一种脑功能连接分析的Lag‑shift与Granger双约束方法技术

一种脑功能连接分析的Lag‑shift与Granger双约束方法，属于生物医学信号处理领域。对于从多被试fMRI数据中提取的时间过程成分，同时进行Lag‑shift功能连接分析与Granger因果连接分析，寻找功能连接与有效连接的内在一致性，提取两种方法共有的网络连接，作为多被试fMRI数据的稳定脑功能连接加以输出，为脑功能研究和脑疾病诊断提供更好的技术支持。以默认网络DMN内部7个子成分为对象，以本发明专利技术提取的稳定连接为目标网络，采用Granger方法对40个健康被试对照组与42个精神分裂症患者组进行分析，两组被试在目标网络的连接结果上差异显著。

Lag shift and Granger connection analysis of a brain function double constraint method

Lag shift and Granger connection analysis of a brain function restriction method, belonging to the field of biomedical signal processing. For from the multi subject composition time extraction processes fMRI data, and Lag shift functional connectivity analysis connected with Granger causality analysis, find the functional connectivity and effective connectivity of the internal consistency, shared network connecting two different extraction methods, as more stable subjects brain function fMRI data connection to the output, for the brain the brain function research and disease diagnosis to provide better technical support. The internal default network DMN 7 components as the object of the invention to extract the stable connection to the target network, using Granger method in 40 healthy subjects in control group and 42 patients with schizophrenia were included in the analysis, two groups had significant differences in the results of the target network connection.

【技术实现步骤摘要】
一种脑功能连接分析的Lag-shift与Granger双约束方法
本专利技术涉及fMRI数据的功能网络连接分析，特别是涉及一种脑功能连接分析的Lag-shift与Granger双约束方法。
技术介绍
功能磁共振成像(functionalmagneticresonanceimaging，fMRI)是一种神经影像学技术，具有高空间分辨率、可重复检测、无创伤性等优点，已成为脑功能研究和脑疾病诊断的重要工具之一。通过利用数据驱动的独立成分分析(independentcomponentanalysis,ICA)方法，可以从采集到的全脑fMRI数据中提取出被试(subject)在任务态或静息态下的数十个脑空间激活区(spatialmaps)成分及其对应的时间过程(timecourses)成分。空间激活区成分常用于脑功能分析，而时间过程成分可用于脑功能连接(functionalconnectivity)分析，以探究不同脑区之间相互作用与协调的模式，发现脑疾病(如精神分裂症、阿尔兹海默病、抑郁症、躁郁症等)患者与健康对照被试在脑功能连接方面的显著差异，进而用于脑疾病研究与辅助诊断。功能连接分为无向的功能连接及有向的功能连接。其中，无向的功能连接简称功能连接，强调的是不同脑区之间的相关性。Lag-shift算法(见M.J.Jafri,G.D.Pearlson,M.Stevens,andV.D.Calhoun,Amethodforfunctionalnetworkconnectivityamongspatiallyindependentresting-statecomponentsinschizophrenia,Neuroimage39:1666-1681,2008)是一种典型的功能连接方法。该方法逐个计算两个脑区所对应时间过程之间的最大延时相关系数及此时的延时大小，进而研究脑区间的功能连接特性和时间先后关系。有向的功能连接又称为有效连接(effectiveconnectivity)或因果连接，强调的是两个脑区之间的因果关系。格兰杰因果分析(Grangercausalityanalysis)，简称Granger，是一种常用的有效连接分析方法。Granger方法采用的是多元自回归模型，根据两个时间序列的过去值对现在值的预测结果，判断两者之间的Granger因果关系(见C.W.J.Granger,Investigatingcausalrelationsbyeconometricmodelsandcross-spectralmethods,Econometrica37(3):424-4381969)。假设Xt和Yt为两个零均值的平稳时间序列，那么因果模型可以表示为其中，ap，bp，cp和dp为自回归参数，εt和ηt是两个零均值不相关的白噪声序列，E[εt]＝0，E[ηt]＝0，且Xt和Yt使用其过去的m个值进行预测，m也可以理解为自回归模型的阶数。如果使用了时间序列Yt的过去值Yt-j,j＝1,…,m去预测时间序列Xt，比仅仅使用Xt的过去值Xt-j,j＝1,…,m去预测时间序列Xt的噪声方差更小，则可以说Yt是Xt的Granger原因；反之亦然。在现有脑功能连接分析中，无论是针对相同的fMRI数据(如静息态数据)还是不同的fMRI数据(如运动、视觉、听觉等任务态数据)，各种方法的分析大多彼此独立。换句话说，要么采用Lag-shift算法进行功能连接分析，要么采用Granger进行因果分析，目前尚未见到二者的联合分析。这样一来，不同方法的分析结果也相互独立，难于比较，而且，每种方法所检测结果的鲁棒性和稳定性也缺乏依据。而对于同一种fMRI数据，不同分析方法检测的脑功能连接，应该既有区别又有联系。因此，开发不同分析方法之间的内在联系，提取鲁棒而稳定的脑功能连接，对深入推进脑功能研究和脑疾病诊断极为重要。
技术实现思路
本专利技术的目的在于，提供一种对fMRI数据联合进行Lag-shift功能连接分析与Granger因果连接分析的方法，揭示两种方法检测结果之间的内在联系，提取稳定的脑网络连接。本专利技术的技术方案是，对于从多被试fMRI数据中提取的时间过程(timecourse,TC)成分，同时进行Lag-shift功能连接分析与Granger因果连接分析。通过对Lag-shift功能连接分析方法施加延时约束，以及对Granger因果连接分析方法施加因果一致性(causalitycoherence)约束，因果一致性也就是因果性强度，寻找功能连接与有效连接的内在一致性，提取两种方法共有的网络连接，作为多被试fMRI数据的稳定脑功能连接加以输出。具体步骤如下：第一步，输入从K个被试fMRI数据中分别提取的TC成分，记为X′(k)∈Rl×T,k＝1,…,K，l为TC成分的个数，T为TC成分的时间点数；第二步，采用截止频率为fL～fH(单位Hz)的带通滤波器对X′(k)进行滤波，得到滤波后的时间过程成分X(k)∈Rl×T，k＝1,…,K；fL～fH可根据TC成分的频率特性进行选择，对于静息态fMRI数据，可选为0.015～0.15(单位Hz)；第三步，对于Lag-shift功能连接分析方法，逐个被试计算：令k＝1；第四步，令延时范围为[-t,+t]，以循环移位方式计算第k个被试数据X′(k)中每两个TC成分间的最大延时相关及其对应延时i,j＝1,…,l，i≠j。令TC成分i与成分j的时间序列用Xt与Yt表示，那么Lag-shift计算方法如下：其中，ρΔt表示时间序列Xt与Yt在延时为Δt下的延时相关大小。在计算出延时范围[-t,+t]内不同Δt取值下延时相关系数后，Lag-shift算法选择其中最大的延时相关系数并将此时对应的延时大小记录为延时范围[-t,+t]可根据实际fMRI数据进行设定，对于静息态fMRI数据，可设置为[-3s,+3s]；第五步，判断k是否小于K，若是，则k＝k+1，并跳转到第四步；若否，则跳转到第六步；第六步，剔除非显著连接，保留显著连接：对于K个被试的各个相同连接的i,j＝1,…,l，i≠j，例如分别利用单样本t检验计算t值，保留p<0.05即t>tth的显著性连接，剔除其他连接；tth是在自由度为K-1的情况下，p<0.05所对应的t值，可查表得到。例如，K＝82时，tth＝1.99；第七步，对于显著连接，计算K个被试的各相关系数与时延的平均值，记为与第八步，约束时延：挑选出延时的连接，剔除的连接；δ′可根据对的约束强度进行设置，约束强度越大，δ′越大；第九步，对于Granger因果连接分析方法，逐个被试计算：令k＝1；第十步，计算第k个被试数据X′(k)中每两个TC成分间的因果一致性和i,j＝1,…,l，i≠j。根据公式(1)(2)(3)(4)，若TC成分i与成分j的时间序列用Xt与Yt表示，那么：式中，第十一步，判断k是否小于K，若是，则k＝k+1，并跳转到第十步；若否，则跳转到第十二步；第十二步，剔除非显著连接，保留显著连接：对于K个被试的各个相同连接的因果一致性参数和i,j＝1,…,l，i≠j，例如分别利用单样本t检验计算t值，保留p<0.05即t>tth的显著性连接，剔除本文档来自技高网...

【技术保护点】
一种脑功能连接分析的Lag‑shift与Granger双约束方法，其特征在于以下步骤：第一步，输入从K个被试fMRI数据中分别提取的TC成分，记为X′

【技术特征摘要】
1.一种脑功能连接分析的Lag-shift与Granger双约束方法，其特征在于以下步骤：第一步，输入从K个被试fMRI数据中分别提取的TC成分，记为X′(k)∈Rl×T,k＝1,…,K，l为TC成分的个数，T为TC成分的时间点数；第二步，采用截止频率为fL～fH的带通滤波器对X′(k)进行滤波，得到滤波后的时间过程成分X(k)∈Rl×T，k＝1,…,K；带通滤波器截止频率fL～fH根据TC成分的频率特性进行选择；第三步，对于Lag-shift功能连接分析方法，逐个被试计算：令k＝1；第四步，令延时范围为[-t,+t]，以循环移位方式计算第k个被试数据X′(k)中每两个TC成分间的最大延时相关及其对应延时i,j＝1,…,l，i≠j；令TC成分i与成分j的时间序列用Xt与Yt表示，那么Lag-shift计算方法如下：其中，ρΔt表示时间序列Xt与Yt在延时为Δt下的延时相关大小；在计算出延时范围[-t,+t]内不同Δt取值下延时相关系数后，Lag-shift算法选择其中最大的延时相关系数并将此时对应的延时大小记录为延时范围根据实际fMRI数据进行设定；第五步，判断k是否小于K，若是，则k＝k+1，并跳转到第四步；若否，则跳转到第六步；第六步，剔除非显著连接，保留显著连接：对于K个被试的各个相同连接的i,j＝1,…,l，i≠j，例如分别利用单样本t检验计算t值，保留p<0.05即t>tth的显著性连接，剔除其他连接；tth是在自由度为K-1的情况下，p<0.05所对应的t值，查表得到；第七步，对于显著连接，计算K个被试的各相关系数与时延的平均值，记为与第八步，约束时延：挑选出延时的连接，剔除的连接；δ′根据对的约束强度进行设置，约束强度越大，δ′越大；第九步，对于Granger因果连接分析方法，逐个被试计算：令k＝1；第十步，计算第k个被...

【专利技术属性】
技术研发人员：林秋华，张策，张超颖，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21