一种基于边功能网络的大脑皮层动态功能组织量化方法

本发明涉及基于功能磁共振成像(fmri)数据的功能网络领域，尤其涉及一种基于边功能网络的大脑皮层动态功能组织量化方法。

背景技术：

1、网络科学为表示和建模神经系统提供了一个很有前景的框架。从相互连接的细胞，到神经元集群，再到大尺度的脑区，网络分析为控制神经系统组织和塑造大脑功能的拓扑原理做出了贡献。网络神经科学的核心是将大脑简单建模为一个网络，其中神经元素和它们之间的相互作用分别作为网络的节点和边。这个标准模型从根本上说是以节点为中心的，因为它将神经元素(节点)视为大脑结构和功能的不可约单元。这种以节点为中心的脑网络分析只关注节点的拓扑属性，不能捕获边与边之间潜在的有意义的特征或交互模式。最近的一些研究已经开始从交互边的角度对脑网络进行建模，通过构建以边为中心的功能网络揭示了大脑皮层重叠的系统级架构。

2、许多自然和工程网络都是模块化的。高度模块化的网络可以划分为不同的社区，使得社区内节点之间的连接密度相对于不同社区内节点之间的连接密度更大。一个节点的模块间连通性通常用参与系数(pc)来量化。参与系数为了解节点在各种各样的真实网络的模块间如何通信提供了见解。

技术实现思路

1、本发明提供了一种基于边功能网络的大脑皮层动态功能组织量化方法，本发明通过一种新的以边为中心的视角，基于模块化的边功能网络，提出大脑皮层动态功能组织量化方法，以捕获网络边之间潜在的有意义的特征或交互模式，详见下文描述：

2、一种基于边功能网络的大脑皮层动态功能组织量化方法，所述方法包括：

3、将一组被试的边时间序列合并成一个高维的边时间序列，利用基于欧氏距离的k-means算法对该边时间序列进行聚类；

4、基于聚类的结果将脑区对分成k簇，将边功能连接矩阵按社区排列得到相应的模块化边功能网络；

5、对于每个被试的边功能网络，根据模块化边功能网络划分计算每个边的参与系数；

6、将边参与系数作为新的神经影像学特征，建立疾病预测、分类模型，用于探究重大多发性疾病的功能机制并评估预后；通过建立回归模型，用于揭示大脑功能动态的发育规律及其认知关联。

7、其中，所述利用基于欧氏距离的k-means算法对该边时间序列进行聚类具体为：

8、将一组被试的边时间序列合并成高维的跨被试的边时间序列，对边时间序列进行聚类，以生成具有代表性的边社区分配，并以此将efc矩阵划分成不重叠的模块；

9、使用标准的欧式距离k-means算法直接对边时间序列进行聚类。

10、其中，所述根据模块化边功能网络划分计算每个边的参与系数为：

11、计算模块化efc网络中每个节点的参与系数，从交互边的角度来探索每个边的功能作用。

12、其中，所述边功能连接矩阵的获取为：

13、获取静息态功能磁共振成像数据；对获取的磁共振成像数据进行预处理；从预处理后的数据提取脑区时间序列，选择合适的大脑皮层分区模板，每个脑区表示一个节点，提取每个脑区的平均fmri时间序列并进行z分数标准化；

14、对于任意两个脑区的时间序列逐时间点相乘，得到共波动时间序列，计算节点对之间的相关系数，得到边功能连接矩阵。

15、本发明提供的技术方案的有益效果是：

16、1、本发明旨在提出一种新兴的用于量化大脑皮层动态功能组织的方法，通过基于边功能网络计算的边参与系数指标，以节点为中心的网络分析被扩展到交互边的视角，这种以边为中心的分析方法可能有助于识别新的疾病生物标志物，表征个体差异，并揭示大脑发育与老化规律；

17、2、本发明将交互边作为不可约单元，计算边参与系数，边功能网络固有的高维信息使得边参与系数能够捕获更多的个体特异性，将有助于进行大脑动态发育相关研究。

1.一种基于边功能网络的大脑皮层动态功能组织量化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于边功能网络的大脑皮层动态功能组织量化方法，其特征在于，所述利用基于欧氏距离的k-means算法对该边时间序列进行聚类具体为：

3.根据权利要求1所述的一种基于边功能网络的大脑皮层动态功能组织量化方法，其特征在于，所述根据模块化边功能网络划分计算每个边的参与系数为：

4.根据权利要求1所述的一种基于边功能网络的大脑皮层动态功能组织量化方法，其特征在于，所述边功能连接矩阵的获取为：