一种多层大脑功能网络模块划分方法技术

本发明专利技术涉及一种多层大脑功能网络的模块划分方法，主要步骤如下：对大脑功能磁共振图像进行预处理，将处理后的图像进行脑区划分和时间序列提取；利用滑窗法将时间序列划分为长度相同的子段，计算各脑区对应时间子段间Pearson相关性，构建随时间变化的多层大脑功能网络；利用k‑means选择不同脑区作为初始化聚类中心，进行多次基聚类划分，每次划分对应一个隶属矩阵和相似性矩阵；利用聚类有效性指标对每次划分进行评估，将评估值作为相似性矩阵的权值，构造加权相似性矩阵；利用模糊C‑means聚类对加权相似性矩阵进行划分，对划分结果利用Q函数进行评价，得到各层大脑功能网络的模块划分结果。

A Modular Partition Method for Multilayer Brain Functional Network

The present invention relates to a module partitioning method for multi-layer brain functional network. The main steps are as follows: preprocessing brain functional magnetic resonance images, partitioning the processed images into brain regions and extracting time series; dividing time series into sub-segments with the same length by sliding window method, calculating Pearson correlation among corresponding time sub-segments of each brain region, and constructing multi-layers with time variation. Brain functional network; using k_means to select different brain regions as the initial clustering centers, to carry out multiple base clustering partitions, each partition corresponds to a membership matrix and similarity matrix; using clustering validity index to evaluate each partition, using the evaluation value as the weight of similarity matrix to construct weighted similarity matrix; using fuzzy C_means clustering to weighted similarity matrix Matrix partitioning, the partitioning results are evaluated by Q function, and the module partitioning results of each layer of brain functional network are obtained.

【技术实现步骤摘要】
一种多层大脑功能网络模块划分方法
本专利技术属于生物医学信息处理
，具体地说，是一种多层大脑功能网络模块划分方法。
技术介绍
大脑是自然界中最复杂的系统之一，一个成年人的大脑中大约有1011个神经元细胞，这些数量巨大的神经元细胞通过大约1015个突触相互连接，形成了一个高度复杂的脑网络。大脑在进行某些活动或者执行某项任务时，需要多个脑区或者神经元之间相互作用，相互协调配合。研究表明，人脑皮层厚度网络具有对应于大脑功能模块(如视觉、语言等)的组织模式，大脑在执行某些任务时，相互协调工作的脑区之间连接紧密，构成了大脑的功能模块。在复杂网络中，模块由连接紧密的节点构成，模块内部的节点之间连接紧密，而模块与模块之间的连接相对比较稀疏。对大脑进行功能网络的研究，还需要依赖于脑影像技术对数据进行采集。功能磁共振成像是一种新兴的神经影像学方式，与脑电图相比，拥有更好的空间分辨率，其空间分辨率可以达到毫米水平。作为一种非损伤性脑成像技术，磁共振成像在脑功能研究中发挥了不可替代的作用。功能磁共振成像测量的血氧水平依赖信号是由脱氧血红蛋白和含氧血红蛋白的磁化率变化引起的，当某个区域的神经元群体活动时，代谢需求将会提高，会引起局部脑血流量和血氧含量的改变。功能磁共振成像能实时跟踪信号的改变，比如思维活动或认知实验中信号的变化。大批的脑科学研究人员已经开始从事磁共振功能神经成像的研究，并将它应用于认知神经科学。静息态功能磁共振方法以其简单的实验设计，较高的信噪比，简单的数据处理流程而被广泛采用。近年来，研究人员认识到大脑功能网络中各个脑区以及脑区与脑区之间的连接，在不同的时间和频率下都会发生变化。与传统的大脑功能网络相比，多层大脑功能网络考虑了大脑功能网络随时间或频率的变化。在多层网络的基础上研究大脑功能网络模块化的特点，有助于研究大脑功能网络中模块随时间或者频率的变化特点，而对多层大脑功能网络进行模块的分析，首先需要对多层大脑功能网络进行模块的划分。
技术实现思路
针对现有技术存在的不足和实际应用的需要，本专利技术要解决的问题是：提供一种多层大脑功能网络的模块划分方法，实现对随时间或者频率变化的多层大脑功能网络的模块划分，为多层大脑功能网络提供更好的分析基础。为了达到上述目的，本专利技术采取以下技术方案：一种多层大脑功能网络模块划分方法，包括以下步骤：(1)对磁共振成像数据进行预处理，最后进行低频滤波，降低低频漂移及高频的生物噪音；(2)选定一种标准化大脑分区模板将大脑划分为若干个脑区，每个脑区分别对应大脑功能网络中的一个节点；(3)计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列；(4)采用滑窗法将每个脑区的时间序列划分为若干相互重叠，窗口相同的子段，对每个时间子段计算Pearson相关性，构建随时间变化的多层大脑功能网络；(5)对多层大脑功能网络中第一层网络进行模块划分，利用k-means聚类方法选择不同的脑区作为初始化聚类中心进行M次基聚类，每个基聚类Pm对应一个隶属矩阵：其中，(1)式中，Km表示基聚类Pm的划分类别个数，N表示所有数据对象个数即所有脑区个数；(6)根据基聚类对应的隶属矩阵Um构建脑区之间的相似性矩阵：Sm＝{0,1}N×N其中，(2)式中，相似性矩阵Sm中的元素(Sm)ij表示基聚类的隶属矩阵Um中脑区i跟脑区j是否属于同一个簇；若脑区i跟脑区j为同一个簇，则元素(Sm)ij的取值为1，否则取值为0；(7)对M次基聚类进行聚类有效性评估，假设选择的有效性评价指标为Π，则对应第m(1≤m≤M)次基聚类Pm有效性评估为Π(Pm)，根据在评价指标Π下的评估值进行权值的计算：其中，(3)式中，表示利用有效性指标Π进行评价时，第m次聚类所占的权重；(8)计算有效性评估指标Π下的聚类权重结合基聚类相似性矩阵构成加权相似性矩阵：(9)利用模糊C-means聚类方法对加权相似性矩阵SΠ进行最后的聚类划分，将该层网络的所有脑区划分为c个模块；(10)计算不同的c值情况下的模块度函数Q值，模块度Q函数的表达式为：其中，(5)式中，m表示在该层网络中边的数目，Aij表示网络连接矩阵中的元素，若节点i和节点j两点有边相连，则Aij＝1，否则等于0；di为节点i所属的模块编号，δ(di,dj)为δ函数，用于判断两个节点是否属于同一个模块，若节点i和节点j属于用一个模块，即di＝dj时，δ函数取值为1，否则取值为0；wi表示节点i的度；(11)利用模块度函数Q对该层最终的模块划分结果进行评价；若不同c值下的Q值均不满足模块划分的要求，返回步骤(5)改变Km的值，重新进行该层大脑功能网络的模块划分；否则选取最优Q值下的模块划分作为该层网络在模块划分结果，并对下一层大脑功能网络进行模块划分。本专利技术的进一步改进，利用滑窗法将所有脑区的时间序列划分为若干相互重叠，窗口相同的子段；设时间窗口长度为L，窗口之间的间隔步长为S，每个脑区对应的总的时间序列长度为P，整个时间序列划分为l段，表达式如下：计算每个时间子段的相关性，构建随时间变化的l层大脑功能网络。本专利技术的进一步改进，对于每一层大脑功能网络，每次的基聚类利用k-means选择不同的脑区作为初始化聚类中心，不同聚类中心划分的相似性矩阵对应不同的权值，最后的加权相似性矩阵中融合多次的基聚类的结果，在此基础上再进行模糊C-means聚类得到最后的模块划分。本专利技术的有益效果：(1)与传统的大脑功能网络相比，本专利技术考虑了随时间变化的多层大脑功能网络中模块的划分，为后续多层大脑功能网络中模块随时间变化的研究做基础。(2)通过本专利技术中的加权聚类集成来对多层大脑功能网络进行模块的划分，有助于改善大脑功能网络的模块划分效果。附图说明图1是本专利技术的实施流程图。具体实施方式为了加深对本专利技术的理解，下面将结合附图和实施例对本专利技术做进一步详细描述，该实施例仅用于解释本专利技术，并不对本专利技术的保护范围构成限定。实施例：一种多层大脑功能网络模块划分方法的具体实施例，包括以下步骤：(1)对磁共振设备采集到的大脑图像进行读取和格式转换：采用正常组被试30例(男女各15人)的静息态磁共振扫描数据。将读取到的磁共振图像数据由DICOM格式转换为NIFTI格式。再进行时间矫正、头动矫正、配准、空间标准化、平滑等预处理，最后进行低频滤波，降低低频漂移及高频的生物噪音。本实施例中，低频滤波范围取0.01Hz～0.08Hz。(2)选定一种标准化大脑分区模板(如AAL分区模板、Brodmann分区模板、CH2分区模板等)将大脑划分为若干个脑区，每个脑区分别对应大脑功能网络中的一个节点。本实施例中，选取AAL脑分区模板进行脑区的划分，将人脑划分为90个(左右半脑各45个)脑区，90个脑区对应大脑功能网络中90个节点。计算磁共振图像中每个脑区所有体素的时间序列平均值，提取90个脑区对应的时间序列。(3)本实施例中选取了30个正常被试，对30个正常被试的90个脑区对应的时间序列，两两被试之间做双样本T检验，检验选取的这组数据中有无异常数据。(4)对进行双样本T检验之后无异常的被试数据，利用滑窗法将每个脑区的时间序列划分为若干个相互重叠，窗口相同的子段。设时间窗口长度为L，窗口之间的间隔步长为S，每个脑本文档来自技高网...

【技术保护点】
1.一种多层大脑功能网络模块划分方法，其特征在于，包括以下步骤：(1)对磁共振成像数据进行预处理，最后进行低频滤波，降低低频漂移及高频的生物噪音；(2)选定一种标准化大脑分区模板将大脑划分为若干个脑区，每个脑区分别对应大脑功能网络中的一个节点；(3)计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列；(4)采用滑窗法将每个脑区的时间序列划分为若干相互重叠，窗口相同的子段，对每个时间子段计算Pearson相关性，构建随时间变化的多层大脑功能网络；(5)对多层大脑功能网络中第一层网络进行模块划分，利用k‑means聚类方法选择不同的脑区作为初始化聚类中心进行M次基聚类，每个基聚类Pm对应一个隶属矩阵：

【技术特征摘要】
1.一种多层大脑功能网络模块划分方法，其特征在于，包括以下步骤：(1)对磁共振成像数据进行预处理，最后进行低频滤波，降低低频漂移及高频的生物噪音；(2)选定一种标准化大脑分区模板将大脑划分为若干个脑区，每个脑区分别对应大脑功能网络中的一个节点；(3)计算磁共振图像中每个脑区所有体素的时间序列平均值，提取不同标准分区对应的时间序列；(4)采用滑窗法将每个脑区的时间序列划分为若干相互重叠，窗口相同的子段，对每个时间子段计算Pearson相关性，构建随时间变化的多层大脑功能网络；(5)对多层大脑功能网络中第一层网络进行模块划分，利用k-means聚类方法选择不同的脑区作为初始化聚类中心进行M次基聚类，每个基聚类Pm对应一个隶属矩阵：其中，(1)式中，Km表示基聚类Pm的划分类别个数，N表示所有数据对象个数即所有脑区个数；(6)根据基聚类对应的隶属矩阵Um构建脑区之间的相似性矩阵：（2）Sm＝{0,1}N×N其中，(2)式中，相似性矩阵Sm中的元素(Sm)ij表示基聚类的隶属矩阵Um中脑区i跟脑区j是否属于同一个簇；若脑区i跟脑区j为同一个簇，则元素(Sm)ij的取值为1，否则取值为0；(7)对M次基聚类进行聚类有效性评估，假设选择的有效性评价指标为Π，则对应第m(1≤m≤M)次基聚类Pm有效性评估为Π(Pm)，根据在评价指标Π下的评估值进行权值的计算：（3）其中，(3)式中，表示利用有效性指标Π进行评价时，第m次聚类所占的权重；(8)计算有效性评估指标Π下的聚类权重结合基聚类相似性矩阵构成加权相似性矩阵：（(9)利用模糊C-means...

【专利技术属性】
技术研发人员：焦竹青，明雪莲，季一新，焦庭轩，李文杰，邹凌，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏,32