1.一种无超参数的大脑功能连接网络学习方法，其特征在于包括以下步骤：(1)对于功能磁共振设备采集到的大脑功能图像进行如下预处理：去除磁共振图像的前p个时间点；对于图像进行头动和时间层矫正；去除由心室、白质信号和头动高阶效应产生的影响；校正后的图像配准到标准空间；对被试图像进行空间光滑和时间带通滤波；

(2)基于一种标准化的大脑分区模板，对于被试大脑进行分区，并提取每个脑区的平均t×n t

时间序列，且提取的时间序列表示为X＝[x1，x2，…，xi，…，xn]∈R ，其中xi∈R表示第i个节点的时间序列，t表示时间序列中时间的个数，n表示节点的数量；

(3)对实验对象的时间序列利用无超参数模型计算两两脑区间的连接权重，得到一个n×n

时间序列的连接权重矩阵W∈R ，将连接权重矩阵W中元素wij， j＝1，...，n作为连接大脑功能连接网络节点i到节点j的权重元素；

(4)定义无超参数模型如下所示：其中，约束是为避免得到退化解wij＝0， j＝1，...，n，定义路径的最优值为f(wij)；

T n(n‑1)/2

(5)定义w＝[w12，w13，…，w1n，w23，w24，…，wn‑1，n] ∈R 为连接权重矩阵W的上三角元素的行向量；定义di＝∑j≠iwij为第i个节点的度，ei为一个单位列向量，其中第i个元素为1，T

其余元素值为0；定义Wi＝[wi1，wi2，…；win]为连接权重矩阵W的第i个列向量，则f(wij)可被重新成如下形式：

其中tr(·)表示矩阵的迹，D为对角矩阵且对角元素为di；

(k) T

(6)定义x 为时间序列矩阵X的第k列向量，z＝n(n‑1)/2表示所有可能边的数量；定义G是n×z矩阵，矩阵G中的非零元素为：其中index(wab)∈{1，2，…，z}为列向量w中wab的指示标；定T

义P为对角矩阵，且对角元素为列向量w的上三角元素，最终D‑W可以被重新表示成GPG ，推导过程如下：

T (k) (k) (k)

其中h(k)是Gx ，H 是对角矩阵，且对角元素为h 中的元素，n

(7)定义约束∑j≠iwij≥1， 可以等同地表示成Cw≥e，其中C＝(abs(Gil))∈R×z n

， l＝1，…，z，e∈R 是元素全为1的列向量；由于列向量w仅约束连接矩阵W的上三角元素，约束wij＝wji≥0， j＝1，…，n可等同地转化为Iw≥0，其中I是单位矩阵，0是全T T T

为0的列向量；进一步简化形式，最终的约束可以重新写成Aw≥b，其中A＝[C I] ，b＝[e T T

0]。

2.根据权利要求1所述的无超参数的大脑功能连接网络学习方法，其特征在于：所述的步骤(4)中的无超参数模型可以转换成二次规划quadratic programming，QP问题去求解最优函数值，即：

T

minwwSw，

s.t.Aw≥b，            (4)其中S，A和b只依赖于时间序列X。

3.根据权利要求2所述的无超参数的大脑功能连接网络学习方法，其特征在于：所述的最优函数值如果和上一层函数值的差值小于一个确定的阈值ε，则算法收敛，停止迭代，输出最优函数值，否则，返回步骤(4)计算。