買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉電子科技大學申請的專利一種基于腦區權重相關性的腦網絡構建方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116561518B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310592254.6，技術領域涉及：G06F18/10；該發明授權一種基于腦區權重相關性的腦網絡構建方法是由劉博達;劉勇國;張云;朱嘉靜;李巧勤設計研發完成，并于2023-05-24向國家知識產權局提交的專利申請。

本一種基于腦區權重相關性的腦網絡構建方法在說明書摘要公布了：本發明公開了一種基于腦區權重相關性的腦網絡構建方法，通過采集被試者大腦靜息狀態下的fMRI數據并進行預處理，基于生理信號BOLD序列相關性構建大腦網絡連通性矩陣，然后提取腦區BOLD序列的三種局部特征，通過SVM訓練得到腦區權重序列，并計算權重的相關性，構建基于腦區權重相關性的大腦網絡連通矩陣，融合兩種連通矩陣，得到最終的大腦網絡連通矩陣，最后基于該連通矩陣構建對應的腦網絡。本發明的方法與現有方法相比，在基于BOLD序列構建大腦網絡連通矩陣的基礎上，還基于BOLD序列的局部特征計算腦區權重序列及相關性，能夠關注到對疾病影響較大但卻較微弱的連接，構建的腦網絡有助于發現真正與疾病相關的腦區。

本發明授權一種基于腦區權重相關性的腦網絡構建方法在權利要求書中公布了：1.一種基于腦區權重相關性的腦網絡構建方法，具體步驟如下： S1、收集數據并進行數據預處理； 采集被試者大腦靜息狀態下的功能磁共振fMRI數據，將所有fMRI數據統一在一個高分辨率的結構像標準腦模板空間下進行度量；采用統計參數圖SPM軟件對fMRI數據進行時間校正、空間配準、標準化、平滑預處理，通過濾波去除高頻生理噪聲和低頻信號漂移﹐得到全腦BOLD時間序列數據s； 選定一種標準化腦區模板將大腦功能磁共振成像劃分為若干個腦區ROI，每個腦區內包含多個體素，將第i個腦區中第p個體素的BOLD序列表示為 其中，表示在時間點t的BOLD信號，T表示BOLD時間序列長度； S2、基于生理信號BOLD序列相關性構建大腦網絡連通性矩陣； 計算腦區內各體素點對應BOLD時間序列的平均值計算式如下： 其中，表示第i個腦區中各體素在t時刻的BOLD信號平均值，ROIi表示第i個腦區，H表示腦區中所含有體素的個數，表示一個腦區時間序列和腦活動的功能屬性； 用腦區時間序列的同步性表示腦區功能之間的關系，計算各腦區時間序列的Pearson相關系數 其中，表示之間的Pearson相關系數，表示此腦區時間序列上關于時間尺度的平均，計算如下： 通過計算所有腦區兩兩之間的Pearson相關系數，獲得基于生理信號BOLD序列相關性的大腦網絡連通性矩陣R； S3、腦區BOLD序列局部性特征獲取； 使用低頻振幅ALFF、比例低頻振幅fALFF和局部一致性ReHo三種局部性指標獲取腦區局部性特征； ALFF指標表示信號功率譜的平方根在低頻帶的平均值，首先將BOLD時間序列進行傅里葉變換得到其功率譜，對功率譜開平方計算特定的低頻帶均值即為ALFF值，計算如下： 其中，Yi表示BOLD信號時間序列功率譜中第i個點的值平方根，N1和N2分別表示選取的頻帶最低頻和最高頻對應離散功率譜的數據索引位置； fALFF指標計算如下： ReHo指標反應大腦局部區域活動一致性程度，首先對大腦內區域的體素進行時間序列的升序排序，獲得體素在各時間點的信號排序值； rt,j表示體素j在時刻t的信號值在整個時間序列中的升序排序值，計算ROI內所研究體素在時刻t的總排序值： 其中，H表示ROI內所含有體素的個數； 計算ROI內所有研究體素在各時刻總排序值的平均值： 其中，T表示BOLD時間序列長度； 則腦區對應的ReHo計算如下： S4、ROI權重序列獲取； 對于ReHo指標，每個受試者通過步驟S3得到ReHo指標，得到樣本集合Spl＝{X1X2……XN}∈RN*d； 其中，R表示實數集，N表示受試者個數，d表示標準模板劃分的大腦區域的個數，XN表示第N個受試者的d個ReHo指標構成的向量； 樣本集合Spl中的每一個數據Xn，n＝1,2,3,…N，具有受試者標簽Ln；將這些樣本數據用于SVM機器學習； 然后將樣本集合Spl劃分為M個樣本子集： 將樣本集合Spl劃分為不同的組，每組樣本量為K2，最后一組樣本量不足K2時從樣本集合Spl隨機選擇樣本補足K2個樣本； 將各組分別表示為對這些組進行兩兩組合，得到：即2NK2NK-12個大小為K的樣本子集，分別表示為Spl1，Spl2，Spl3，....，SplM； 其中，M表示樣本子集的數量，不同樣本子集間重復率不超過50％； 對于每一個樣本子集Spli，使用支持向量機SVM進行訓練； 經過SVM訓練，可以得到在該樣本子集上的準確率為AUCi，及優化的參數Wi＝{wi1,wi2,wi3...wid}； 其中，參數wid表示通過第i個樣本子集訓練得到的第d個腦區的權重；將不同樣本子集訓練得到的權重按行排列得到權重矩陣W： 根據權重矩陣W計算腦區i和腦區j之間SVM訓練所得權重的相關系數 其中，wmi表示腦區i在樣本子集m上得到的權重，表示腦區i在各樣本子集上得到的權重平均值： 將各樣本子集上訓練得到的準確率AUCi求平均值得到在ReHo指標上的訓練準確率AUCReHo； 同理，基于ALFF指標可得到權重序列相關系數和該指標上的訓練準確率AUCALFF，基于fALFF指標可得到權重序列相關系數和該指標上的訓練準確率AUCfALFF； S5、構建基于腦區權重相關性的大腦網絡連通矩陣； 基于步驟S4得到的權重序列相關系數得到基于ReHo指標權重序列的大腦網絡連通性矩陣 同理，可得基于ALFF指標權重序列的大腦網絡連通性矩陣基于fALFF指標權重序列的大腦網絡連通性矩陣 將上述三個連通性矩陣進行融合，得到基于局部特征權重的大腦網絡連通矩陣Rw： 其中，SUM＝AUCReHo+AUCALFF+AUCfALFF； S6、腦網絡構建； 將步驟S2得到的連通性矩陣R和步驟S5得到的連通矩陣RW進行線性求和得到最終構建的大腦網絡連通矩陣： Rf＝θRW+1-θR13 其中，Rf表示融合了人體腦網絡中BOLD信號相關性以及SVM訓練權重相關性目標的腦網絡矩陣，參數θ由實際效果來確定； 然后確定二值網絡構建閾值，通過定義網絡稀疏度，確定閾值，對于Rf矩陣中，大于閾值的元素保留，并作為網絡中的一條邊，小于閾值則去除這兩個節點之間的聯系，即可生成對應的腦網絡。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人電子科技大學，其通訊地址為：611731 四川省成都市高新區(西區)西源大道2006號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。