【技术实现步骤摘要】
本专利技术涉及时序脑连接数据，尤其涉及一种用于多动症时序脑连接数据的图节点聚类方法。
技术介绍
1、注意缺陷与多动障碍(attention deficit and hyperactivity disorder，adhd)，俗称多动症，是一种在儿童时期出现的综合征。与同龄儿童相比，患者主要表现为明显的注意力集中困难、注意力持续时间短暂、活动过度或冲动等特征。据推测，adhd这一疾病的发生可能与大脑网络结构之间的连接差异有关。脑连接网络分析是一种常见的功能性磁共振成像(fmri)数据分析方法，在临床实践中，医生常常使用连续性性能测试(cpt)、dsm-iv诊断标准、脑电图(eeg)、结构和功能性脑成像技术如mri和fmri等高级评估工具来全面评估adhd患者的情况，以判断其病情的严重程度。
2、神经生理学研究表明，患者的脑电图异常率较高，主要表现为慢波活动增加。脑电图功率谱分析发现慢波功率增加，α波功率减小，平均频率下降。此外，针对大脑结构的研究显示，患有adhd的个体整体大脑体积较正常人偏小，这可能意味着adhd患者的致病因素可能与大脑结构的变化有关，可能涉及结构性或功能性方面。在探索大脑网络区域时，从庞大、快速、多样且价值密度较低的数据中提炼出对患者有用的信息至关重要。
技术实现思路
1、有鉴于此，本专利技术提供了一种用于多动症时序脑连接数据的图节点聚类方法，在探索大脑网络区域时，用以提高对多动症时序脑连接数据分类的准确性和可靠性，有效地深入理解多动症的发生机制和脑部功
2、第一方面，本专利技术提供了一种用于多动症时序脑连接数据的图节点聚类方法，所述方法包括：
3、步骤一、获取n个多动症样本的大脑网络连接图和m个健康对照样本的大脑网络连接图，即获取(n+m)个大脑网络连接图，其中，n、m均为大于1的正整数；
4、步骤二、对步骤一中(n+m)个大脑网络连接图进行图节点聚类处理，获得两组聚类图数据，其中一组为n个多动症样本的图数据；另一组为m个健康对照样本的图数据；
5、步骤三、对步骤二中的两组聚类图数据进行聚类分析，得到多动症样本和健康对照样本的相似性与差异性。
6、可选地，步骤一中获取大脑网络连接图的过程包括：
7、步骤v1、对原始的功能磁共振成像(fmri)数据进行预处理，得到预处理后的功能磁共振成像(fmri)数据；并根据aal模板将大脑划分为116个大脑区域，将其作为感兴趣区域(roi)；
8、步骤v2、根据步骤v1中预处理后的功能磁共振成像(fmri)数据，提取每个感兴趣区域对应的血氧水平依赖(bold)信号；并对血氧水平依赖信号进行降噪处理，获得降噪后的血氧水平依赖信号；对每个感兴趣区域的175个功能磁共振成像时间序列，进行脑区内体素的平均处理，得到每个大脑区域对应一个平均时间序列，即每个样本大脑对应116个大脑区域的平均时间序列，并且每个样本大脑确定一个116×175的矩阵；
9、步骤v3、通过步骤v2中116×175的矩阵，计算每个样本大脑中116个大脑区域之间的皮尔逊相关系数，确定一个116×116的功能连接矩阵，以构成大脑网络连接图；其中，功能连接矩阵中的每个元素为相应两个大脑区域之间的功能连接情况，正数为两个大脑区域之间的功能连接呈正相关，负数为两个大脑区域之间的功能连接呈负相关。
10、可选地，步骤二中图节点聚类的过程包括：
11、步骤s1、将原始的大脑网络连接数据表示为一个邻接矩阵的形式，对每个节点进行初始化，得到每个节点对应的第i个嵌入向量，i为自然数；
12、步骤s2、对步骤s1中第i个嵌入向量进行更新，获取每个节点其相邻节点的嵌入向量，根据相邻节点的嵌入向量，计算每个节点更新后的第i+1个嵌入向量，即得到所有节点更新后的第i+1个嵌入向量；
13、步骤s3、将步骤s2中更新后的第i+1个嵌入向量作为特征进行聚类，生成第i个节点簇，将第i+1个嵌入向量作为第i个嵌入向量，并继续执行步骤s2，直至结果收敛或达到预设的迭代次数。
14、可选地，图节点聚类是基于图嵌入的自聚类，在自聚类图嵌入中，设图g＝(v,e)，其中v代表图的顶点集，e代表边集；通过映射函数f:v→r^d进行节点嵌入，其中d代表嵌入空间的维度；对于每个顶点v∈v，嵌入函数f为一个大小为|v|×d的实值矩阵；并使用未加权的一阶和二阶随机游走进行节点采样。
15、可选地，步骤三中聚类分析包括：
16、根据116个大脑区域，将聚类中心分别设置为20个、30个、40个，利用图节点聚类，对多动症样本和健康对照组样本的脑节点数据，进行节点聚类分析；通过增加聚类中心的数量，检测脑节点聚类的变化数据，对聚类节点进行分析，获得多动症样本和健康对照样本的相似性与差异性。
17、可选地，所述对聚类节点进行分析包括：获取聚类中心的零占比，即统计聚类中心每一个簇中聚类节点为0的数量，并计算其数量所占同组总样本数量的比重。
18、第二方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面或第一方面任一可能的实现方式中的用于多动症时序脑连接数据的图节点聚类方法。
19、第三方面，本专利技术提供一种电子设备，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行第一方面或第一方面任一可能的实现方式中的用于多动症时序脑连接数据的图节点聚类方法。
20、本专利技术提供的技术方案中，该方法包括获取n个多动症样本的大脑网络连接图和m个健康对照样本的大脑网络连接图，即获取(n+m)个大脑网络连接图，其中，n、m均为大于1的正整数；对(n+m)个大脑网络连接图进行图节点聚类处理，获得两组聚类图数据，其中一组为n个多动症样本的图数据；另一组为m个健康对照样本的图数据；对两组聚类图数据进行聚类分析，得到多动症样本和健康对照样本的相似性与差异性，在探索大脑网络区域时，该方法提高了对多动症时序脑连接数据分类的准确性和可靠性，有效地深入理解了多动症的发生机制和脑部功能异常，为进一步研究和诊断多动症等相关疾病提供了有力的信息。
本文档来自技高网...【技术保护点】
1.一种用于多动症时序脑连接数据的图节点聚类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，步骤一中获取大脑网络连接图的过程包括：
3.根据权利要求1所述的方法，其特征在于，步骤二中图节点聚类的过程包括：
4.根据权利要求3所述的方法，其特征在于，图节点聚类是基于图嵌入的自聚类，在自聚类图嵌入中，设图G＝(V,E)，其中V代表图的顶点集，E代表边集；通过映射函数f:V→R^d进行节点嵌入，其中d代表嵌入空间的维度；对于每个顶点v∈V，嵌入函数f为一个大小为|V|×d的实值矩阵；并使用未加权的一阶和二阶随机游走进行节点采样。
5.根据权利要求1所述的方法，其特征在于，步骤三中聚类分析包括：
6.根据权利要求5所述的方法，其特征在于，所述对聚类节点进行分析包括：获取聚类中心的零占比，即统计聚类中心每一个簇中聚类节点为0的数量，并计算其数量所占同组总样本数量的比重。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储
8.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行权利要求1至6中任一项所述的用于多动症时序脑连接数据的图节点聚类方法。
...【技术特征摘要】
1.一种用于多动症时序脑连接数据的图节点聚类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，步骤一中获取大脑网络连接图的过程包括：
3.根据权利要求1所述的方法，其特征在于，步骤二中图节点聚类的过程包括：
4.根据权利要求3所述的方法，其特征在于，图节点聚类是基于图嵌入的自聚类，在自聚类图嵌入中，设图g＝(v,e)，其中v代表图的顶点集，e代表边集；通过映射函数f:v→r^d进行节点嵌入，其中d代表嵌入空间的维度；对于每个顶点v∈v，嵌入函数f为一个大小为|v|×d的实值矩阵；并使用未加权的一阶和二阶随机游走进行节点采样。
5.根据权利要求1所述的方法，其特征在于，步骤三中聚类分析包括：
6.根...
【专利技术属性】
技术研发人员：张丽，刘涛，东野广程，井明，王士华，禹继国，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
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。