基于动态功能连接的个体认知能力预测方法和系统技术方案

本发明专利技术公开了一种基于动态功能连接的个体认知能力预测方法和系统，方法包括采集静息状态下的功能磁共振成像数据，将其预处理后通过脑模板提取各个脑区的平均时间序列信号，使用滑动时间窗口计算构建动态功能连接矩阵并作为输入的高维大脑动态描述原始数据，构建一个卷积和长短时记忆网络结合的模型，将动态功能矩阵和对应的认知行为数据送入模型进行训练和测试，实现对认知能力的预测。本发明专利技术充分利用了脑功能连接的动态信息，利用了深度学习方法在处理大数据上的优势，计算迅速，预测效果理想，可预测人群的多种行为数据，不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、预测性能优良。

【技术实现步骤摘要】
基于动态功能连接的个体认知能力预测方法和系统
本专利技术涉及于功能磁共振成像(functionalmagneticresonanceimaging，fMRI)数据的个体认知能力预测技术，具体涉及一种基于动态功能连接的个体认知能力预测方法和系统。
技术介绍
功能磁共振成像的原理是通过磁振造影量测神经元活动引起的血液动力的改变。例如：刺激某些感官时，大脑皮层具体的某些脑功能区激活，这些激活的脑区发出神经信号，利用磁振造影获得神经信号，得到一系列图像。人们执行运动、感觉、高级认知等各种复杂的任务时，会激起脑内某些神经信号，这种生理性的大脑活动引起局部脑血流、脑血容、能量代谢的变化，从而导致组织磁性的变化。fMRI作为一种活体脑功能成像技术，因其具有非侵入性，时空分辨率优良等优点，因而迅速成为脑神经科学研究最常用的脑成像技术。从静息态fMRI数据得到的大脑功能连接可以从网络角度帮助我们理解个体在认知和行为表现上的差异，研究发现，个体的连接模式可以充当大脑的可检测“指纹”，但是，目前的关于个体差异的大量研究都隐含地假设大脑区域之间的功能耦合是静态本文档来自技高网...

【技术保护点】
1.一种基于动态功能连接的个体认知能力预测方法，其特征在于实施步骤包括：/n1)获取被试静息状态下的功能磁共振成像数据；/n2)针对所述功能磁共振成像数据进行预处理；/n3)选择包含大脑皮层功能分区的脑模板；/n4)将预处理后的功能磁共振成像数据在脑模板中的单个脑区看成网络中的节点，提取每个脑区的平均时间序列信号；/n5)使用滑动窗口分析方法，对各个节点的平均时间序列信号计算连接相关性，得到高维动态功能连接矩阵；/n6)将原始的高维动态功能连接矩阵直接输入预先训练好的深度网络模型，得到被试的认知能力数据的预测结果，所述深度网络模型为基于多尺度卷积和长短时间记忆网络结合的深度神经网络，且被预先训...

【技术特征摘要】
1.一种基于动态功能连接的个体认知能力预测方法，其特征在于实施步骤包括：
1)获取被试静息状态下的功能磁共振成像数据；
2)针对所述功能磁共振成像数据进行预处理；
3)选择包含大脑皮层功能分区的脑模板；
4)将预处理后的功能磁共振成像数据在脑模板中的单个脑区看成网络中的节点，提取每个脑区的平均时间序列信号；
5)使用滑动窗口分析方法，对各个节点的平均时间序列信号计算连接相关性，得到高维动态功能连接矩阵；
6)将原始的高维动态功能连接矩阵直接输入预先训练好的深度网络模型，得到被试的认知能力数据的预测结果，所述深度网络模型为基于多尺度卷积和长短时间记忆网络结合的深度神经网络，且被预先训练建立了动态功能连接矩阵、认知能力数据的预测结果之间的映射关系。


2.根据权利要求1所述的基于动态功能连接的个体认知能力预测方法，其特征在于，步骤5)的详细步骤包括：
5.1)将被试的所有R个不同的脑区的时间序列信号矩阵作为输入数据，取被试的大脑信号矩阵，矩阵规模为R×M，其中M为时间序列的采样时间点总个数；
5.2)基于窗口长度W以及时间长度T的滑动步长，分别针对输入数据包含的滑动时间窗迭代计算目标脑区和各个感兴趣区域在时间序列上的连接相关性，直至最后窗口滑动到包含整个输入数据的末端部分，最终每个被试获得(M×2-W+1)/T个脑区连接性时间序列矩阵，每个脑区连接性时间序列矩阵的规模为R×R且为实对称矩阵；
5.3)取脑区连接性时间序列矩阵的上三角数据得每个时间窗口规模为R×(R-1)/2的功能连接性向量，将被试的动态脑区连接向量放入动态功能连接矩阵，最终获得行数为(M×2-W+1)/T、列数为R×(R-1)/2的动态功能连接矩阵。


3.根据权利要求2所述的基于动态功能连接的个体认知能力预测方法，其特征在于，步骤5.2)中计算目标脑区和各个感兴趣区域在时间序列上的连接相关性的详细步骤包括：首先计算目标脑区和各个感兴趣区域在时间序列上的Pearson相关系数，然后将Pearson相关系数通过fisher-z变换转变为z值作为最终的连接相关性的计算结果。


4.根据权利要求3所述的基于动态功能连接的个体认知能力预测方法，其特征在于，所述Pearson相关系数的计算函数表达式如下式所示：



上式中，s(t)为目标脑区的时间序列，为目标脑区的时间序列的平均时间序列信号，r(t)为感兴趣区域的时间序列，为感兴趣区域的时间序列的平均时间序列信号，t＝1,2,…,n，n为时间序列信号的数量；
所述将Pearson相关系数通过fisher-z变换转变为z值的计算函数表达式如下式所示：



上式中，r为Pearson相关系数。


5.根据权利要求1～4中任意一项所述的基于动态功能连接的个体认知能力预测方法，其特征在于，所述深度网络模型包括依次相连的多尺度一维卷积层、整合层、最大池化层、长短时记忆网络层和输出层，所述多尺度一维卷积层包括r个时间尺度分别为n1,n2,…nr的一维卷积滤波器,r种时间尺度分别为n1,n2,…nr的一维卷积滤波器的大小分别为C×n1×F，C×n2×F，…C×nr×F，其中n1,n2,…nr为滤波器时间窗口数量，C为连接数量，F为滤波器数量；所述长短时记忆网络层为两层长短时记忆网络堆叠构成；步骤6)中将原始的高维动态功能连接矩阵直接输入预先训练好的深度网络模型后，深度网络模型对输入的原始的高维动态功能连接矩阵的处理步骤包括：
6.1)通过多尺度一维卷积层的r个时间尺度分别为n1,n2,…nr的一维卷积滤波器分别对输入的原始的...

【专利技术属性】
技术研发人员：沈辉，范良伟，胡德文，秦键，曾令李，李明，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43