动态功能脑网络模型的多任务融合Lasso方法

目的传统的静息态功能性磁共振成像(f MRI)的功能脑网络(FBN)研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子(Lasso)方法来构建静息态f MRI的动态FBN。方法提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态f MRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。结果采用公开的f MRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划(ADNI)公开的f MRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于f MRI数据的脑部疾病的分类研究中。

基于独立成分分析的精神分裂症患者动态脑功能网络分析新方法

目的提出一种新的基于独立成分分析法进行动态脑功能网络分析的方法,并应用该方法探讨精神分裂症患者在动态全脑功能网络上的变异。方法首先基于滑动时间窗方法计算正常被试和精神分裂症患者的动态全脑功能网络,然后使用组信息指导独立成分分析方法,提取每个被试的动态全脑功能网络的功能连接状态及相应的时间波动,比较正常被试和精神分裂症患者在功能连接状态上的差异。结果两组的最重要功能连接状态的模式有相似性。正常被试在额叶、顶叶相关区域较精神分裂症患者具有更强的正功能连接;在小脑相关区域精神分裂症患者呈现出更多的正功能连接,而正常被试呈现出更多的负功能连接。结论组信息指导独立成分分析方法可有效提取动态脑功能网络的功能连接状态,可揭示精神分裂症患者在动态脑功能网络的变异。

动态脑功能网络Rich-club时空观测方法

基于fMRI-BOLD信号的脑功能网络重要脑区时变特征辨识问题,提出了一种动态脑网络Rich-club时空观测模型的构建方法。该方法通过将样本所有时间采样点的Rich-club集合相似性进行聚类,从而将脑功能网络的空间与时间融合在一起,并构建脑网络中动态Rich-club重要性评价模型,定量地描述脑网络中Rich-club集合在时间以及空间两个维度的综合重要程度,从而为脑功能网络重要脑区的动态特征观测提供了一种有效的方法,也为分析健康人与自闭症患者之间的脑区重要性差异提供了依据。

基于fMRI数据的全脑动态功能连接网络拓扑属性的研究

人的大脑有约10^(11)个神经元,神经元之间通过其突触相互连接而组成一个高度复杂的网络,挖掘该网络的信息意义十分重大,将有助于解决人类认知性障碍疾病的预防和诊断.本文利用精神分裂症病人和正常对照受试者的功能性磁共振成像(functional magnetic resonance imaging,fMRI)数据来构造人脑网络模型,再基于图论方法对精神分裂症病人的脑网络的异常拓扑属性进行探索.在传统的基于图论方法对人脑网络信息进行挖掘时,都是假设人脑网络模型具有时不变性,因而在构造人脑网络模型时是取整个时间段的时间序列数据进行构造的,构造出的是一种静态不变的网络,然而fMRI功能像时间序列数据具有不平稳性,难以保证时不变这一前提.因此,在构造人脑网络模型时,应该考虑其时变性的特点,构造一个动态的脑网络,这样才能更好地挖掘人脑网络的信息.本文利用取时间窗口,对时间序列数据进行分段计算,构造动态的脑网络模型,再结合图论知识进行分析,从而降低了fMRI功能像时间序列数据不平稳性对结果的影响.通过对精神分裂症病人和正常对照受试者不同水平的动态脑网络进行对比,结果发现精神分裂症病人和正常对照受试者的全脑动态功能连接网络的单个节点的属性、组网络的属性出现差异,这些网络属性差异的发现为进一步研究精神分裂症的病理机制提供了新的线索.

一种个性化动态脑功能网络的构建与特征提取方法

目的为了研究运动想象过程中脑功能网络(brain functional network,BFN)的时频变化特征及对运动想象任务识别的影响,本文提出一种个性化皮尔逊相关系数(personalized Pearson correlation coefficient,PPCC)并用于动态BFN的构建与特征提取方法。方法首先,对各受试者运动想象脑电(motor imagery EEG,MI-EEG)频带范围进行两级筛选,获得其最优频带;然后,将运动想象时间段进行分割,计算各子时段最优频带MI-EEG的PPCC,并用于构建个性化的动态BFN;进而,计算各个BFN的度作为网络特征,并将多时段的网络特征串行融合获得特征向量;最后,针对BCI Competition III Data Set IIIa和BCI Competition IV Data Set 2a数据集,采用支持向量机检验特征的有效性。结果在两个公共数据集上,本文方法的10×10折交叉验证最高识别率分别为100.00%和68.84%。与基于共空间模式和基于PCC的BFN特征提取方法相比,具有明显的优势,双样本t检验的结果也充分表明了PPCC的优越性。结论与PCC相比,基于PPCC能构建出可客观地展现运动想象个性化特点的动态BFN,反映了不同受试者运动想象时大脑激活的差异性,及其在时域和频域同时呈现的动态变化特点,有效增强了特征提取的自适应性。

基于动态功能连接的握力运动参数脑电识别

为了研究握力运动过程中脑功能网络(Brain Functional Network,BFN)的动态变化特征及对握力运动参数任务识别的影响,提出一种加权相位滞后指数法构建动态脑功能网络。通过对预处理的EEG时间序列按照一定的非重叠窗口截断成等长的子时间序列,按时间顺序,利用相位同步特性对所有子序列进行筛选;筛选出的有效数据段用加权相位滞后指数法估计功能连接大小,构建相应节点的脑功能网络;提取4种不同网络特征参数,对其进行串行融合获得特征向量;最后以支持向量机作为分类器进行分类。与静息态和不均匀子时段划分方法相比,所提方法的平均识别率提高到了74%。