一种脑区静息态信号强度变化的模拟方法

本发明涉及到大脑静息态各个脑区信号强度变化的研究领域，具体涉及到一种基于复杂网络理论的脑区静息态信号强度变化的模拟方法。

背景技术：

1、大脑是人类最复杂的器官之一，理解其功能机制对于认知神经科学至关重要。通过模拟大脑信号，可以有效地理解神经元之间如何相互作用、信息如何在大脑中传播、脑区之间如何协调工作以及大脑信号强度是如何变化的。

2、大脑在进行某一功能或完成某一任务的过程中各个脑区之间相互进行信息传递，各个部分信息传递过程中中间传输介质浓度的变化如钾钙离子浓度发生变化导致电位变化、局部氧气消耗量发生变化被称为信号强度变化。研究该信号的变化趋势有利于对大脑功能变化过程进行认识，从而对大脑的功能进行研究。

3、目前对大脑信号模拟的通常是基于深度学习框架，该方法可以很好的模拟出大脑信号的变化，但是可解释性较弱，且生成的大脑信号与个人无关，适用于实验数据较小的情况用来补充数据集；用来对个体信号模拟的过程通常是是基于微观神经元信号构建微分方程模拟大脑电信号的变化，尤其是研究个体eeg信号的变化趋势。本文提出了一种基于宏观脑区的测量个体的血氧信号强度变化的分析方法。

技术实现思路

1、因此，为了解决上述不足，本发明在此提供一种脑区静息态信号强度变化的模拟方法，本发明解决大尺度下大脑脑区血氧信号的强度变化问题。

2、本发明是这样实现的，构造一种脑区静息态信号强度变化的模拟方法，包括以下步骤：

3、步骤一：首先采集被试人群的磁共振(mri)和功能核磁共振(fmri)数据，对所有的数据进行预处理；

4、步骤二：通过脑区模板对预处理后的大脑灰质数据和血氧数据进行分割，对于磁共振数据提取其经过预处理后的每个脑区的大脑灰质密度，对于fmri数据进行划分并计算每一个脑区之间的bold信号的相关系数；

5、步骤三：构建模拟静息态下大脑的信号强度网络模型；

6、步骤四：根据构建好的网络模型模拟大脑信号的传递过程。

7、根据本发明所述一种脑区静息态信号强度变化的模拟方法，其特征在于；步骤一具体的预处理步骤如下所示：

8、(1)去除初始的时间点数据，这是由于刚开始扫描的过程中设备的不稳定或者被试人群状态不稳定，通常去除10个时间点的数据；

9、(2)时间矫正：数据采集的过程中为了避免信号相互干扰通常会采用隔层扫描进行数据收集，需要重新定义时间顺序组合成完整数据序列；

10、(3)头部矫正：数据采集的过程被试人群可能会无意识的移动头部，会降低采集的数据的质量，需要修正这对数据带来的影响；

11、(4)调整朝向：需要手动调整图像的x、y、z的方向，便于后续数据的处理；

12、(5)配准：采用结构像数据同功能像数据进行映射，提高功能像数据的分辨率；

13、(6)标准化：由于数据的差异性，需要将所有的数据映射到同一个模块空间上便于后续进行一致归一化的处理；

14、(7)去噪：数据采集的过程中，存在机器内部的噪声、人体的呼吸声、心跳的声音等，使数据同真实数据存在差异，需要对数据进行处理。

15、根据本发明所述一种脑区静息态信号强度变化的模拟方法，步骤二的实施包括：

16、首先是将整个大脑皮层通过脑区模板划分成多个脑区，然后对每个脑区进行体素采样；具体采样的体素大小为1*1*1，然后计算每一个体素中灰质的体积得到的就是对应体素的灰质概率；将属于该脑区的所有体素对应的灰质概率加和得到了对应脑区的灰质概率体积；最后将该灰质概率体积除以整个脑区的体素的数量得到了整个脑区的灰质概率；

17、构建大脑功能网络的节点相似度采用了基于bold信号的变化程度的相关度；bold信号是指脑区处于特定活动任务下局部血红蛋白对氧合水平的变化测量大脑的不同神经元活动；当bold信号的变化趋势一致的话，假定两个脑区之间的实现的功能的强度是具有一致性；节点相似度的计算公式如式1-1所示；

18、

19、其中ρ是指两个脑区节点的相似度；i和j是指两个脑区i和j对应的bold信号的变化序列；对于每一个变化序列均由t个时间点的bold信号构成，其中和是指序列i和序列j的均值，具体的计算公式如式1-2所示。

20、

21、根据本发明所述一种脑区静息态信号强度变化的模拟方法，步骤三具体包括：

22、首先构建基本的大脑信息传输过程的基本框架；根据输入的节点个数构建出对应节点数量的网络，然后需要根据上述选择的节点的对应的灰质概率，将灰质概率密度作为大脑信号强度的衰减系数；对于任意两个节点之间都建立存在信息通路，对于每一个节点之间的信息传递均采用了双向信息传递通路模拟大脑的突触和轴突，信息的传递和接收均是不同的通道；并且大脑在信息传递的过程中脑区之间是由多个神经元进行连接，是一个多连接的关系；在信息的传递过程中为了模拟大脑的这种特征采用了多路复用、时分复用的原则保证数据的多次传输和同时传输的特性；

23、对构建好的网络的结构特征后，需要构建网络信息传递过程中的动态特征；首先，对于任意两个单独的脑区节点根据步骤二获取其对应的节点信号相似度ρ，现在假定其中节点a的信号序列是x，根据x构建了另一个节点b的信号序列y；首先考虑两个节点之间的信息传递是单通道传递的，同时无其他信号传递进行干扰；假设节点a的信号序列为x＝(x1,x2,x3,...,xn)，构建的节点b的信号序列y，输出公式如1-3所示：

24、

25、其中x序列的均值和标准差分别记作μ1和s1，ρ表示两个脑区的线性相关系数，μ2和s2是未知的常数；

26、由于y是通过特定的函数进行构建，为了研究所构建的输出序列是否满足信号的相似度的关系，通过构建的方程计算与x序列的相似度；首先计算信号序列y的均值和方差，将y的表达式带入期望计算公式可得期望表达式为e(y)＝μ2+s2ρe(a)+s2be(z)；根据式1-3所定义的a和b计算出e(a)＝0和e(z)＝0然后分别将其带入e(y)的计算式中可得e(y)＝μ2；将y的表达式带入方差计算公式可得y的方差表达式为d(y)＝s22(ρ2d(a)+(1-ρ2)d(b))，根据公式1-3所定义的a和b的分布计算可得d(a)＝1和d(b)＝1，并将结果分别带入y的方差表达式得d(y)＝s22；故信号序列y的期望和标准差分别为μ2和s2；

27、计算序列x和序列y的相关度；通过上述对信号序列x和信号序列y的定义，可以计算出e(x)＝μ1、σ(x)＝s1、e(y)＝μ2、σ(y)＝s2；

28、通过进行时分复用的方式模拟异步方式；首先对于每一条连边基于时分复用的情况下，可以记x＝x1+x2+x3，多次传输信息和同一次携带多种信息的时候相同，不妨假设c'＝c1+c2+c3，分别带入计算发现x的期望和方差分别为0和3，c'的期望为0，方差扩大三倍，令x和c'除于的话则同单个信号的输入相同，说明时分的时候并不会造成信号的相关性发生变化；当使用多路复用的时候，由于每一条信息传递的路径的权重不同，记x＝αx1+βx2+γx3，其中α、β、γ均为常量，同理记c'＝α′c1+β′c2+γ′c3，其中α′、β′γ′均为常数；对于x而言其对应的期望为0，方差为α2+β2+γ2，然后将x除以方差的平方根会发现同原来只有一条信息通路的期望和方差相同，对c'进行相同的操作，发现一条数据传递路径和多条数据传递路径和时分复用的状态均是相同的，可以保证单点信息传递过程中的相关系数不发生改变；

29、由于大脑每次的信息的传递过程中都是多个脑区的信号同步或者异步传递，为了模拟大脑的这个状态，根据平均场理论对多源系统中任意两个节点之间的交互过程可以由整个多源系统均场叠加信号和两个节点之间的相互作用所构成，则任意两个节点之间的信号可以定义为f＝f1+f2，其中f1是多源系统均场叠加信号，对于任意两个节点该信号的变化是相同的；f2是对应的两个节点的相互作用的信号。

30、根据本发明所述一种脑区静息态信号强度变化的模拟方法，步骤四包括：根据构建好的模型可以随机选择节点初始状态下的信号强度，然后通过构建好的信号强度模拟方法研究大脑信号强度的变化；

31、对于每个脑区的初始信号强度假设为1，每次以体素概率的强度进行信号强度的衰弱，各个脑区之间信息传递是一个封闭的系统，无特定的信息传递路径，采用自发性随机信号传递的方式；计算每经过一次迭代后的整个网络的信号强度，该强度定义为所有节点的信号强度的总和；在1000次的迭代过程中，孤独症被试在所选8个脑区构成的网络的信号量在大部分的时候均大于健康被试，同时两组被试信号强度之间的差异表现的十分明显；相比于健康被试，孤独症被试的信号强度的波动幅度会更大，峰值会更高，变化程度会更加剧烈；且健康被试信号强度相对较为平稳，孤独症被试更容易达到信号的顶峰。

32、本发明具有如下优点：大脑是已知的最复杂的交互系统，大脑信号交互存在多种复杂的连接形式，通过复杂网络模拟大脑交互过程可解释性强；本发明是基于宏观尺度模拟大脑信号交互，相比于基于微观神经元层面模拟大脑信号的传递过程，宏观层面中模拟的数量更少，解释性更强同时运行速度会更快；大脑信息传递是动态的，本文构建的大脑信号模拟方法可以进行模拟大脑的动态交互过程，可以模拟大脑局部、全局多个层次的信号交互过程。