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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。