一种基于成分分解的脑网络分析方法

摘要: 本发明涉及计算神经科学、脑网络组学与生物医学工程领域,尤其涉及一种基于成分分解的脑网络分析方法、动力学建模验证框架及个体特征提取应用。背景技术:1、脑功能磁共振...
一种基于成分分解的脑网络分析方法

本发明涉及计算神经科学、脑网络组学与生物医学工程领域,尤其涉及一种基于成分分解的脑网络分析方法、动力学建模验证框架及个体特征提取应用。

背景技术:

1、脑功能磁共振成像(functional magnetic resonance imaging,fmri)能够通过血氧水平依赖(blood oxygen level dependent,bold)信号反映大脑神经活动状态,已广泛应用于脑功能连接分析、脑疾病辅助诊断以及类脑智能建模等领域。为了深入探究大脑复杂动态的生成机制,全脑动力学建模(whole-brain modeling, wbm)逐渐成为计算神经科学的重要研究范式。传统分析与建模方法通常直接依赖提取的原始时间序列、功能连接(fc)或个体的解剖结构连接(sc)来展开研究和驱动模型演化。

2、然而,研究表明人脑静息态活动具有明显的低维结构特征,大脑中存在若干稳定的主导动态模式。这些模式在不同被试之间具有极高的一致性,构成了跨个体共享的基础动力学结构(即共享脑动态基底)。现有的绝大多数脑网络分析与建模方法,往往直接将全脑特征作为一个整体进行处理,未能对群体中普遍存在的“共享主导模式(共性)”与“个体特异性动态模式(特性)”进行有效的物理分离。这种共性与特性的严重混叠,不仅导致群体共享的背景活动掩盖了个体独特的动力学变异,极大地限制了模型对大脑真实动态的精细拟合能力,也使得提取出的特征在面对个体差异敏感的下游任务时表现不佳。

3、进一步而言,尽管目前存在一些基于数据驱动的统计分解算法(如主成分分析、非负矩阵分解等)试图提取脑网络的主导模式,但这些方法绝大多数仅停留在纯粹的数学统计层面,缺乏在物理神经动力学层面的客观验证。换言之,现有技术无法自证其分解出的“公共基底”是否真正符合大脑底层神经元群落的物理运行规律,导致特征提取的生物学合理性与可解释性大打折扣。此外,现有技术也缺少一种能够将成分分解与全脑动力学建模无缝融合的统一框架。

4、因此,亟需提出一种基于成分分解的脑网络分析方法,不仅能够有效剥离脑网络特征中的群体共性与个体特性,更关键的是能够通过引入全脑非线性动力学建模,对分解出的公共成分进行严格的物理学正向验证。从而在确立特征提取方法科学性与稳定性的基础上,将分解的个体特异性成分高效应用于脑疾病辅助诊断、个体脑指纹识别等高级下游任务,全面提升个体化脑网络分析的精度与可靠性。

技术实现思路

1、本发明旨在克服现有脑网络分析方法中群体共性与个体特性相互混叠掩盖、特征提取缺乏物理动力学层面验证、以及下游个体应用(如脑指纹、疾病分类)性能受限的技术缺陷,提供一种基于成分分解的脑网络分析方法。本方法通过“分解-验证-应用”的统一闭环框架,既保证了脑网络分析的物理严谨性,又大幅提升了个体特异性特征在高级下游任务中的表征效能。

2、本发明的目的是通过以下技术方案来实现的:一种基于成分分解的脑网络分析方法,包括以下步骤:

3、s1、数据输入与预处理:获取多被试者群体的多模态神经影像数据,包括功能磁共振成像数据和扩散磁共振成像数据;对功能磁共振成像数据进行处理,提取各被试各脑区的bold功能信号时间序列;对扩散磁共振成像数据进行处理,构建各被试者的经验结构连接(sc)矩阵;

4、s2、基于群体时序拼接与投影分解的共性与特性剥离,将所有被试预处理后的bold功能信号时间序列在时间维度上进行首尾拼接,构建群体时间序列矩阵;

5、对群体时间序列矩阵进行特征值分解,按照特征值从大到小排列;选取前个主导特征向量,构建低维共性投影矩阵,并由前个主导特征向量张成低维共性子空间;剩余主导特征向量构成个体特异性投影矩阵,并由剩余主导向量张成个体特异子空间;

6、利用共性投影矩阵将各被试的bold功能信号时间序列投影至所述低维共性子空间,得到跨被试共享的共性成分;利用个体特异性投影矩阵将各被试的bold功能信号时间序列投影至个体特异子空间,得到个体成分;

7、s3、基于个体成分的高级下游任务应用:提取s2中的个体成分,并将其直接作为高级个体生物学标志物特征,输入到下游应用模块中。

8、本发明的有益效果是:本发明基于成分分解的脑网络分析方法,开创了“分解-验证-应用”的全新闭环计算神经科学范式,突破了传统单纯依赖数据驱动统计或单向物理建模的局限。通过创新的超大型群体时间序列矩阵拼接与前序主导特征向量投影技术,本方法成功在底层信号上剥离了被试间高度一致的共性主导模式,有效避免了群体背景活动对个体动力学变异的掩盖效应。进一步,本发明创造性地将分解提取的公共基底特征转化为全脑hopf动力学方程的拓扑权重进行正向迭代验证,实验表明,相较于纯解剖结构连接(sc)驱动的模型,引入公共成分得到的拓扑特征后,所有被试的模型拟合精度均取得了极其显著的提升,这在严格的物理动力学层面客观自证了公共基底作为真实大脑动态演化骨架的物理约束性。最终,凭借成功剔除了冗余群体噪声的纯化个体特异性成分,本发明极大提升了高级生物标志物在下游任务中的个体表征性能,使脑精神疾病的分类准确率以及跨扫描批次的个体脑指纹(fingerprinting)身份识别率均实现了大幅度的性能跃升。

1.一种基于成分分解的脑网络分析方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于成分分解的脑网络分析方法,其特征在于,所述步骤s2具体实现方法为:对于每个被试者,都获取到了bold功能信号时间序列,其中,代表时间长度,代表脑区数量,代表实数域;首先对每个bold功能信号时间序列进行时间维度的标准化处理,以消除不同脑区的幅值差异;具体采用z-score标准化: