一种基于特征映射的人脑模型结构连接优化方法和装置制造方法及图纸

本申请提供一种基于特征映射的人脑模型结构连接优化方法和装置，属于人脑神经科学研究技术领域；该方法在功能连接矩阵的特征向量和结构连接矩阵的特征向量间引入特征映射矩阵，并利用多项式函数逼近实验测量的结构连接数据，大大提高了人脑模型的左脑区数据和右脑区数据的准确率，实现了由功能连接到结构连接的预测和保留，证明了人脑模型的结构连接和功能连接之间的关系，避免了现有技术在优化过程中出现左半脑内和右半脑内增加很多连接的问题；此外本发明专利技术在利用人脑功能连接预测模型辅助优化结构连接时，可以选择模型较为简单的预测模型，避免在实际应用中由于人脑结构和功能连接数据维度较大，而引起的不利于结构连接优化的问题。

【技术实现步骤摘要】
一种基于特征映射的人脑模型结构连接优化方法和装置
本申请实施例涉及人脑神经科学研究
，特别涉及一种基于特征映射的人脑模型结构连接优化方法和装置。
技术介绍
大脑是生命活动中最重要的器官之一。目前构建的人脑网络模型可以分为结构网络(StructuralNetwork或AnatomicalNetwork)和功能网络(FunctionalNetwork)，节点之间的连接又可分为结构连接(StructuralConnectivity，SC)和功能连接(FunctionalConnectivity，FC)。其中，人脑网络模型的结构网络通常用结构连接矩阵(SCmatrix)表示，由弥散张量/弥散光谱成像(DTI/DSI)技术测得，反映的是大脑的生理结构；人脑网络模型的功能网络通常用功能连接矩阵(FCmatrix)表示，由静息态功能磁共振成像(resting-statefMRI)技术测得，反映的是大脑网络不同节点间在功能状态下的统计性连接关系。大量研究表明，无论在微观尺度、中观尺度还是宏观尺度上，大脑结构连接和大脑功能连接之间存在很强的相关性。Honey等人的研究显示在长时间的尺度(分钟级别本文档来自技高网...

【技术保护点】
一种基于特征映射的人脑模型结构连接优化方法，其特征在于，所述方法包括：步骤110：从预先设置的实验测量的人脑连接数据库中，获取人脑结构连接矩阵SCe和对应的人脑功能连接矩阵FCe，其中，所述人脑结构连接矩阵SCe和所述人脑功能连接矩阵FCe均为多个被测试个体的平均值；步骤120：基于人脑功能连接预测模型，采用所述人脑结构连接矩阵SCe获取预测仿真功能连接矩阵FCs，并计算所述预测仿真功能连接矩阵FCs与所述人脑功能连接矩阵FCe之间的Pearson相关，得到相关系数r0，其中，所述人脑功能连接预测模型为基于人脑网络拓扑结构和神经元传播动力学的功能连接预测模型、基于人脑结构和功能连接的统计关系的...

【技术特征摘要】
1.一种基于特征映射的人脑模型结构连接优化方法，其特征在于，所述方法包括：步骤110：从预先设置的实验测量的人脑连接数据库中，获取人脑结构连接矩阵SCe和对应的人脑功能连接矩阵FCe，其中，所述人脑结构连接矩阵SCe和所述人脑功能连接矩阵FCe均为多个被测试个体的平均值；步骤120：基于人脑功能连接预测模型，采用所述人脑结构连接矩阵SCe获取预测仿真功能连接矩阵FCs，并计算所述预测仿真功能连接矩阵FCs与所述人脑功能连接矩阵FCe之间的Pearson相关，得到相关系数r0，其中，所述人脑功能连接预测模型为基于人脑网络拓扑结构和神经元传播动力学的功能连接预测模型、基于人脑结构和功能连接的统计关系的功能连接预测模型、基于图论和结构网络特征的功能连接预测模型中的至少一个；步骤130：基于特征值分解方法，求取从人脑功能连接矩阵FCe到所述人脑结构连接矩阵SCe的特征映射矩阵M，并利用特征映射方法和均方误差最小约束条件获取当前最优特征映射系数、当前最优特征映射系数的阶数和相应的预测人脑结构连接矩阵SCp，其中，所述均方误差最小约束条件为：其中等于所述预测人脑结构连接矩阵SCp；步骤140：基于所述人脑功能连接预测模型，采用所述预测人脑结构连接矩阵SCp获取仿真功能连接矩阵FCps，并计算所述仿真功能连接矩阵FCps与所述人脑功能连接矩阵FCe之间的Pearson相关，得到相关系数rp；步骤150：采用所述预测人脑结构连接矩阵SCp替换所述人脑结构连接矩阵SCe，重复执行上述步骤130、步骤140，不断更新当前最优特征映射系数和当前最优特征映射系数的阶数，并对相应的预测人脑结构连接矩阵SCp做进一步优化，直至由步骤140计算获得的相关系数rp不再增加，则输出最终的预测人脑结构连接矩阵SCp。2.根据权利要求1所述的方法，其特征在于，所述基于特征值分解方法，求取从人脑功能连接矩阵FCe到所述人脑结构连接矩阵SCe的特征映射矩阵M，并利用特征映射方法和均方误差最小约束条件获取当前最优特征映射系数、当前最优特征映射系数的阶数和相应的预测人脑结构连接矩阵SCp，具体包括：基于特征值分解方法，根据公式M＝VUT求取从所述人脑功能连接矩阵FCe到所述人脑结构连接矩阵SCe的特征映射矩阵M，其中，所述特征映射矩阵M表示从所述人脑功能连接矩阵FCe到所述人脑结构连接矩阵SCe的映射且MMT＝MTM＝I，其中，U为所述人脑功能连接矩阵FCe的特征向量，V为所述人脑结构连接矩阵SCe的特征向量；分别从所述人脑功能连接矩阵FCe和所述人脑结构连接矩阵SCe中，获取人脑模型的右脑区数据(FCr，SCr)和左脑区数据(FCl，SCl)作为训练样本，其中，所述右脑区数据FCr、SCr分别为所述人脑功能连接矩阵FCe和所述人脑结构连接矩阵SCe的左上限元素，所述左脑区数据FCl、SCl分别为所述人脑功能连接矩阵FCe和所述人脑结构连接矩阵SCe的右下限元素；根据所述训练样本，利用均方误差最小约束条件获取当前最优特征映射系数、当前最优特征映射系数的阶数和相应的预测人脑结构连接矩阵SCp。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本，利用均方误差最小约束条件获取当前最优特征映射系数、当前最优特征映射系数的阶数和相应的预测人脑结构连接矩阵SCp，具体包括：根据所述训练样本，利用修正的均方误差最小约束条件获取当前最优特征映射系数、当前最优特征映射系数的阶数和相应的预测人脑结构连接矩阵SCp，其中，当j＝1时，表示所述人脑模型的右脑区数据FCr的所有特征值组成的列向量，表示所述人脑模型的右脑区数据SCr的特征值组成的列向量；当j＝2时，则表示所述人脑模型的左脑区数据FCl的所有特征值组成的列向量，则表示所述人脑模型的左脑区数据SCl的所有特征值组成的列向量；所述当前最优特征映射系数根据公式计算，其中，根据公式计算所述预测人脑结构连接矩阵SCp，其中，预测特征映射矩阵M*与所述特征映射矩阵M的数值相同；当所述人脑模型的左脑区和右脑区的结构连接预测误差达到最小时，特征映射模型的阶数为当前最优特征映射系数的阶数k*。4.根据权利要求1所述的方法，其特征在于，所述计算所述预测仿真功能连接矩阵FCs与所述人脑功能连接矩阵FCe之间的Pearson相关，具体为：根据公式计算所述预测仿真功能连接矩阵FCs与所述人脑功能连接矩阵FCe之间的Pearson相关ρX,Y，其中，X和Y分别代表所述人脑功能连接矩阵FCe的向量化vec(FCe)和所述预测预测仿真功能连接矩阵FCs的向量化vec(FCs)，vec(g)表示对矩阵的向量化，N表示功能连接矩阵的元素数目，和分别为人脑功能连接矩阵FCe和所述预测预测仿真功能连接矩阵FCs的平均值，其中，相关系数r0越大，则所述预测仿真功能连接矩阵FCs与所述人脑功能连接矩阵FCe之间的Pearson相关ρX,Y越大。5.一种基于特征映射的人脑模型结构连接优化装置，其特征在于，所述装置包括：第一获取模块，用于从预先设置的实验测量的人脑连接数据库中，获取人脑结构连接矩阵SCe和对应的人脑功能连接矩阵FCe，其中，所述人脑结构连接矩阵SCe和所述人脑功能连接矩阵FCe均为多个被测试个体的平均值；第一处理模块，用于基于人脑功能连接预测模型，采用所述人脑结构连接矩阵SCe获取预测仿真功能连接矩阵FCs，并计算所述预测仿真功能连接矩阵FCs与所述人脑功能连接矩阵FCe之间的Pearson相关，得到相关系数r0，其中，所述人脑功能连接预测模型为基于人脑网络拓扑结构和神经元传播动力学的功能连接预测模型、基于人脑结构和功能连接的统计关系的...

【专利技术属性】
技术研发人员：陈雪，王延江，邱正平，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37