一种脑疾病数据的纵向分析方法、系统及装置与流程

1.本发明涉及疾病数据分析技术领域，特别涉及一种脑疾病数据的纵向分析方法、存储介质、系统及装置。


背景技术：

2.阿尔茨海默病(alzheimer’s disease，ad)是神经退行性疾病中最严重的病证之一，全球约60-80％的痴呆病例是由ad引起的。记忆与认知能力下降是其主要早期的症状，严重者将生活不能自理，并将在3-10年内死亡。据2018年世界阿尔茨海默病协会报告显示，目前全球的ad患者总数约为5000万，预计到2050年这个数字将增加到约1.52亿。研究表明，2015年全球估计在痴呆病的花费将超过9755.6亿美元，远高于2015年世界阿尔茨海默病报告的预测值8000多亿美元，预计到2030年这一花费将飙升至2.54万亿美元。由此可见，ad已经成为全世界共同面对的难题。具体到国内而言，随着我国老龄化的不断加剧，目前中国ad患者约有1000多万，中国已经成为世界上ad患者人数最多的国家。到目前为止仍未有效的药物用于治疗ad，因此尽早的发现ad的早期阶段，并进行及时的预防和干预是十分必要的。轻度认知障碍(mci)作为介于ad和正常人之间的一种特殊状态，因其对ad的高转化率以及是ad最佳诊断和干预时期而受到广泛关注，因此临床上对ad的研究广泛集中在对mci的研究上。
3.近年来，人们对mci的研究主要集中在脑功能连接网络(brain function connected network,bfcn)上，它是以研究静息状态功能性磁共振成像(rs-fmri)数据的时间序列为基础，通过在脑区之间建立bfcn，以达到从功能上解释mci的早期脑功能变化的目的。然而，大多数现有的mci诊断方法是基于单一中心单一时间点的数据，他们忽略了不同中心数据扫描参数、扫描时间点和扫描方式存在明显差异等带来的模型泛化性能差的问题，也忽略了多时间点数据可以提供更多有助于学习的信息和脑疾病是一个动态变化的过程，因此纵向分析可以帮助临床医生了解相关脑区的生理变化，是一个更有意义的研究。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的不足，提供一种脑疾病数据的纵向分析方法、存储介质、系统及装置，旨在解决现有技术基于单一中心单一时间点的rs-fmri数据进行分析，不便于获取更多相关脑区的生理变化的问题。
5.为了解决上述技术问题，本发明所采用的技术方案如下：
6.一种脑疾病数据的纵向分析方法，其中，包括步骤：
7.对多中心多时间点rs-fmri数据进行预处理；
8.采用相似性组稀疏网络对经过预处理的rs-fmri数据分别构建脑功能连接网络；
9.利用双向lstm从所述脑功能连接网络中提取特征，得到代表性特征；
10.采用自注意力机制的方法从所述代表性特征提取学习特征，将所述学习特征送入softmax进行分类。
11.所述脑疾病数据的纵向分析方法，其中，所述对多中心多时间点rs-fmri数据进行预处理包括步骤：
12.从adni-2和adni-3数据库中获得基线和一年后的rs-fmri数据，作为多中心多时间点rs-fmri数据；
13.丢弃所述多中心多时间点rs-fmri数据的前10个rs-fmri序列，得到第一rs-fmri数据；
14.采用头部运动校正、时间配准、平滑和空间归一化方法对所述第一rs-fmri数据进行扫描差异消除处理，得到第二rs-fmri数据；
15.采用去除基线漂移和滤波高频信号干扰对所述第二rs-fmri数据进行噪声消除处理，得到第三rs-fmri数据；
16.使用自动解剖标记模板与所述第三rs-fmri数据进行比对，将大脑空间划分为90个感兴趣区域，并取平均值作为经过预处理的rs-fmri数据。
17.所述脑疾病数据的纵向分析方法，其中，所述采用相似性组稀疏网络对经过预处理的rs-fmri数据分别构建脑功能连接网络的步骤包括：
18.构建相似性组稀疏网络，其目标函数表示为：
19.其中，rg(wi)和rs(wi)是分别为组稀疏正则化项和相似性约束项；
20.其中，
21.其中，λ1和λ2分别表示组稀疏正则化项和相似性约束项参数，||wi||
2，1
表示的l
2-范数之和，是使相同组的两个连续加权矢量之间的差异性变得尽量小；
22.将所述经过预处理的rs-fmri数据输入到所述相似性组稀疏网络中，构建脑功能连接网络。
23.所述脑疾病数据的纵向分析方法，其中，还包括步骤：
24.将所述相似性组稀疏网络的目标函数划分为相似性约束和非相似性约束，其中，相似性约束表达式为：非相似性约束表达式为：
25.采用公式和对所述相似性约束进行优化，其中，和γk来表示s(wi)在处的梯度和步长，γk是通过线搜索确定；
26.采用公式和对非相似性约束进行优化，其中，αn是一个预训练的值，和γj表示s(wi)在处的梯度和步长。
27.所述脑疾病数据的纵向分析方法，其中，所述利用双向lstm从所述脑功能连接网络中提取特征并选择出有代表性的特征包括步骤：
28.构建双向lstm，所述双向lstm包括向前lstm和向后lstm，所述向前lstm表示为：所述向后lstm表示为：其中，和分别为向前lstm的权重,和分别代表向后lstm的权重,和分别为向前lstm和向后lstm的偏差；
29.将向前lstm和向后lstm相加的最终输出作为双向lstm的最终输出，其表达式为：
30.采用所述双向lstm表达式从所述脑功能连接网络中提取特征并选择出有代表性的特征。
31.所述脑疾病数据的纵向分析方法，其中，所述采用自注意力机制的方法对所述有代表性的特征进行进一步提取学习特征，将所述学习特征送入softmax进行分类，实现脑疾病的纵向分析的步骤包括：
32.构建自注意力机制，其表达式为：其中，q为查询向量，且q＝xwq；v为值向量，且v＝xwv；k为键向量，且k＝xrwk；
33.将所述有代表性的特征作为所述自注意力机制的输入特征，得到输出结果，实现脑疾病的纵向分析。
34.一种纵向分析脑疾病的系统，其中，包括：
35.预处理模块，用于对多中心多时间点rs-fmri数据进行预处理；
36.相似性组稀疏网络模块，用于对经过预处理的rs-fmri数据分别构建脑功能连接网络；
37.双向lstm模块，用于从所述脑功能连接网络中提取特征，得到代表性特征；
38.分类模块，用于从所述代表性特征中提取学习特征，将所述学习特征送入softmax进行分类。
39.一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明所述脑疾病数据的纵向分析方法中的步骤。
40.一种纵向分析脑疾病的装置，其中，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
41.所述通信总线实现处理器和存储器之间的连接通信；
42.所述处理器执行所述计算机可读程序时实现本发明所述脑疾病数据的纵向分析方法中的步骤。
43.有益效果：与现有技术相比，本发明提供的脑疾病数据的纵向分析方法，通过将相似性组稀疏网络(similarity-constrained group sparse network,sgn)模型与基于自注意力的堆栈的双向lstm(self attention based stacked long short term memory,sasbilstm)特征学习方法相结合，分析多个中心多个时间点rs-fmri数据来识别早期mci(emci)。具体来说，本发明首先使用sgn框架对多中心数据分别构建多时间点脑功能连接网络；然后双向lstm的时间步特性从脑功能连接网络中提取多个时间点特征，所述双向lstm可以通过时间步来纵向学习多时间点特征的相似性和特异性。最后，通过自注意力机制选择有利于疾病分析的深层次特征，然后将学习到的特征送入softmax分类器进行分类。本发明提出的脑疾病数据的纵向分析方法在公共阿尔茨海默病神经影像学倡议第二阶段和第三阶段(adni-2和adni-3)和数据库中进行评估，所提出的方法分别在lmci vs.nc、emci vs.lmci、lmci vs.nc三个分类任务上取得了91.42％、89.42％、86.11％的分类准确率。
附图说明
44.图1为本发明提供的一种脑疾病数据的纵向分析方法较佳实施例的流程图。
45.图2本发明提供的一种脑疾病数据的纵向分析方法的流程示意图。
46.图3为本发明提供的一种脑疾病数据的纵向分析装置的结构原理图。
具体实施方式
47.本发明提供一种脑疾病数据的纵向分析方法、存储介质、系统及装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
48.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
49.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
50.下面结合附图，通过对实施例的描述，对发明内容作进一步说明。
51.大多数现有的mci分析方法是基于单一中心单一时间点的数据，这种方法忽略了不同中心数据扫描参数、扫描时间点和扫描方式存在明显差异等带来的模型泛化性能差的问题，也忽略了多时间点数据可以提供更多有助于学习的信息和脑疾病是一个动态变化的过程，因此纵向分析可以帮助临床医生了解相关脑区的生理变化，是一个更有意义的研究。此外，当前mci分析方法大都集中于传统的机器学习的方法，而深度学习近年来已被证明在
医学图像处理中具有良好的可行性和高效行。
52.基于上述问题，本发明提供了一种脑疾病数据的纵向分析方法较佳实施例的流程图，如图1所示，其包括步骤：
53.s10、对多中心多时间点rs-fmri数据进行预处理；
54.s20、采用相似性组稀疏网络对经过预处理的rs-fmri数据分别构建脑功能连接网络；
55.s30、利用双向lstm从所述脑功能连接网络中提取特征并选择出有代表性的特征；
56.s40、采用自注意力机制的方法对所述有代表性的特征进行进一步提取学习特征，将所述学习特征送入softmax进行分类。
57.本实施例通过将相似性组稀疏网络模型与基于自注意力的堆栈的双向lstm特征学习方法相结合，分析多个中心多个时间点rs-fmri数据来识别早期mci。具体来说，如图2所示，本实施例首先使用sgn框架对多中心数据分别构建多时间点脑功能连接网络；然后双向lstm的时间步特性从脑功能连接网络中提取多个时间点特征，所述双向lstm可以通过时间步来纵向学习多时间点特征的相似性和特异性；最后，通过自注意力机制选择有利于疾病诊断的深层次特征，然后将学习到的特征送入softmax分类器进行分类。本实施例提出的脑疾病数据的纵向分析方法在公共阿尔茨海默病神经影像学倡议第二阶段和第三阶段(adni-2和adni-3)和数据库中进行评估，所提出的方法分别在lmci vs.nc、emci vs.lmci、lmci vs.nc三个分类任务上取得了91.42％、89.42％、86.11％的分类准确率。
58.在一些实施方式中，本实施例从adni-2和adni-3数据库中获得两个时间点(基线和一年后)的数据，其中adni-2中包含33个nc，39个emci和30个lmci受试者的rs-fmri数据，adni-3中包含25个nc，16个emci和10个lmci受试者的rs-fmri数据。接着对获取的多中心多时间点rs-fmri数据进行预处理，其具体包括步骤：通过丢弃每个受试者的前10个rs-fmri序列，以达到保持磁化强度不变的目的；然后采用头部运动校正、时间配准、平滑和空间归一化等方法消除扫描差异的影响；然后，通过去除基线漂移和滤波高频信号干扰来消除噪声的影响；最后，通过使用自动解剖标记(aal)模板与rs-fmri数据的比对，将大脑空间划分为90个感兴趣区域(roi)，并将他们取平均值来作为经过预处理的rs-fmri数据。
59.在一些实施方式中，在对所述rs-fmri数据进行预处理后，构造有效的脑功能连接网络是帮助提升分析准确率的重要手段。在本实施例中，粗体大写字母、粗体小写字母和普通斜体字母分别被用来表示矩阵、向量和标量。假设有k个受试者，本实施例用aal模板把大脑分割成为i个感兴趣区域，那么本实施例的输入数据a可以表示为那么第k个受试者的第i个roi所包含的m个血氧水平依赖的平均时间序列信号可以表示为组稀疏脑网络(gcs)是使用其中一个脑区来约束剩余的89个脑区，那么全部rois去除其中的一个rois的数据可以表示为使用l
2-范数的和来完成组稀疏约束，具体而言，l
2-范数被用来受试者第r个特征，l
1-范数被用来约束r-1rois的权重。为了达到将不同受试者的连接权重组合在一起，利用不同受试者连接权重的变化，从而使用剩余的roi重建目标roi的目的。然后本实施例使用-范数约束目标矩阵的相同元素上并在主体之间强加了公共连接
拓扑。此外，每个roi的重建独立于其他roi。gcs的一个优点就是使得同一个组内所有模型有相同的连接方式，从而帮助获得有利于学习的特征。虽然群约束稀疏网络既能保证群约束又能保证稀疏，但它也可能忽略了不同对象之间的相似度参数，从而导致得到的有鉴别力的特征较少。为了解决这个问题，本实施例探索了一个相似性组稀疏网络模型，通过相似约束组稀疏学习来学习每个样本的大脑功能网络，目标函数表示为:其中，rg(wi)和rs(wi)是分别为组稀疏正则化项和相似性约束项；
60.其中，
61.其中，λ1和λ2分别表示组稀疏正则化项和相似性约束项参数，||wi||
2，1
表示的l
2-范数之和，是使相同组的两个连续加权矢量之间的差异性变得尽量小，以达到相似性约束的目的。本实施例最后将模型的正则化项融合到一起，来完成模型优化。本实施例将这种稀疏学习模型称为相似性组稀疏网络(sgn)。adni2和adni3数据集构造多时间点的sgn脑网络是分开进行的，这样可以充分的将不同中心的bfcn的特征展现出来。将所述经过预处理的rs-fmri数据输入到所述相似性组稀疏网络中，构建脑功能连接网络。
62.在一些具体的实施方式中，将所述相似性组稀疏网络的目标函数划分为相似性约束和非相似性约束，然后分步来优化，其中，相似性约束表达式为：
63.非相似性约束表达式为：在具体的投影梯度下降算法优化中，本实施例使用两个步骤来完成目标函数的优化过程，具体而言，第一步在第n次迭代中，分别使用用和γk来表示s(wi)在处的梯度和步长，此外γk是通过线搜索确定的，其具体过程的第一步和第二步分别可以用公式和对所述相似性约束进行优化。
64.完成了相似性约束的优化后，本实施例通过循环计算与lasso组和融合lasso约束相关的近端算子来对非相似性约束项n(wi)进行优化。为了更快的得到近似解，本实施例使用加速梯度下降法进一步加速梯度。不同于相似性约束，所述梯度下降计算搜索点是基于执行的采用公式和对非相似性约束进行优化，其中，αn是一个预训练的值，和γj表示s(wi)在处的梯度和步长。
65.在一些实施方式中，在构造bfcn后，本实施例首先将来自adni2和adni3数据集的sgn脑网络随机混合到一起，然后使用特征学习算法对多中心数据进行学习。由于合适的特征学习可以高效的提高疾病分析结果。因此，本实施例提出使用sbilstm从构造的sgn中提取特征，实验表明，它可以有效的提升疾病的针对效率，帮助获得更好的实验结果，不同于其他的多时间点学习算法，本实施例借助视频学习将每一帧作为lstm的一个时间步的思路，将多时间点数据的每一个时间点作为一个时间步，这样可以帮助系统学习到不同时间点之间的相似性。在介绍双向lstm之前，我们将先对基本的lstm进行介绍，基本的lstm单元具有的输入、输出门来分别控制特征的输入和学习后的特征输出，可以表示为:
66.i
t
＝σ(w
xi
x
t
w
hiht-1
bi)，
67.o
t
＝σ(w
xo
x
t
w
hoht-1
bo)，其中i
t
，o
t
分别代表输入、输出门，σ代表的是激活函数，w
xi
，w
xo
和w
hi
，w
ho
分别代表输入、输出特征x
t
和前一个细胞单元h
t-1
的权重系数矩阵。bi，bo分别代表输入和输出们偏倚。上式为lstm的输入输出函数，而lstm之所以能够取得较好的结果，是因为他有一个遗忘门可以帮助当前神经元遗忘来自前一神经元不重要的特征，保留较为重要的特征，因此遗忘门在lstm中至关重要，可以表示为：f
t
＝σ(w
xf
x
t
w
hfht-1
bf)，同于上述公式，w
xf
,w
hf
分别被用来表示遗忘门中的输入门和上一细胞单元的权重系数矩阵，bf为忘记门中的偏倚。在介绍了遗忘门之后，就可以系统的介绍lstm的全过程，基本的lstm将使用一种特殊的机制来决定选择哪些单元要记住和遗忘。可以用两个公
68.g
t
＝tanh(w
xc
x
t
w
hcht-1
be),
69.式表示:c
t
＝i
t
⊙gt
f
t
⊙ct-1
，其中g
t
为神经元的当前状态。c
t
是长期记忆单元，它由i
t
,g
t
、f
t
和c
t-1
控制，c
t-1
是最后一个单元的参数，当参数大时c
t-1
会记住前一个单元，否则会忘记。w
xc
为输入数据x
t
的权重，w
hc
为最后一个输出神经元h
t-1
的权重，
⊙
为元素乘项。
70.解释基本lstm细胞后,本实施例将介绍使用本文的双向lstm用于定义lstm细胞，所述双向lstm包括向前lstm和向后lstm，所述向前lstm表示为：所述向后lstm表示为：其中，和分别为向前lstm的权重,和分别代表向后lstm的权重,和分别为向前lstm和向后lstm的偏差；将向前lstm和向后lstm相加的最终输出作为双向lstm的最终输出，其表达式为：采用所述双向lstm表达式从所述脑功能连接网络中提取特征并选择出有代表性的特征。
71.在一些实施方式中，虽然lstm已经证明可以对脑疾病数据分析取得良好的效果，但仍有提高检测性能的空间，注意力是一个被广泛应用的方法。由于自注意力在处理序列数据中取得了较好的结果，因此本实施例设计一种新颖的自注意机制用于学习任务，自注意力可以通过查询向量、值向量和键向量帮助模型快速有效的捕捉到相似度较高的上下文信息，从而更好的帮助系统发现致病的关键区域，以达到帮助提升疾病监测效率的目的。
72.具体来说,当我们从上一部分得到的输出特证后，我们把上一部分的输出作为当前的输入，并创建一个查询向量(q＝xwq)，一个值向量(v＝xwv)，然后我们基于功能磁共振
成像信号创建一个键向量(k＝xrwk)，然后本实施例通过输入的查询向量q和值向量v相乘来得到一个评分。接下来，本实施例将其除以之后再将上述的结果输入到softmax函数中进行标准化，最后得到我们的输出结果。自我注意可以表示为:将所述有代表性的特征作为所述自注意力机制的输入特征，得到输出结果，实现脑疾病的纵向分析。
73.本发明提出了一种基于相似性组稀疏约束的脑功能网络构建方法，它可以有效地帮助构造脑网络连接网络并充分考虑个体之间的相似性，从而帮助获得有利于模型学习的特征；本发明还设计了一个双向lstm框架来有效的利用多时间点特征的信息进行脑疾病检测，这种方法可以有效的利用双向lstm时间步学习多时间点的特征，有利于疾病数据的分析；本实施例还提出了一个自注意机制来发现疾病检测中最具鉴别力的特征，以提高我们脑疾病数据的分析性能。
74.在一些实施方式中，基于上述一种脑疾病数据的纵向分析方法，本实施例还提供一种纵向分析脑疾病的系统，其包括：
75.预处理模块，用于对多中心多时间点rs-fmri数据进行预处理；
76.相似性组稀疏网络模块，用于对经过预处理的rs-fmri数据分别构建脑功能连接网络；
77.双向lstm模块，用于从所述脑功能连接网络中提取特征，得到代表性特征；
78.分类模块，用于从所述代表性特征中提取学习特征，将所述学习特征送入softmax进行分类，实现脑疾病的纵向分析。
79.在一些实施方式中，所述预处理模块包括：
80.数据获取单元，用于从adni-2和adni-3数据库中获得基线和一年后的rs-fmri数据，作为多中心多时间点rs-fmri数据；
81.丢弃单元，用于丢弃所述多中心多时间点rs-fmri数据的前10个rs-fmri序列，得到第一rs-fmri数据；
82.扫描差异消除单元，用于采用头部运动校正、时间配准、平滑和空间归一化方法对所述第一rs-fmri数据进行扫描差异消除处理，得到第二rs-fmri数据；
83.噪声消除单元，用于采用去除基线漂移和滤波高频信号干扰对所述第二rs-fmri数据进行噪声消除处理，得到第三rs-fmri数据；
84.比对单元，用于使用自动解剖标记模板与所述第三rs-fmri数据进行比对，将大脑空间划分为90个感兴趣区域，并取平均值作为经过预处理的rs-fmri数据。
85.在一些实施方式中，所述相似性组稀疏网络模块包括：
86.相似性组稀疏网络构建单元，用于构建相似性组稀疏网络，其目标函数表示为：
87.其中，rg(wi)和rs(wi)是分别为组稀疏正则化项和相似性约束项；
88.其中，
89.其中，λ1和λ2分别表示组稀疏正则化项和相似性约束项参数，||wi||
2，1
表示的l
2-范数之和，是使相同组的两个连续加权矢量之间的差异性变得尽量小；
90.脑功能连接网络单元，用于将所述经过预处理的rs-fmri数据输入到所述相似性组稀疏网络中，构建脑功能连接网络。
91.在一些实施方式中，所述纵向分析脑疾病的系统还包括：
92.优化模块，用于将所述相似性组稀疏网络的目标函数划分为相似性约束和非相似性约束，其中，相似性约束表达式为：非相似性约束表达式为：采用公式和对所述相似性约束进行优化，其中，和γk来表示s(wi)在处的梯度和步长，γk是通过线搜索确定；采用公式和对非相似性约束进行优化，其中，αn是一个预训练的值，和γj表示s(wi)在处的梯度和步长。
93.在一些实施方式中，所述双向lstm模块包括：
94.双向lstm构建单元，用于构建双向lstm，所述双向lstm包括向前lstm和向后lstm，所述向前lstm表示为：所述向后lstm表示为：其中，和分别为向前lstm的权重,和分别代表向后lstm的权重,和分别为向前lstm和向后lstm的偏差；将向前lstm和向后lstm相加的最终输出作为双向lstm的最终输出，其表达式为：采用所述双向lstm表达式从所述脑功能连接网络中提取特征并选择出有代表性的特征。
95.在一些实施方式中，所述分类模块包括：
96.自注意力机制构建单元，用于构建自注意力机制，其表达式为：其中，q为查询向量，且q＝xwq；v为值向量，且v＝xwv；k为键向量，且k＝xrwk；
97.结果输出单元，用于将所述有代表性的特征作为所述自注意力机制的输入特征，
得到输出结果，实现脑疾病的纵向分析。
98.在一些实施方式中，还提供一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明所述脑疾病数据的纵向分析方法中的步骤。
99.在一些实施方式中，一种纵向分析脑疾病的装置，如图3所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(communications interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
100.此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
101.存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
102.存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
103.此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。其中，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
104.所述通信总线实现处理器和存储器之间的连接通信；
105.所述处理器执行所述计算机可读程序时实现本发明所述脑疾病数据的纵向分析方法中的步骤。
106.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。