申请/专利权人：北京工业大学

申请日：2023-12-28

公开（公告）日：2024-04-19

公开（公告）号：CN117912702A

主分类号：G16H50/70

分类号：G16H50/70;A61B5/055;A61B5/00;G06F17/18

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：一种基于格兰杰因果分析的脑磁图有向网络构建方法涉及脑磁图功能网络构建和分析技术领域。本发明包含两个部分的内容：首先是数据的准备工作，包括MEG数据预处理流程、MEG数据源重建、提取感兴趣脑区的MEG信号及确认最佳MVAR模型滞后阶数；其次是脑网络的构建过程，包括拟合MVAR模型及格兰杰因果分析。该方法可以获取脑区间的因果关系和节点传递的方向信息。实验结果表明，与基于皮尔森相关系数的传统方法相比，该方法在脑区连接和拓扑属性异常分析，以及基于脑网络的患者分类方面都有优势，能提供更全面和客观的信息。

主权项：1.一种基于格兰杰因果分析的脑磁图有向网络构建方法，其特征在于，包括以下步骤：步骤1，获取被试脑磁图数据及相应T1加权核磁共振成像T1MRI；步骤2，对原始脑磁图信号进行预处理，采用被试T1MRI构建头模型和源模型；步骤3，基于波束形成法，对经过预处理的脑磁图信号、头模型、源模型进行源重构，创建通道信号与源之间的源映射关系；步骤4，依据解剖标记模板将大脑分为116个脑区，每个脑区都有不同数量的通道信号，这些信号都经过源映射处理；步骤5，提取各脑区功率最大的信号作为代表信号，得到脑区数目×时间点数目的时间序列；步骤6，基于格兰杰因果分析构建MEG有向连接脑网络，将步骤5提取到的全脑时间序列进行格兰杰因果分析，构建大小为脑区数量×脑区数量的矩阵；所述步骤6包括：步骤6.1，使用贝叶斯信息准则BIC估计多元自回归MVAR模型最佳滞后阶数，用于拟合MVAR模型的时间序列来自步骤5的结果；最佳模型滞后阶数估计分为以下三个部分：1建立并拟合不同模型滞后阶数的MVAR模型；2计算MVAR模型的BIC值；3根据不同滞后阶数的BIC值选取最佳模型滞后阶数；1建立并拟合不同模型滞后阶数的MVAR模型为确定合适的模型滞后阶数，需构建并拟合一系列不同模型滞后阶数的MVAR模型进行分析比较；MVAR模型的公式表示如下所示： 其中，Ut表示t时刻的多元时间序列，即步骤5中所得到的多元时间序列；p表示模型滞后阶数，即模型考虑的最大滞后期；k则表示滞后期的数量，从1到p；Ak为n×n的自回归系数实值矩阵，n表示时间序列的数量；Ut-k表示滞后k个时刻的多元时间序列；εt为t时刻的残差项，反映了模型的拟合质量，在MVAR模型中，误差项εt服从多元正态分布，即εt～n0,∑，表示误差项向量服从一个均值为0的n维正态分布，∑表示误差项的协方差矩阵；需要注意的是MVAR模型的拟合过程中Ut、Ut-k为已知量，需要设置不同的p值来拟合Ak及∑，以构建不同模型滞后阶数的MVAR模型；采用最大似然估计方法对上述模型参数Ak和∑进行估计，即通过似然函数LAk,∑|Ut最大化的方式找到最优参数和似然函数表示为所有时刻误差项的多元正态分布概率密度函数的乘积，公式如下： 其中T表示时间序列的时间点数量；采用取对数的方法将等式右侧的乘法运算简化为加法运算，并通过取负值并求导的方式计算似然函数最小值；MLE的优化问题便简化为 其中表示通过最小化-lnLAk,∑|Ut得到最优的参数和2计算MVAR模型的BIC值BIC的计算公式如下：BIC＝-2*lnL+m*lnT4其中，L表示拟合最优参数和时得到的最大似然估计值，m表示模型参数数量，T表示时间序列的时间点数量；其中-2*lnL反应模型拟合度，而m*lnT为正则项用于约束模型复杂度；3根据不同滞后阶数的BIC值选取最佳模型滞后阶数；在使用不同模型滞后阶数p拟合模型后，会得到一系列模型的BIC值；选择具有最小BIC值的模型滞后阶数作为最佳模型滞后阶数；具有最小BIC值的模型被认为在平衡模型复杂性和数据拟合度方面表现最佳；步骤6.2，估计MVAR模型的参数根据选择的最佳模型滞后阶数拟合MVAR模型；步骤6.3模型检验对MVAR模型每个时间点的残差εt进行检验。；使用SPSS中的统计检验方法来验证模型的残差是否满足平稳性和白噪声的假设；εt通过已知的最优参数和最佳模型滞后阶数通过以下公式计算： 步骤6.4格兰杰因果分析多元时间序列Ut由两个时间序列Xt、Yt组成，即：MVAR模型公式1写作： 简化为： 其中，Axy,k表示Xt对Xt过去以及Yt过去的依赖；当Axy,k＝0，即Xt仅由Xt过去对未来进行预测，表示为Xt的自回归模型： 其中，A′xx,k表示减少了对Yt依赖后的自回归系数，ε′x,t表示减少了对Yt依赖的残差；从而分别计算时间序列Xt在有Yt过去的信息时的残差协方差矩阵∑xx和没有Yt过去的信息时的残差协方差矩阵∑′xx，计算公式如下：∑′xx＝covε′x,t9∑xx＝covεx,t10协方差矩阵直接在Matlab中通过自带函数计算得到，通过比较两个残差协方差矩阵∑′xx和∑xx衡量Yt到Xt的因果关系，计算公式如下所示： 是通过计算这两个协方差矩阵之间的比值来度量的；其中，Xt和Yt代表不同脑区域的时间序列变量；表示从Yt到Yt因果关系的度量，用于衡量一个脑区域Yt对另一个脑区域Xt的因果影响；将格兰杰因果分析扩展到全脑时间序列时，得到每两个脑区间的格兰杰因果系数值F，从而构建脑区数量×脑区数量大小的格兰杰因果有向连接脑网络。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于格兰杰因果分析的脑磁图有向网络构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD