一种大脑网络的模块集成和分离能力的分析方法

本发明涉及了基于多层网络的人脑功能网络研究领域，具体涉及了一种对大尺度大脑网络的模块集成和分离能力的分析方法。

背景技术：

1、大脑是世界上最神秘，最复杂的系统，目前对大脑的认识只是很小的一个部分，还有很多未知的领域。同时大脑是人类最重要的器官，可以处理认知、计算、情绪、感知、语言和决策等多个方面的高级功能，各种复杂功能都是神经元、神经元集群、脑区等通过复杂网络进行连接交互进而实现的。研究人脑的脑区交互过程可以有效的探索大脑在实现功能过程中每个脑区是如何同其他脑区进行协同作用。

2、大脑模块是指大脑中联系紧密的脑区的集群，是大脑结构和功能的一种组织形式，专门处理特定类型的信息或执行特定的功能，在大脑上是一个相对独立完整的整体。研究大脑中模块的集成和分离可以分析大脑中节点的变化情况，从而对人脑的认知功能进行分析。

3、现有对大脑功能网络模块的集成和分离能力主要分为两种形式，基于静息态的功能网络的静态分析方法，该分析方法是将整个人脑的活动当成一种静态的结构，忽视了大脑功能转换过程中的动态变化。基于最大熵原则的研究方式采用了随机游走的过程，在收集大脑原有的特征信息将网络当成一个静态的结构，通过随机游走的模拟大脑的变化获取大脑的动态过程。

技术实现思路

1、因此，本发明所要解决的技术问题是：基于上述主要是对大脑网络静态特征状态的提取和研究，本发明设计了一种大尺度大脑网络动态变化过程中模块的集成和分离的分析方法，本技术根据大脑的模块的动态变化过程，可以分析大脑模块动态过程中的集成和分离程度。

2、本发明是这样实现的，构造一种大脑网络的模块集成和分离能力的分析方法，其特征在于；包括以下步骤：

3、步骤1：首先获取对应被试的磁共振(mri)和功能磁共振(fmri)图像数据，通过预处理后获取功能网络预处理后所有连续时间序列bold信号；

4、步骤2：将获取得到的bold信号通过滑动窗口技术进行划分，将bold信号划分成多个时间序列片段；

5、步骤3：将获取的bold信号的每个时间序列片段均通过大脑模板和皮尔逊相关系数从而构建每个单独的一个网络结构；

6、步骤4：将上述构建的网络结构连接起来，对网络进行社区检测；首先将网络的每一层转换成newman-girvan零模型，然后采用genlouvain算法对构建好的零模型进行社区检测和划分；

7、步骤5：对划分好的社区结构进行如下操作，首先计算对应社区的模块度和数量；然后计算每一个节点在每一层的变化过程中的集成度、灵活性、招聘系数和混杂系数，研究变化的过程中每个节点的所处社区的变化情况。

8、根据本发明所述一种大脑网络的模块集成和分离能力的分析方法，其特征在于；步骤1具体预处理过程如下：

9、(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；

10、(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；

11、(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；

12、(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；

13、(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；

14、(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；

15、(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。

16、根据本发明所述一种大脑网络的模块集成和分离能力的分析方法，其特征在于；步骤2的具体为；

17、通过滑动窗口技术将时间序列划分成若干个时间片段的过程中需要定义窗口大小和每次滑动的距离，本文设置的滑动窗口的大小为50，每次滑动的距离为10个时间点，构建的网络的层数如公式1-1所示；

18、

19、其中n表示网络的层数，t表示整个时间序列的时间长度，size表示滑动窗口的大小，l表示每次滑动的距离。

20、根据本发明所述一种大脑网络的模块集成和分离能力的分析方法，其特征在于；步骤3中对于每一个时间序列的功能网络构建方式如下：

21、(1)定义网络中的节点：采用all90模板对整个大脑进行划分，将整个时间序列的数据分别划分成为90个脑区的时间片段；

22、(2)定义网络中的连边：通过皮尔逊相关系数计算任意两个脑区节点之间的连边强度，具体的连边强度计算公式如式1-2所示；为了避免网络中连接强度出现负值的情况，在获得相关系数后需要对系数的强度进行取绝对值的操作，保证所有的连边强度均为非负数；

23、

24、其中ρx,y表示脑区x和脑区y的bold信号的时间序列的线性相关系数，取值介于-1到1之间；t表示时间序列的取值个数；xt和yt表示对应脑区在时间点t时刻的bold信号强度；表示的是时间序列信号x的均值，表示的时间序列信号y的均值；当相关系数的绝对值越接近于1的时候，说明相关性越强，越接近0的时候，相关性越弱；

25、通过上述的操作，对于每一个时间片段都会构建成一个拥有90个节点的网络结构。

26、根据本发明所述一种大脑网络的模块集成和分离能力的分析方法，其特征在于；步骤4中社区划分的具体步骤如下：

27、(1)首先对网络g中所有的节点进行初始化，将网络中的每个节点都作为一个单独的社区；

28、(2)对于网络g中的每一个节点i，尝试将节点i从其所在社区移除并加入它的一个邻接节点j所在的社区中，比较此过程的模块度的变化；如果模块度产生增量，则将节点i从原来的社区进入新的社区，否则保持不变；

29、(3)重复步骤2，直到所有节点所属的社区均不再发生变化；

30、(4)重构原来的网络g，记新的网络为g1，首先将每个社区作为新网络中的每个节点，其中该社区内部的连边的权重转换成新节点的内部权重，如果两个社区之间存在连边，则这两个社区之间连边的权重转换成新网络中两个节点之间连边的权重；

31、(5)将步骤4中得到的新网络g1作为步骤1的输入，令g＝g1然后重复步骤2和步骤3，如果网络的模块度发生变化，则返回步骤二进一步重构网络，否则结束该算法；

32、将算法重复执行50次，然后对所有的结果进行归一化处理。

33、根据本发明所述一种大脑网络的模块集成和分离能力的分析方法，其特征在于；步骤5中模块度计算的过程为：

34、第一步：首先网络g＝(v，e)中边进行排序，通过长度最大为k的简单游走(记作k-path edge)进行排序，计算公式如式1-7所示；

35、

36、其中，lk(e)是指所有可能的源节点s遍历过程中通过边e的次数百分比的和；为从节点s出发并经过连边e的k路径数，为从节点s出发的k路径数；

37、第二步：通过上述的计算得到了每一条边的重要程度，然后计算任意两个节点之间连接的接近度，计算公式如式1-8所示；

38、

39、其中rij表示节点i和节点j的接近度；d(k)是节点的度；n是整个网络中的节点的个数；

40、第三步：对网络进行分区，然后对网络的模块度进行计算；将一个节点i移动到社区c模块度的增量计算公式如式1-9所示；

41、

42、其中∑c表示社区c中所有内部连边的权重的和；表示移入新的节点i后社区中所有内部连边的权重的和；ki表示节点i连接的边的权重的和，kic表示从节点i到社区c中所有节点的边的权重的和，m是网络中所有连边的权重的和。

43、根据本发明所述一种大脑网络的模块集成和分离能力的分析方法，其特征在于；步骤5在实施时，根据上一步骤对网络进行了社区检测后，进行社区的质量计算，社区的质量计算公式如式1-10所示；

44、

45、其中m是所划分的社区的个数，ls是社区s的节点之间的边数，其中ds是社区s中所有节点度数的和；计算的社区数量为m。

46、本发明具有如下优点：本发明是面向大脑模块的动态集成和分离能力的一种分析方法，通过对大脑网络随时间变化过程的分析，研究了大脑的模块的动态变化过程，可以分析大脑模块动态过程中的集成和分离程度。