一种基于非平稳动态贝叶斯网的人脑效应连接网络构建方法
专利汇可以提供一种基于非平稳动态贝叶斯网的人脑效应连接网络构建方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，获取功能 磁共振成像 数据；使用DPABI 软件 包对原始图像数据进行数据预处理；选取需要识别效应连接的脑区作为感兴趣区域；使用非平稳动态贝叶斯网方法，对提取的感兴趣区域进行脑效应连接的识别；观察由非平稳动态贝叶斯网构建的不同时刻下的动态脑效应连接网络，对不同时刻的脑效应连接网络进行分析，从而进一步理解大脑的内在机理和运行模式。本发明将动态贝叶斯网方法作为 基础 框架 方法，该方法可以从fMRI时间序列数据中，构建出随时间变化的动态人脑效应连接网络。，下面是一种基于非平稳动态贝叶斯网的人脑效应连接网络构建方法专利的具体信息内容。
1.一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，其特征在于：包括以下步骤，
步骤1数据获取：本方法所使用的数据，包含仿真fMRI数据和真实fMRI数据，仿真fMRI数据用于检测方法性能，真实fMRI数据用于探究实际应用价值；仿真fMRI数据由于已知标准网络结构，因此可以用于检测算法有效性，衡量算法的性能；真实数据用于检测算法在真实fMRI数据情况中的动态脑效应连接识别能力；仿真fMRI数据用开源工具包SimTB进行生成；真实fMRI数据使用ADNI数据库中的fMRI数据；
步骤2数据预处理：真实fMRI数据使用DPABI软件包来进行数据预处理；
步骤3选取感兴趣区域ROI：针对仿真fMRI数据，从DPABI软件组件模板中选择10个脑区作为感兴趣区域；对于真实fMRI数据采用最传统的AAL模板，然后提取42个与AD相关脑区的体素时间序列；
步骤4数据离散化；由于网络结构使用贝叶斯评分进行衡量，因此需要对连续的fMRI时间序列进行离散化处理；
步骤5使用非平稳动态贝叶斯网方法进行动态人脑效应连接网络构建；具体包括以下几个步骤：初始化参数，包括状态个数s，转移时间集t，最大父母节点个数m和马尔科夫阶数l；初始化原始时刻网络，使用马尔科夫链蒙特卡洛方法搜索初始网络中贝叶斯评分最高的贝叶斯网络；确定转移集，寻找下一时刻效应连接发生变化的节点；网络动态转换，将初始网络与转移集进行结合，确定下一时刻的贝叶斯网；重复进行网络转移过程，直到网络转移到达最后时刻；确定最终贝叶斯评分最高的动态贝叶斯网，包含一个初始人脑效应连接网络和(s-1)个后续人脑效应连接网络，这s个网络共同组成一个完整的、随时间变化的动态人脑效应连接网络；
步骤6结果分析：对于构建的动态人脑效应连接网络结构包含s个动态贝叶斯网络，节点表示脑区ROI，有向弧为脑区之间的效应连接。
2.根据权利要求1所述的一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，其特征在于：
真实fMRI数据来自于ADNI数据库，ADNI数据库是一个公共数据库。
3.根据权利要求1所述的一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，其特征在于：真实fMRI数据使用DPABI软件包来进行数据预处理操作；具体步骤包括：1)删除前10个时间点数据，降低实验采集过程中带来的误差；2)时间层校正，降低不同层数据因不同时间获取而造成的差异性；3)头动校正，降低被试头动带了影响；4)空间标准化，将结构项和功能像数据在被试个体水平上进行空间配准；5)数据重采样，高斯平滑。
4.根据权利要求1所述的一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，其特征在于：对于仿真数据，所使用的感兴趣区域ROI共包含10个区域，10个区域的选择来源于SimTB工具包所提供的30个脑区模板。
5.根据权利要求1所述的一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，其特征在于：数据离散化是指将连续的fMRI数据进行分段，使其变为一段段离散化的区间；
使用非平稳动态贝叶斯网构建与fMRI数据最匹配的动态人脑效应连接网络，具体包括以下几个步骤：
步骤5.1)初始化参数,包括脑效应连接状态个数s，效应连接转移时间集T，每个脑区最大父母节点个数m，脑区个数n和效应连接马尔科夫阶数l；仿真数据参数配置如下：s＝3，T＝{60,120}，m＝5，n＝10，l＝1.真实数据的参数配置如下：s＝4，T＝{150,300,450}，m＝
30，n＝42，l＝1；
步骤5.2)构建与数据匹配的脑效应连接网络结构表示为：
其中G是脑效应连接网络，D是fMRI数据，P(G)是结构先验，P(D)为常数，只与fMRI数据集本身有关，对所有脑效应连接网络结构而言是一样；因此重要的是确定边缘似然函数P(D|G)；采用贝叶斯评分对网络结构进行评价来计算边缘似然函数，具体表示为：
其中n为脑区个数，d为离散数量，qi为节点脑区i的父母节点取值个数；Nijk离散的体素时间序列xi取值为k时，父母节点脑区取值为j的个数； Γ(·)为伽马函数，αij和αijk是狄利克雷超参数先验；
将上述情况扩展到具有s个状态的脑效应连接时，得到：
其中G1表示第1个状态时的动态脑效应连接网络结构，Gs表示第s个状态时的动态脑效应连接网络结构；T为效应连接转移集合，T＝{t1,t2,…,ts-1}集合中的元素个数为s-1.假设从第1个状态时的动态脑效应连接网络结构G1变为第2个状态时的G2经历了t1个时间点，则定义ΔG1为网络G1到网络G2的转移网络；同样地，ΔGs-1为第s-1个动态脑效应连接网络到第s个的动态脑效应连接网络的转移网络；引入转移网络后，公式(3)改写为：
P(G1,G2,...,Gs|T)＝P(G1,ΔG1,ΔG2,...,ΔGs-1|T) (4)
因此使用非平稳动态贝叶斯网构建动态脑效应连接网络结构也通过以下方式实现；首先，构建初始网络G1，随后确定s-1个转移网络；
将脑效应连接状态个数s和效应连接时间转移集合T作为已知输入，因此公式(4)计算为：
其中1-e-λs为几何先验，si为转移网络ΔGi中的脑效应连接数量，smax为最大效应连接数量， 由于整个网络被分为初始效应网络和转移效应连接网络，则公式(2)，效应连接网络的BDe评分计算为：
其中h为效应连接网络的时间间隔Ih的索引值，pi为间隔数量,qih为在间隔为h时，父母脑区的取值个数；从公式5中看出，原本父母脑区的统计数值从全部时间序列，变为间隔h的时间序列；因此，新的评分函数可以将非平稳fMRI时间划分为几部分，然后构建几部分的转移网络，最终确定整个网络结构；给定公式5的计算方式，通过马尔科夫链蒙特卡洛方法搜索方法获得初始脑效应连接网络和转移脑效应连接网络，则动态脑效应连接被接受的概率为：
其中BDe(·)为BDe评分(公式6)，N(G)表示脑效应连接网络G邻域结构的大小，Gold表示脑效应连接网络转移前的网络，Gnew表示脑效应连接网络转移后的网络。
6.根据权利要求1所述的一种基于非平稳动态贝叶斯网的动态人脑效应连接识别方法，其特征在于：对比结果实验中，使用精度，准确率，召回率，F度量等四项指标，计算方式分别为：
其中TP表示算法学习到的脑效应连接与标准网络中相同效应连接的数量，TN表示算法未学习到效应连接且标准网络中也不存在该效应连接的数量，FP表示算法学习到的脑效应连接而标准网络中不存在该效应连接的数量，FN表示算法未学习到的脑效应连接而标准网络中存在该效应连接的数量。
一种基于非平稳动态贝叶斯网的人脑效应连接网络构建方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种实现小体积基础镜像的方法 | 2020-05-08 | 345 |
| 基于虚拟筛选的Imatinib在作为AIBP抑制剂方面的应用 | 2020-05-13 | 11 |
| 一种针对OpenStack模块代码单元测试覆盖率运行方法与系统 | 2020-05-14 | 834 |
| 一种稀土聚合物绿色荧光材料及其制备方法 | 2020-05-12 | 586 |
| 分布式存储的自动化测试系统、方法、设备及存储介质 | 2020-05-08 | 837 |
| 基于模拟筛选的Irinotecan作为AIBP抑制剂方面的应用 | 2020-05-13 | 262 |
| 基于氨基酸代谢组学研究苏格木勒抗失眠作用机理的方法 | 2020-05-11 | 934 |
| 一种可燃冰开采环境安全虚拟仿真评估系统及方法 | 2020-05-12 | 986 |
| Linux环境下安装控制虚拟机的方法、系统及存储介质 | 2020-05-12 | 501 |
| 一种拼接屏同步处理装置 | 2020-05-12 | 137 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
