數(shù)，則增量A Xt與A yt+1異步變化的貝葉斯概率為：
[0042] Pa(y/x) =m/(N-2)；
[0043] 預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的熵的數(shù)學(xué)模型為：
[0045]將腦區(qū)BAY作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間異步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0046] 預(yù)設(shè)x為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列x在時刻t的值;從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t+1的增量定義為 A Xt + 1 = Xt + 2_ Xt+1 ；
[0047] 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t的增量定義為A yt = yt+1-yt;其 中，t = l，2,…，N-2;
[0048] 預(yù)設(shè)m為平均時間序列y在時刻t的增量A yt與平均時間序列x在時刻t+1的增量A Xt+1異步變化的總步數(shù)，則增量A yt和A Xt+1異步變化的貝葉斯概率為：
[0049] Pa(x/y) =mi/(N_2);
[0050] 預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的熵的數(shù)學(xué)模型為：
[0052] TAxi表示以腦區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的 熵，TAp表示以腦區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的熵； [0053] 如果滿足|TAX-y|多|TApx|且TAX- y彡0,則表明異步熵連接的方向是從腦區(qū)BAX到 腦區(qū)BAY;相對于腦區(qū)BAY而言，該異步熵連接是異步輸入熵連接，該異步輸入熵連接的熵為 TA x-y;而相對于腦區(qū)BAX而言，該異步熵連接是異步輸出熵連接，該異步輸出熵連接的熵是
[0054] 如果滿足| TAX-y | < | TApx |且TAy-x<0，則表明異步熵連接的方向是從腦區(qū)BAY到 腦區(qū)BAX;相對于腦區(qū)BAX而言，該異步熵連接是異步輸入熵連接，該異步輸入熵連接的熵為 TA^x| ;而相對于腦區(qū)BAY而言，該異步熵連接是異步輸出熵連接，該異步輸出熵連接的熵 是 | TA"X | 〇
[0055] 更進一步地，基于異步輸入熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0056] 基于異步輸入熵連接的熵的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的異步輸入熵連接；
[0057] 計算任意腦區(qū)同其它腦區(qū)間的異步輸入熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的異步輸入熵連接；
[0058] 將腦區(qū)看作節(jié)點，腦區(qū)間的異步輸入熵連接作為各節(jié)點之間的邊，異步輸入熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于異步輸入熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0059] 更進一步地，基于異步輸出熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0060] 基于異步輸出熵連接的熵數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的異步輸出熵連接；
[0061] 計算任意腦區(qū)同其它腦區(qū)間的異步輸出熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的異步輸出熵連接；
[0062] 將腦區(qū)看作節(jié)點，腦區(qū)間的異步輸出熵連接作為各節(jié)點之間的邊，異步輸出熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于異步輸出熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0063]由于采用以上技術(shù)方案，本發(fā)明的有益效果為：與現(xiàn)有的利用DCM法和Granger因 果效應(yīng)法構(gòu)建的腦效應(yīng)連接網(wǎng)相比，本發(fā)明利用熵連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)具有簡 單、快速和經(jīng)濟有效的特點，它更適合用于研究引起人腦神經(jīng)系統(tǒng)改變的疾病的神經(jīng)影像 學(xué)機理。
【附圖說明】
[0064] 圖1是本發(fā)明基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法的流程圖；
[0065] 圖2是基于同步輸入熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的流程圖；
[0066] 圖3是基于同步輸出熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的流程圖；
[0067] 圖4是基于異步輸入熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的流程圖；
[0068] 圖5是基于異步輸出熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的流程圖。
【具體實施方式】
[0069]下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案進行詳細的說明。
[0070] 概念說明：
[0071] 1、人腦布魯?shù)侣鼌^(qū)
[0072] 1909年，德國神經(jīng)學(xué)家布魯?shù)侣?Brodmann)根據(jù)大腦皮層神經(jīng)細胞結(jié)構(gòu)的不同將 大腦皮層分為52個腦區(qū)，同一個腦區(qū)的神經(jīng)細胞結(jié)構(gòu)相同，而不同腦區(qū)的神經(jīng)細胞結(jié)構(gòu)不 相同。每一個腦區(qū)都執(zhí)行一項腦功能，不同腦區(qū)執(zhí)行不同的腦功能。因此，這52個腦區(qū)將人 腦分成了不同的腦區(qū)，這些腦區(qū)也叫布魯?shù)侣鼌^(qū)，簡稱BA區(qū)，每一個BA區(qū)都對應(yīng)一個編碼。 例如，BA41是人腦的初級聽覺皮層，負責聽覺信號的感知和處理。本發(fā)明將BA區(qū)作為節(jié)點， 構(gòu)建個體腦效應(yīng)連接網(wǎng)。
[0073] 2、熵連接
[0074] 為了構(gòu)建個體腦效應(yīng)連接網(wǎng)，需要定義熵連接這個概念。在信息論中，熵用來度量 信息量。近年在神經(jīng)科學(xué)研究中，為了描述腦區(qū)間的信息交換，研究者定義了變換熵，并用 來測量腦區(qū)間效應(yīng)連接的強度。為了使變換熵能更適合于構(gòu)建個體腦效應(yīng)連接網(wǎng)，本發(fā)明 基于馬爾科夫定律、貝葉斯概率和皮爾森相關(guān)系數(shù)對變換熵進行了改進，并利用改進的變 換熵測量有方向的功能連接(也稱效應(yīng)連接或因果連接)的強度。為了區(qū)別于現(xiàn)有算法構(gòu)建 的效應(yīng)連接，本發(fā)明將這類有方向的功能連接定義為熵連接。改進的變換熵稱為熵連接的 熵，用來度量熵連接的強度。熵連接描述了腦區(qū)間的因果關(guān)系和信息流向。
[0075] 根據(jù)腦區(qū)間神經(jīng)信號活動變化是否一致，熵連接又可細分為同步熵連接和異步熵 連接。
[0076] (1)同步熵連接
[0077] 如果一個腦區(qū)神經(jīng)活動的狀態(tài)變化會引起另一個腦區(qū)步調(diào)一致的神經(jīng)活動狀態(tài) 變化，那么這兩個腦區(qū)間的熵連接就稱為同步熵連接。腦區(qū)間的同步熵連接根據(jù)因果關(guān)系 的不同，即連接方向的不同，又可細分為同步輸入熵連接和同步輸出熵連接。
[0078] 腦區(qū)間的同步熵連接的方向總是從一個腦區(qū)指向另一個腦區(qū)，則相對于被指向的 腦區(qū)，該同步熵連接稱為同步輸入熵連接，而相對于另一個腦區(qū)，該同步熵連接稱為同步輸 出熵連接。
[0079] (2)異步熵連接
[0080]如果一個腦區(qū)神經(jīng)活動的狀態(tài)變化會引起另一個腦區(qū)步調(diào)不一致（即步調(diào)相反） 的神經(jīng)活動狀態(tài)變化，那么這兩個腦區(qū)間的熵連接就稱為異步熵連接。腦區(qū)間的異步熵連 接根據(jù)因果關(guān)系的不同，即連接方向的不同，又可細分為異步輸入熵連接和異步輸出熵連 接。
[0081]腦區(qū)間的異步熵連接的方向總是從一個腦區(qū)指向另一個腦區(qū)，則相對于被指向的 腦區(qū)，該異步熵連接稱為異步輸入熵連接，而相對于另一個腦區(qū)，該異步熵連接稱為異步輸 出熵連接。
[0082] 3、個體腦效應(yīng)連接網(wǎng)
[0083] 個體腦效應(yīng)連接網(wǎng)是基于單個人腦功能磁共振數(shù)據(jù)而構(gòu)建的連接人腦各腦區(qū)的 有方向腦網(wǎng)絡(luò)。該有方向腦網(wǎng)絡(luò)中腦區(qū)間的連接方向能夠呈現(xiàn)腦區(qū)間的信息傳輸方向，表 明腦區(qū)間因果聯(lián)系的方向。通過研究腦區(qū)間的因果聯(lián)系，可以闡明某些神經(jīng)系統(tǒng)疾病發(fā)生 的機制。此外，觀察個體腦效應(yīng)連接網(wǎng)的節(jié)點拓撲屬性的變化，例如，最短路徑長度的變化， 可以解釋某些神經(jīng)系統(tǒng)障礙的影像學(xué)機理，為病人的康復(fù)治療提供理論支撐。
[0084] 利用熵連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)比較適合用來探明疾病的神經(jīng)影像學(xué)機理。 例如，對先天性耳聾病人組和正常對照組的個體腦效應(yīng)連接網(wǎng)進行組間統(tǒng)計學(xué)分析和檢 驗，會發(fā)現(xiàn)先天性耳聾病人的腦效應(yīng)連接網(wǎng)中初級聽覺皮層的同步輸入節(jié)點度顯著增加， 同時伴隨來自視覺皮層的同步輸入熵連接強度顯著增強。因為熵連接是一種因果連接，所 以這些變化說明先天性耳聾病人的視覺皮層的變化引起了聽覺皮層的響應(yīng)，也就是說，耳 聾病人的聽覺皮層通過可塑性變化能夠處理視覺信號，提示先天性耳聾病人的初級聽覺皮 層發(fā)生了交叉模式功能重組（即初級聽覺皮層不處理聽覺信號，而是通過可塑性變化用來 處理視覺信號）?？梢娡ㄟ^對先天性耳聾病人組和正常對照組的個體腦效應(yīng)連接網(wǎng)進行組 間統(tǒng)計學(xué)分析和檢驗，可以揭示先天性耳聾病人初級聽覺皮層功能重組的神經(jīng)影像學(xué)機 理。
[0085] 如圖1所示，本發(fā)明提供了一種基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建 方法，其包括以下步驟：
[0086] S1、將預(yù)處理后的個體腦與布魯?shù)侣?Brodmann)標準模板進行配準，則個體腦被 分割成若干與布魯?shù)侣鼌^(qū)一一對應(yīng)的腦區(qū)，每個腦區(qū)稱為一個BA區(qū)。
[0087] S2、將任一BA區(qū)作為熵連接的一個種子點，構(gòu)建求解熵連接的熵的數(shù)學(xué)模型。
[0088] 本發(fā)明中構(gòu)建了四種類型的熵連接:同步輸入熵連接、同步輸出熵連接、異步輸入 熵連接、異步輸出熵連接。每一種熵連接都具有一定的連接強度，用熵連接的熵來度量熵連 接的強度，并通過構(gòu)建的數(shù)學(xué)模型來獲得熵連接的熵。
[0089] 以任意兩個腦區(qū)BAX和BAY之間熵連接的熵的求解為例，構(gòu)建求解熵連接的熵的數(shù) 學(xué)模型。下面分別以腦區(qū)BAX和BAY為熵連接的種子點構(gòu)建不同的數(shù)學(xué)模型。
[0090] (1)構(gòu)建求解同步熵連接的熵的數(shù)學(xué)模型
[0091] 將腦區(qū)BAX作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間同步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0092]預(yù)設(shè)x為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列x在時刻t的值。從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t的增量定義為A xt = xt+i-xt，其 中，t = l，2,…，N-2 〇
[0093]預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值。從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t+1的增量定義為A yt+1 = yt+2-yt+i，其中，t = l，2,…，N-2〇
[0094]預(yù)設(shè)n為平均時間序列x在時刻t的增量A Xt與平均時間序列y在時刻t+1的增量A yt+i同步變化的總步數(shù)，則增量A xt與A yt+1同步變化的貝葉斯概率為：
[0095] Ps(y/x)=n/(N_2)。
[0096] 預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的熵的數(shù)學(xué)模型為：
(1)
[0098]將腦區(qū)BAY作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間同步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0099]預(yù)設(shè)x為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列x在時刻t的值。從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t+1的增量定義為 A Xt+1 = Xt+2_ xt+i，其中，t = l，2,…，N-2。
[0100]預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值。從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t的增量定義為A yt = yt+1-yt，其 中，t = l，2,…，N-2 〇
[0101 ]預(yù)設(shè)m為平均時間序列y在時刻t的增量A yt與平均時間序列X在時刻t+1的增量A Xt+l同步變化的總步數(shù)，則增量A yt和A xt+l同步變化的貝葉斯概率為：
[0102] Ps(x/y) =m/(N_2)。
[0103]預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的熵的數(shù)學(xué)模型為：
(2)
[0105] TSxi表示以腦區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的 熵，TSp表示以腦區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間同步熵連接的熵。 [0106] 如果滿足|TSX-y|多|TSpx|且TSX- y彡0,則表明同步熵連接的方向是從腦區(qū)BAX到 腦區(qū)BAY;相對于腦區(qū)BAY而言，該同步熵連接是同步輸入熵連接，該同步輸入熵連接的熵為 TS x^y;而相對于腦區(qū)BAX而言，該同步熵連接是同步輸出熵連接，該同步輸出熵連接的熵是 TSr^y；
[0107] 如果滿足|TSX-y| < |TSpx|且TSy-x<0,則表明同步熵連接的方向是從腦區(qū)BAY到 腦區(qū)BAX;相對于腦區(qū)BAX而言，該同步熵連接是同步輸入熵連接，該同步輸入熵連接的熵為 TSpx | ;而相對于腦區(qū)BAY而言，該同步熵連接是同步輸出熵連接，該同步輸出熵連接的熵 是 | TS"X | 〇
[0108] (2)構(gòu)建求解異步熵連接的熵的數(shù)學(xué)模型
[0109]將腦區(qū)BAX作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間異步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0110] 預(yù)設(shè)X為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列X在時刻t的值。從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t的增量定義為A xt = xt+i-xt，其 中，t = l，2,…，N-2 〇
[0111] 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值。從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t+1的增量定義為A yt+1 = yt+2-yt+i，其中，t = l，2,…，N-2〇
[0112] 預(yù)設(shè)m為平均時間序列x在時刻t的增量A Xt與平均時間序列y在時刻t+1的增量A yt+l異步變化的總步數(shù)，則增量A Xt與A yt+1異步變化的貝葉斯概率為：
[0113] Pa(y/x) =m/(N_2)。
[0114] 預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的熵的數(shù)學(xué)模型為：
C3)
[0116] 將腦區(qū)BAY作為熵連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間異步熵連接的 熵的數(shù)學(xué)模型，具體過程為：
[0117] 預(yù)設(shè)x為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列x在時刻t的值。從平均 時間序列x中等間隔獲取N個采樣點，平均時間序列x在時刻t+1的增量定義為 A Xt+1 = Xt+2_ xt+i，其中，t = l，2,…，N-2。
[0118] 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值。從平均 時間序列y中等間隔獲取N個采樣點，平均時間序列y在時刻t的增量定義為A yt = yt+1-yt，其 中，t = l，2,…，N-2 〇
[0119] 預(yù)設(shè)mi為平均時間序列y在時刻t的增量A yt與平均時間序列X在時刻t+1的增量A Xt+1異步變化的總步數(shù)，則增量A yt和A Xt+1異步變化的貝葉斯概率為：
[0120] Pa(x/y) =mi/(N_2) 〇
[0121]預(yù)設(shè)rxy為平均時間序列x與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的以腦 區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的熵的數(shù)學(xué)模型為：
⑷
[0123] TAxi表示以腦區(qū)BAX作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的 熵，TAp表示以腦區(qū)BAY作為熵連接的種子點的兩個腦區(qū)BAX和BAY之間異步熵連接的熵；
[0124] 如果滿足|TAX-y|多|TApx|且TA X-y彡0,則表明異步熵連接的方向是從腦區(qū)BAX到 腦區(qū)BAY;相對于腦區(qū)BAY而言，該異步熵連接是異步輸入熵連接，該異步輸入熵連接的熵為 TAx-y;而相對于腦區(qū)BAX而言，該異步熵連接是異步輸出熵連接，該異步輸出熵連接的熵是
[0125] 如果滿足|TAX-y| < |TApx|且TAy-x<0,則表明異步熵連接的方向是從腦區(qū)BAY到 腦區(qū)BAX;相對于腦區(qū)BAX而言，該異步熵連接是異步輸入熵連接，該異步輸入熵連接的熵為 TA^x| ;而相對于腦區(qū)BAY而言，該異步熵連接是異步輸出熵連接，該異步輸出熵連接的熵 是 | TA"X | 〇
[0126] S3、基于熵連接的熵的數(shù)學(xué)模型，構(gòu)建個體腦效應(yīng)連接網(wǎng)。
[0127] 基于同步輸入熵連接的熵的數(shù)學(xué)模型、同步輸出熵連接的熵的數(shù)學(xué)模型、異步輸 入熵連接的熵的數(shù)學(xué)模型和異步輸出熵連接的熵的數(shù)學(xué)模型分別構(gòu)建四種類型的個體腦 效應(yīng)連接網(wǎng)，其具體過程為：
[0128] 如圖2所示，基于同步輸入熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0129] 基于同步輸入熵連接的熵的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的同步輸入熵連接， 例如，兩腦區(qū)BA41R與BA41L。
[0130] 計算任意腦區(qū)同其它腦區(qū)間的同步輸入熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的同步輸入熵連接。例如，以腦區(qū)BA41L為熵連接的一個種子點，獲得腦區(qū)BA41L與其 它腦區(qū)間的同步輸入熵連接的熵。
[0131 ]將腦區(qū)看作節(jié)點，腦區(qū)間的同步輸入熵連接作為各節(jié)點之間的邊，同步輸入熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于同步輸入熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0132] 如圖3所示，基于同步輸出熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0133] 基于同步輸出熵連接的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的同步輸出熵連接，例如， 兩腦區(qū)BA41L與BA41R。
[0134] 計算任意腦區(qū)同其它腦區(qū)間的同步輸出熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的同步輸出熵連接;例如，以腦區(qū)BA41L為熵連接的一個種子點，獲得腦區(qū)BA41L與其 它腦區(qū)間的同步輸出熵連接的熵。
[0135] 將腦區(qū)看作節(jié)點，腦區(qū)間的同步輸出熵連接作為各節(jié)點之間的邊，同步輸出熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于同步輸出熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0136] 如圖4所示，基于異步輸入熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0137] 基于異步輸入熵連接的熵的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的異步輸入熵連接。 例如，兩腦區(qū)BA41R與BA41L。
[0138] 計算任意腦區(qū)同其它腦區(qū)間的異步輸入熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的異步輸入熵連接。例如，以腦區(qū)BA41L為熵連接的一個種子點，獲得腦區(qū)BA41L與其 它腦區(qū)間的異步輸入熵連接的熵。
[0139] 將腦區(qū)看作節(jié)點，腦區(qū)間的異步輸入熵連接作為各節(jié)點之間的邊，異步輸入熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于異步輸入熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0140] 如圖5所示，基于異步輸出熵連接的熵的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程 為：
[0141] 基于異步輸出熵連接的熵數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的異步輸出熵連接。例 如，兩腦區(qū)BA41L與BA41R。
[0142] 計算任意腦區(qū)同其它腦區(qū)間的異步輸出熵連接的熵，獲得每一個腦區(qū)同其它所有 腦區(qū)間的異步輸出熵連接。例如，以腦區(qū)BA41L為熵連接的一個種子點，獲得腦區(qū)BA41L與其 它腦區(qū)間的異步輸出熵連接的熵。
[0143] 將腦區(qū)看作節(jié)點，腦區(qū)間的異步輸出熵連接作為各節(jié)點之間的邊，異步輸出熵連 接的熵作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于異步輸出熵 連接構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
[0144] 本發(fā)明不局限于上述最佳實施方式，本領(lǐng)域技術(shù)人員在本發(fā)明的啟示下都可得出 其他各種形式的產(chǎn)品，但不論在其形狀或結(jié)構(gòu)上作任何變化，凡是具有與本申請相同或相 近似的技術(shù)方案，均落在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其包括W下步驟： 將預(yù)處理后的個體腦與布魯?shù)侣鼧藴誓０暹M行配準，則個體腦被分割成若干與布魯?shù)?曼區(qū)--對應(yīng)的腦區(qū)，每個腦區(qū)稱為一個BA區(qū)； 將任一BA區(qū)作為賭連接的一個種子點，構(gòu)建求解賭連接的賭的數(shù)學(xué)模型； 基于賭連接的賭的數(shù)學(xué)模型，構(gòu)建個體腦效應(yīng)連接網(wǎng)。2. 如權(quán)利要求1所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特征 在于:所述賭連接的賭包括同步輸入賭連接的賭、同步輸出賭連接的賭、異步輸入賭連接的 賭和異步輸出賭連接的賭。3. 如權(quán)利要求1或2所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特 征在于:所述同步賭連接的賭的數(shù)學(xué)模型的構(gòu)建過程為： 將腦區(qū)BAX作為賭連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間同步賭連接的賭的 數(shù)學(xué)模型，具體過程為： 預(yù)設(shè)X為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列X在時刻t的值;從平均時間序 列X中等間隔獲取N個采樣點，平均時間序列X在時刻t的增量定義為A Xt = Xt+廣Xt; 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均時間序 列y中等間隔獲取N個采樣點，平均時間序列y在時刻t+1的增量定義為Ayt+i = yt+2-yt+i;其 中，t = l，2，...，N-2; 預(yù)設(shè)n為平均時間序列X在時刻t的增量A Xt與平均時間序列y在時刻t+1的增量A yw同 步變化的總步數(shù)，則增量A Xt與A yt+i同步變化的貝葉斯概率為： Ps(y/x)=n/(N-2)； 預(yù)設(shè)rxy為平均時間序列X與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的W腦區(qū) BAX作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間同步賭連接的賭的數(shù)學(xué)模型為：將腦區(qū)BAY作為賭連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間同步賭連接的賭的 數(shù)學(xué)模型，具體過程為： 預(yù)設(shè)X為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列X在時刻t的值;從平均時間序 列X中等間隔獲取N個采樣點，平均時間序列X在時刻t+1的增量定義為A xt+i = xt+2-xt+i; 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均時間序 列y中等間隔獲取N個采樣點，平均時間序列y在時刻t的增量定義為A yt = yt+i-yt;其中，t = l，2，...，N-2; 預(yù)設(shè)m為平均時間序列y在時刻t的增量A yt與平均時間序列X在時刻t+1的增量A xt+i 同步變化的總步數(shù)，則增量A yt和A xt+i同步變化的貝葉斯概率為： Ps(x/y)=ni/(N-2)； 預(yù)設(shè)rxy為平均時間序列X與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的W腦區(qū) BAY作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間同步賭連接的賭的數(shù)學(xué)模型為：TSx~^y表示W(wǎng)腦區(qū)BAX作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間同步賭連接的賭， TS^-X表示W(wǎng)腦區(qū)BAY作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間同步賭連接的賭； 如果滿足I TSr^y I > I TSy^x I且TSx~^y>0，則表明同步賭連接的方向是從腦區(qū)BAX到腦區(qū) BAY;相對于腦區(qū)BAY而言，該同步賭連接是同步輸入賭連接，該同步輸入賭連接的賭為 TSx~^y;而相對于腦區(qū)BAX而言，該同步賭連接是同步輸出賭連接，該同步輸出賭連接的賭是 TSjr^; 如果滿足I TSr^y I < I TSy^x I且TSy^x<0，則表明同步賭連接的方向是從腦區(qū)BAY到腦區(qū) BAX;相對于腦區(qū)BAX而言，該同步賭連接是同步輸入賭連接，該同步輸入賭連接的賭為 TS^-X I ;而相對于腦區(qū)BAY而言，該同步賭連接是同步輸出賭連接，該同步輸出賭連接的賭是 TSr-X I O4. 如權(quán)利要求3所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特征 在于:基于同步輸入賭連接的賭的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程為： 基于同步輸入賭連接的賭的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的同步輸入賭連接； 計算任意腦區(qū)同其它腦區(qū)間的同步輸入賭連接的賭，獲得每一個腦區(qū)同其它所有腦區(qū) 間的同步輸入賭連接； 將腦區(qū)看作節(jié)點，腦區(qū)間的同步輸入賭連接作為各節(jié)點之間的邊，同步輸入賭連接的 賭作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于同步輸入賭連接 構(gòu)建的個體腦效應(yīng)連接網(wǎng)。5. 如權(quán)利要求3所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特征 在于:基于同步輸出賭連接的賭的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程為： 基于同步輸出賭連接的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的同步輸出賭連接； 計算任意腦區(qū)同其它腦區(qū)間的同步輸出賭連接的賭，獲得每一個腦區(qū)同其它所有腦區(qū) 間的同步輸出賭連接； 將腦區(qū)看作節(jié)點，腦區(qū)間的同步輸出賭連接作為各節(jié)點之間的邊，同步輸出賭連接的 賭作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于同步輸出賭連接 構(gòu)建的個體腦效應(yīng)連接網(wǎng)。6. 如權(quán)利要求1或2所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特 征在于:所述異步賭連接的賭的數(shù)學(xué)模型的構(gòu)建過程為： 將腦區(qū)BAX作為賭連接的一個種子點，構(gòu)建求解腦區(qū)BAX和BAY之間異步賭連接的賭的 數(shù)學(xué)模型，具體過程為： 預(yù)設(shè)X為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列X在時刻t的值;從平均時間序 列X中等間隔獲取N個采樣點，平均時間序列X在時刻t的增量定義為A xt = xt+i-xt; 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均時間序 列y中等間隔獲取N個采樣點，平均時間序列y在時刻t+1的增量定義為A yt+i = yt+2-yt+i;其 中，t = l，2，...，N-2; 預(yù)設(shè)m為平均時間序列X在時刻t的增量A Xt與平均時間序列y在時刻t+1的增量A yt+1異 步變化的總步數(shù)，則增量A Xt與A yt+i異步變化的貝葉斯概率為： Pa(y/x)=m/(N-2)； 預(yù)設(shè)rxy為平均時間序列X與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的W腦區(qū) BAX作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間異步賭連接的賭的數(shù)學(xué)模型為：將腦區(qū)BAIT F分 >問巧J女口'J 一' I - tr 了 M，T'勺足不巧午刪 IA曰AA /TM曰AI店I 口J開少 >向連接的賭的 數(shù)學(xué)模型，具體過程為： 預(yù)設(shè)X為腦區(qū)BAX的一個平均時間序列，Xt為平均時間序列X在時刻t的值;從平均時間序 列X中等間隔獲取N個采樣點，平均時間序列X在時刻t+1的增量定義為Axt+i = xt+2-xt+i; 預(yù)設(shè)y為腦區(qū)BAY的一個平均時間序列，yt為平均時間序列y在時刻t的值;從平均時間序 列y中等間隔獲取N個采樣點，平均時間序列y在時刻t的增量定義為Ayt = yw-yt;其中，t = l，2，...，N-2; 預(yù)設(shè)mi為平均時間序列y在時刻t的增量A yt與平均時間序列X在時刻t+1的增量A Xtn 異步變化的總步數(shù)，則增量A yt和A xt+i異步變化的貝葉斯概率為： Pa(x/y) =mi/(N-2); 預(yù)設(shè)rxy為平均時間序列X與平均時間序列y之間的皮爾森相關(guān)系數(shù)，則構(gòu)建的W腦區(qū) BAY作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間異步賭連接的賭的數(shù)學(xué)模型為：TAx-y表示腦區(qū)BAX作刃爛連接的種于點的巧個腦區(qū)BAX和BAY之間弁步爛連接的賭， 表示W(wǎng)腦區(qū)BAY作為賭連接的種子點的兩個腦區(qū)BAX和BAY之間異步賭連接的賭； 如果滿足I TAx_^y I > I TAy^x I且TAx~^y>0，則表明異步賭連接的方向是從腦區(qū)BAX到腦區(qū) BAY;相對于腦區(qū)BAY而言，該異步賭連接是異步輸入賭連接，該異步輸入賭連接的賭為 TAx~^y;而相對于腦區(qū)BAX而言，該異步賭連接是異步輸出賭連接，該異步輸出賭連接的賭是 TA^^; 如果滿足I TAx_^y I < I TAy^x I且TAy^x<0，則表明異步賭連接的方向是從腦區(qū)BAY到腦區(qū) BAX;相對于腦區(qū)BAX而言，該異步賭連接是異步輸入賭連接，該異步輸入賭連接的賭為 TA^-xl;而相對于腦區(qū)BAY而言，該異步賭連接是異步輸出賭連接，該異步輸出賭連接的賭是 TAr-X I O7.如權(quán)利要求6所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特征 在于:基于異步輸入賭連接的賭的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程為： 基于異步輸入賭連接的賭的數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的異步輸入賭連接； 計算任意腦區(qū)同其它腦區(qū)間的異步輸入賭連接的賭，獲得每一個腦區(qū)同其它所有腦區(qū) 間的異步輸入賭連接； 將腦區(qū)看作節(jié)點，腦區(qū)間的異步輸入賭連接作為各節(jié)點之間的邊，異步輸入賭連接的 賭作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于異步輸入賭連接 構(gòu)建的個體腦效應(yīng)連接網(wǎng)。8.如權(quán)利要求6所述的基于功能磁共振數(shù)據(jù)的個體腦效應(yīng)連接網(wǎng)的構(gòu)建方法，其特征 在于:基于異步輸出賭連接的賭的數(shù)學(xué)模型構(gòu)建個體腦效應(yīng)連接網(wǎng)的過程為： 基于異步輸出賭連接的賭數(shù)學(xué)模型，獲得任意兩腦區(qū)之間的異步輸出賭連接； 計算任意腦區(qū)同其它腦區(qū)間的異步輸出賭連接的賭，獲得每一個腦區(qū)同其它所有腦區(qū) 間的異步輸出賭連接； 將腦區(qū)看作節(jié)點，腦區(qū)間的異步輸出賭連接作為各節(jié)點之間的邊，異步輸出賭連接的 賭作為邊的權(quán)重值，構(gòu)建一個有方向的網(wǎng)絡(luò)圖，該有方向的網(wǎng)絡(luò)圖即基于異步輸出賭連接 構(gòu)建的個體腦效應(yīng)連接網(wǎng)。
【文檔編號】G06F19/00GK105912837SQ201610192542
【公開日】2016年8月31日
【申請日】2016年3月30日
【發(fā)明人】車琳琳, 張光玉, 翟代慶, 趙文波, 徐龍春, 張崗, 鄒越, 閆呈新, 楊貴華, 張敏風(fēng), 魯雯, 秦健, 朱建忠, 褚長虹, 付哲哲
【申請人】泰山醫(yī)學(xué)院