1.一种大脑默认网络的功能连接分析方法,其特征在于,包括以下步骤:(1)对若干被试者大脑进行磁共振扫描,获得被试者的静息态大脑功能磁共振图像。
(2)将获得的功能磁共振图像进行预处理,预处理包括格式转换、时间校正、头动校正、配准、空间标准化、平滑、去线性漂移、滤波等。
(3)采用标准化分区模板将每个被试的大脑功能磁共振图像划为若干大脑区域,选取默认模式脑区,并将每个脑区定义为一个节点,脑区与脑区之间的联系定义为连接节点的边,各个节点通过边相互连接构成默认模式网络。
(4)计算每个被试默认模式网络的节点度、聚类系数和最短路径长度。节点i的聚类系数定义为
式中:N表示网络中节点的个数;Ei为节点i与邻接节点间实际存在的边数;若ki<2,Ci=0。
节点i的最短路径长度Li定义为节点i到网络内所有其它节点的平均最短路径:
式中:Li,i代表节点i与节点j之间的最短路径长度。
(5)计算默认模式网络的平均距离和哈密顿路径距离。
(6)比较正常人和脑疾病患者默认模式网络的节点度、集聚系数、平均路径、特征路径长度、哈密顿路径。
(7)分析正常人和脑疾病患者的默认模式网络的节点的度、集聚系数、特征路径长度,判断这些值是否相同;在上述三个节点属性的基础上分析其网络的平均路径和哈密顿路径并绘其脑功能连接图。
2.一种大脑默认网络的功能连接分析方法,其特征在于,所述权利要求1中计算默认模式网络的最短路径长度Li,j采用迪杰斯特拉算法(Dijkstra Algorithm)进行求解,算法执行步骤如下:设G={V,E}是具有n个顶点的图,V为图中所有顶点的集合,E为图中所有边的集合。
(1)令S={V0},T=V-S={其余顶点},若T中顶点对应的距离值
(2)从T中选取一个与S中顶点有关联边且权值最小的顶点W,加入到S中。
(3)对T中其余顶点的距离值进行修改。若加进W作中间顶点,使得从V0到Vi的距离值缩短,则修改此距离值。
(4)重复上述步骤(2)、(3),直到S中包含所有顶点,即W=Vi为止。
3.一种大脑默认网络的功能连接分析方法,其特征在于,所述权利要求1中计算默认模式网络的哈密顿路径(Hamiltonian path)采用改进的蚁群算法进行求解,算法步骤如下:(1)定义哈密顿路径。从网络中的某一节点出发,仅经过其它节点一次,最后返回到出发点的路径距离。应用改进的自适应蚁群算法对哈密顿路径距离进行求解。
(2)设置蚁群算法初始变量。设bi(t)表示t时刻位于节点i的蚂蚁数目,τij(t)为i时刻路径(i,j)上的信息量,n表示网络节点的规模,m为蚁群中蚂蚁的总数目,则是t时刻节点集合C中所有路径上残留信息量的集合。在初始时刻各条路径上信息量相等,并设τij(0)=const。
(3)设置状态转移概率函数。蚂蚁个体k(k=1,2,...m)在搜索过程中,根据各条路径上的信息量及路径的启发信息来计算状态转移概率。 表示t时刻蚂蚁k由元素(节点)i转移到元素(节点)j的自适应状态转移概率。
式中:allowedk={C-tabuk}表示允许蚂蚁k下一步选择的节点;tabuk为禁忌集合;α为信息启发式因子,表示轨迹的相对重要性;β为期望启发式因子,表示能见度的相对重要性;
ηij(t)为启发函数,其表达式如下:
式中:dij表示两个相邻节点之间的距离。
(4)更新信息素。为了避免残留信息素过多引起残留信息淹没启发信息,在每只蚂蚁走完一步或者完成对所有n个节点的遍历后,需要对残留信息进行更新处理。信息量更新公式如下:τij(t+n)=(1-ρ)τij(t)+ρΔτij(t) (5)
式中:ρ表示信息素挥发因子,1-ρ表示信息素残留因子;为了防止信息的无限积累,ρ的取值范围为 Δτij(t)表示本次循环中路径(i,j)上的信息素增量,初始时刻Δτijk(0)=0;Δτij(t)表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息量,其表达式为:
式中:Q为常数,Lk是第k个蚂蚁周游的路程长度。