PTSD-7轴诊断算法制造技术

本发明专利技术涉及脑科学，认知科学、生物物理学和脑影像学技术领域，具体为PTSD

【技术实现步骤摘要】
PTSD
‑
7轴诊断算法


[0001]本专利技术涉及脑科学，认知科学、生物物理学和脑影像学
，具体为PTSD
‑
7轴诊断算法。

技术介绍

[0002]功能磁共振成像(Functional MRI)是一种非常有效的研究脑功能的非介入技术，已经成为最广泛使用的脑功能研究手段。最早起源于1991年春天，美国麻省总医院(Massachusetts General Hospital，MGH)的磁共振研究中心利用磁共振成像生成反映脑血流变化的图像。它虽然是一种非介入的技术，但却能对特定的大脑活动的皮层区域进行准确、可靠的定位，空间分辨率达到2mm，并且能以各种方式对物体反复进行扫描。
[0003]普林斯顿大学的研究人员已经解决利用功能性核磁共振成像(fMRI)技术来了解大脑活动。功能性核磁共振成像技术可以显示大脑各个区域内静脉毛细血管中血液氧合状态所起的磁共振信号的微小变化.使用fMRI的方法，可以在正常的活体上无损伤地实现大脑活动的功能定位，时空分辨率可分别达到秒和毫米数量级，虽然还无法准确描述具体是什么，但可以区分你所想的事物类型，比如是动物而不是蔬菜。
[0004]现在的研究模型为了各自的结果各说各的，在学术交流的过程中会丢失大量的信息,目前还没有一个可以广泛使用公认的能全面反映各种信息的模型，现存的模型(图论模型)信息不够全面，在反映脑功能状态的时候，要么就有关联没方向，要么就有方向信息没有关联信息，最重要的是大脑内的功能联通不论模式，权值还是方向一直都在变化，而目前建出来的模型都是静态的，就是说一次性就把采集到的时序上的数据都用了，哪怕是同一样本采集几次数据，也是一次采集多少用多少，忽略了这些时序信号在一定长度的滑窗平滑后会出现周期这一特性，这个模型正是因为这个可变长度滑窗的存在，对于同一组数据就会释放数据中包含的更多的信息，它的作用不仅仅是作为格兰杰因果关系算法的拖尾长度，它还是时间序列分段的一个重要参数鉴于此，我们提出PTSD
‑
7轴诊断算法。

技术实现思路

[0005]本专利技术的目的在于提供PTSD
‑
7轴诊断算法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]PTSD
‑
7轴诊断算法，包括以下步骤：两组志愿者，对于这两组数据中的每个人，将他们的大脑按照MNICC200进行划分为190个采样区间；
[0008]在每个采样坐标上读取200个数值，对取得的200*190矩阵做列中心化：
[0009]原始单一列的列元素为x
i
，列元素数目为n，列均值，列元素数目为n，列均值让每个列元素x
i
都减去这个均值得到中心化之后的列元素为y
i
,i＝1...200。
[0010]优选的，所述对每个人的190个列的每个列都做一遍中心化，使每个列的均值都为0；
[0011]然后制作连通体：
[0012]连通体是一个形象的说法，它描述了两个脑功能区node1,node2得到的时序信号序列的相似性，其数值反映了两个功能区时序信号的相似程度。现在，在每个人脑中有190个分区(在功能连通体研究中称其为“node”)，在每个分区上采样了数量为200的时间序列，也就有了190份时间序列，编号为1到190(node1到node190)，对同一个人的两份编号为nodei,nodej的时间序列计算Pearson线性相关系数。使a＝nodei,b＝nodej，相关系数数值rho(a,b)的计算公式：
[0013][0014]对于X
a
列和Y
b
列，有均值和其中n是每一列的长度，在这里n＝200，对每个node提取200个时间点的数据；
[0015]将得到的数值以矩阵的形式存储，则每个人的全脑连通体写作一个190*190的矩阵。按照样本的顺序，将两组实验数据(健康组和疾病组)分别拼成190*190*75，190*190*91的三维矩阵块。
[0016]优选的，还包括实验数据清洗：
[0017]将两个矩阵块中出现NaN的样本删除：健康组中删除了第25号样本，疾病组中删除了第[15,17,18,19,32,36,42,52,55]号样本；
[0018]于是两个矩阵块就变成了190*190*74，190*190*82:
[0019]沿着层法线方向分别从两组抽取相同位置的连通体向量，做双样本F检验：
[0020]H0：向量x和y中的数据来自方差相同的正态分布；
[0021]H1：向量x和y中的数据来自方差不同的正态分布；
[0022]统计量选取F统计量：F(N1‑
1,N2‑
1)，N1＝74,N2＝82；
[0023]x＝{x
i
|i＝1,...,74},y＝{y
j
|j＝1,...,82}
[0024][0025][0026]双样本f检验用于检验两个总体的方差是否相等，测试统计值为:α＝0.05，若F>1.5607或者F<0.6374则拒绝原假设，认为来自实验组和对照组相同位置的向量对(nodei,nodej)得到的皮尔逊相关系数来自方差不同的正态分布；
[0027]然后根据之前F检验的结果对190*190组(x,y)做双样本单边(right/left:[74]‑
[82])T检验：
[0028]H0:向量x和y中的数据来自均值相等的人群；
[0029]H1:向量x和y的数据来自均值不相等的人群；
[0030]测试统计值为：t
α
(df)；和为样本均值，s
x
和s
y
为样本标准差，n和m为样本容量，这里n＝74,m＝82。
[0031]优选的，所述在假设两个数据样本来自方差相等的总体的情况下，原假设下的检验统计量具有
[0032]n+m
‑
2自由度的Student
’
st分布，将样本标准差替换为合并标准差：
[0033][0034]在不假设两个数据样本来自方差相等的总体的情况下，当F检验得到s1≠s2时，两样本平均数差数的分布并不严格服从t分布，而只是近似于t分布，零假设下的检验统计量具有近似的Student
’
st分布，其自由度由Satterthwaite近似给出：
[0035][0036]选择α＝0.0005，right筛选结果(74条连通体入选)：(1
‑
0.0005)^(74+2)＝0.9627。
[0037]优选的，所述数据抽取：将原时序数据分段建模，即得到时序模型，将权值矩阵按点位取平均值实现回归分析前的平滑预处理；对已经得到的平滑后的特征表进行LASSO回归降维，最后根据回归模型实现二分类，即本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.PTSD
‑
7轴诊断算法，其特征在于，包括以下步骤：两组志愿者，对于这两组数据中的每个人，将他们的大脑按照MNICC200进行划分为190个采样区间；在每个采样坐标上读取200个数值，对取得的200*190矩阵做列中心化：原始单一列的列元素为x
i
，列元素数目为n，列均值，列元素数目为n，列均值让每个列元素x
i
都减去这个均值得到中心化之后的列元素为y
i
,i＝1...200。2.根据权利要求1所述的PTSD
‑
7轴诊断算法，其特征在于：所述对每个人的190个列的每个列都做一遍中心化，使每个列的均值都为0；然后制作连通体：连通体是一个形象的说法，它描述了两个脑功能区node1,node2得到的时序信号序列的相似性，其数值反映了两个功能区时序信号的相似程度。现在，在每个人脑中有190个分区(在功能连通体研究中称其为“node”)，在每个分区上采样了数量为200的时间序列，也就有了190份时间序列，编号为1到190(node1到node190)，对同一个人的两份编号为nodei,nodej的时间序列计算Pearson线性相关系数。使a＝nodei,b＝nodej，相关系数数值rho(a,b)的计算公式：对于X
a
列和Y
b
列，有均值和其中n是每一列的长度，在这里n＝200，对每个node提取200个时间点的数据；将得到的数值以矩阵的形式存储，则每个人的全脑连通体写作一个190*190的矩阵。按照样本的顺序，将两组实验数据(健康组和疾病组)分别拼成190*190*75，190*190*91的三维矩阵块。3.根据权利要求1所述的PTSD
‑
7轴诊断算法，其特征在于：还包括实验数据清洗：将两个矩阵块中出现NaN的样本删除：健康组中删除了第25号样本，疾病组中删除了第[15,17,18,19,32,36,42,52,55]号样本；于是两个矩阵块就变成了190*190*74，190*190*82:沿着层法线方向分别从两组抽取相同位置的连通体向量，做双样本F检验：H0：向量x和y中的数据来自方差相同的正态分布；H1：向量x和y中的数据来自方差不同的正态分布；统计量选取F统计量：F(N1‑
1,N2‑
1)，N1＝74,N2＝82；x＝{x
i
|i＝1,...,74},y＝{y
j
|j＝1,...,82}|j＝1,...,82}双样本f检验用于检验两个总体的方差是否相等，测试统计值为:α＝0.05，若F>1.5607或者F<0.6374则拒绝原假设，认为来自实验组和对照组相同位置的向量对(nodei,nodej)得到的皮尔逊相关系数来自方差不同的正态分布；
然后根据之前F检验的结果对190*190组(x,y)做双样本单边(right/left:[74]
‑
[82])T检验：H0:向量x和y中的数据来自均值相等的人群；H1:向量x和y的数据来自均值不相等的人群；测试统计值为：t
α
(df)；和为样本均值，s
x
和s
y
为样本标准差，n和m为样本容量，这里n＝74,m＝82。4.根据权利要求1所述的PTSD
‑
7轴诊断算法，其特征在于：所述在假设两个数据样本来自方差相等的总体的情况下，原假设下的检验统计量具有n+m
‑
2自由度的Student
’
st分布，将样本标准差替换为合并标准差：在不假设两个数据样本来自方差相等的总体的情况下，当F检验得到s1≠s2时，两样本平均数差数的分布并不严格服从t分布，而只是近似于t分布，零假设下的检验统计量具有近似的Student
’
st分布，其自由度由Satterthwaite近似给出：选择α＝0.0005，right筛选结果(74条连通体入选)：(1
‑
0.0005)^(74+2)＝0.9627。5.根据权利要求1所述的PTSD
‑
7轴诊断算法，其特征在于：所述数据抽取：将原时序数据分段建模，即得到时序模型，将权值矩阵按点位取平均值实现回归分析前的平滑预处理；对已经得到的平滑后的特征表进行LASSO回归降维，最后根据回归模型实现二分类，即可完成辅助诊断。6.根据权利要求1所述的PTSD
‑
7轴诊断算法，其特征在于：所述模型中的方向矩阵格兰杰因果关系检验对于滞后期长度的选择有时很敏感，为了确定grangercause的滞后长度：对每个人的每个列数据做长度为1到100的平滑(也就是针对我这份数据要进行(74+82)*190*99＝2934360次计算)；将平滑后的数据作图，直到第一次可以肉眼观察到波动和峰值，记录此时平滑窗长度，在这里是平滑窗长度为15。以15为滞后长度，对每个人的每两对时间序列做格兰杰因果分析，(nodei,nodej)的格兰杰因果关系共4种(0,0),(0,1),(1,0),(1,1)，在格兰杰矩阵中分别填写[1,2,3,4]。7.根据权利要求6所述的PTSD
‑
7轴诊断算法，其特征在于：所述X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因；格兰杰因果关系检验假设了有关y和x每一变量的预测的信息全部包含在这些变量的时间序列之中。检验要求估计以下的回归：
其中白噪音u1t和u2t假定为不相关的式(1)假定当前y与y自身以及x的过去值有关，而式...

【专利技术属性】
技术研发人员：高泽琳，
申请(专利权)人：高泽琳，
类型：发明
国别省市：