(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211230994.7 (22)申请日 2022.10.10 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 张丽　刘云静　井明　禹继国　 董安明　王晓晓　 (74)专利代理 机构 济南格源知识产权代理有限 公司 373 06 专利代理师 刘晓政 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/25(2022.01) G06V 10/40(2022.01) (54)发明名称 一种基于时序脑电数据的脑疾病分类方法 (57)摘要 本发明涉及脑成像领域， 尤其是一种基于时 序脑电数据的脑疾病分类方法， 包括如下步骤： 构建具有时间属性的大脑连接网络， 利用血氧浓 度依赖性BOLD信号来获得每个受试者中的每两 个ROI之间皮尔逊相关系数， 并且设置皮尔逊相 关系数阈值PT， 然后构建功能连通性矩阵； 对大 脑连接网络进行特征提取与选择， 获取频繁三序 列特征， 进而获得具有判别力频繁三序列， 在最 具判别力频繁三序列特征和序列规则特征中， 为 节点赋值， 得到获得伪二值特征矩阵特征； 对伪 二值特征矩阵特征进行降维处理， 将降维后的特 征送入分类器进行分类。 使用伪二值矩阵方法将 两种特征进行结合用于分类模型构建， 利用时间 顺序属性用于大脑连接网络的构建和特 征提取。 权利要求书3页 说明书6页 附图1页 CN 115294413 A 2022.11.04 CN 115294413 A 1.一种基于时序脑电数据的脑疾病分类方法， 其特 征在于包括如下步骤： 构建具有时间属性的大脑连接网络； 对大脑连接网络进行 特征提取与选择， 获得伪二 值特征矩阵特 征； 对伪二值特征矩阵特 征进行降维处 理， 将降维后的特 征送入分类 器进行分类。 2.根据权利要求1所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 构建大脑连接网络时， S11、 确定AAL分区中的1 16个区域ROI； S12、 对于每个受试者， 获取一段时间 的fMRI数据， 数据包括116个ROI和每个ROI在每个 时间段的血 氧浓度依赖性BOLD信号； S13、 对于每个受试者， 利用血氧浓度依赖性BOLD信号来获得每个受试者中的每两个 ROI之间皮尔逊相关系数， 并且设置皮尔逊相关系数阈值PT， 然后 构建功能连通性矩阵116* 116， 行和列均表示ROI， 如果两个ROI之间的皮尔逊相关系数的绝对值在设置的皮尔逊相关 系数阈值PT范围中， 则 在功能连通性矩阵中将A和B这两个ROI标记 为1， 如果不在PT范围中， 则标记这两个ROI 为0， 用上述 步骤为每 个受试者均构建功能连通 性网络。 3.根据权利要求2所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 利用功能连通 性网络构建动态连接网络， S21、 对得到一段时间的fMRI数据重新进行时间切分， 设置相同的步长， 将一段时间重 新切割为T份； S22、 时间切分完成后， 得到了T份时间片， 每一份时间片的ROI都有此刻的血氧浓度依 赖性BOLD信号数值， 对这T份时间片进行相邻BOLD信号数值的差值计算，  T={T1,T2, T3...Tt}， 分别计算T2‑T1,T3‑T2...Tt‑T(t‑1)的BOLD信号差值， 得到T ‑1组差值； S23、 对于每个受试者， 为每一个差值组都构建一个116*116动态连接网络， 初始值均为 0， 行和列 均表示ROI， 构建T ‑1组动态连接网络 。 4.根据权利要求3所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 步骤S23中， 对于Tm和Tn两个时间片来说， 在Tm和Tn两个时刻均已测定各自时刻的BOLD信 号数值， 那么从Tm到Tn时刻， 在每一个ROI中， 会 存在两种情况： 情况1、 从Tm到Tn时刻， BOLD信号数值变大了； 情况2、 从Tm到Tn时刻， BOLD信号数值变小了； 在每一个ROI中， ROI={ROI1,ROI2,ROI3...ROI116}， 如果在ROIm和ROIn中， 如果ROIm存在 情况1且ROIn存在情况2， 或者ROIm存在情况2且ROIn存在情况1,那么ROIm和ROIn在这个时间 片段Tt中具有BOLD信号变化异步 性， 其中， 0<m<117， m为整数， 0 <n<117， n为整数； 对于每个受试者， 在每一组动态连接网络中， 如果ROIm和ROIn存在BOLD信号变化异步 性， 同时ROIm和ROIn之间也是具有相关性的； 那么在构建的动态连接网络116*116中， 将ROIm 和ROIn之间标记为1， 反 之如果两个要求有一个不满足， 则标记为0 。 5.根据权利要求 4所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 关于ROIm和ROIn的相关性， 在功能连通性网络中， 如果两个ROI之间标记为1， 则表示具 有相关性， 如果标记为0， 则表示没有相关性。 6.根据权利要求 4所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 利用距离属性连接T ‑1组动态连接网络；权　利　要　求　书 1/3 页 2 CN 115294413 A 2S31、 由于相邻时间间隔是T2‑T1,T3‑T2...Tt‑T(t‑1)， 在时间顺序上T2‑T1一定在T3‑T2前 面， 使用世界坐标系， 计算每两个ROI在人脑中的相对距离， 并且设置距离阈值DT； S32、 对于得到T ‑1组不同的动态连接网络， 首先就要确保时间顺序是正确的， 在后面的 连接动态连接网络中要按照时间顺序输入网络进行连接， 将T ‑1组网络按时间顺序定义为 Network={N1,N2,N3...N（T‑1）}， 在连接动态连接网络时， 连接顺序就是N1→N2→N3...→ N（T‑1）； S33、 在N1网络中， 按行遍历所有ROI， 当遍历到节点ROIn， n=1,2,3...116时， 如果存在 ROIm与ROIn存在BOLD信号变化异步性和相关性， 并且ROIm和ROIn的距离在设置的距离阈值 DT范围之内， 那么将ROIm和ROIn提取出来进行 连接： ROIn→ROIm； S34、 然后 转向ROIm， 步骤S33 中连接ROIm和ROIn是在N1网络中进行的， 现在转向N2网络， 在N2网络中， 在ROIm行， 同样寻找存在两个节点的BOLD信号变化异步性和相关性， 并且两个 节点的距离在阈值DT范围之内都符合要求的节点ROIq， 然后将ROIq提取出来与前面的ROIn 和ROIm一起相连： ROIn→ROIm→ROIq； S35、 按照上面方法锁定N3网络， 找ROIq行符合要求的节点， 再提取出来进行连接， 然后 再锁定N4网络， 锁定不 同网络循环上述锁定网络方法， 直到顺序锁定到最后一个网络即可 停止， 以此循环便可为每一个ROI 都构建了一条以该ROI为起始节 点的具有时间属性的连接 网络， 为所有受试者都构建上述具有时间属 性的连接网络， 就能构成具有时间属 性的连接 网络组。 7.根据权利要求6所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 进行特征提取和选择时： S41、 获取频繁三序列特征， 在具有时间属性的连接网络组中， 设置频繁节点阈值出现 次数NT， 如果在具有时间属性的连接网络组中的每一条时间序列连接中， 一个节点在该时 间序列连接中， 出现次数在频繁节 点阈值NT 范围之内， 那么该节 点为频繁节 点， 然后在具有 时间属性的连接网络组中， 寻找与该频繁节点相连接的前后两个节点， 将它们单独提取出 来形成新的连接， 其中如果频繁节点是网络的头部或尾部节点， 采取删除该节点的方式来 保证数据格式的一 致性； S42、 通过步骤S41获得若干频繁三序列组， 在这些频繁三序列组中， 会存在很多重复频 繁三序列， 在这些频繁三序列组中， 继续挖掘出现最频繁的三序列， 设置最频繁三序列出现 次数阈值SNT， 如果一个频繁三序列在整个频繁三序列组中的出现次数在SNT范围之内， 将 该频繁三序列提取 出来作为 最终的序列特 征， 称为具有判别 力频繁三序列； S43、 在所有具有判别力频繁三序列中， 分别计算每个三序列的节点方差， 确定每个具 有判别力频繁三序列节点的分散能力， 然后， 设置方差阈值来保留节点分布集中的三序列， 选取在一个分布范围最多的三序列 作为最具判别 力频繁三序列特 征。 8.根据权利要求7 所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 对所有受试者的大脑连接网络进行关联规则的挖掘， 设置支持度和置信度阈值寻找网 络中的节点关联规则,即序列规则， 关联规则形如X →Y， 即如果存在X， 则 必然会出现Y,在得 到的关联规则中， 删除A →B这种只具有两个节点的序列。 9.根据权利要求8所述的基于时序脑电数据的脑疾病分类方法， 其特 征在于， 在最具判别力频繁三序列 特征和序列规则特征中， 特征的顺序都是具有时间属性和拥权　利　要　求　书 2/3 页 3 CN 115294413 A 3