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！

龍圖騰網獲悉中國科學技術大學申請的專利基于同質約束多集典型相關分析的大腦連接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：CN116090225B 。

龍圖騰網通過國家知識產權局官網在2025-08-26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：202310068713.0，技術領域涉及：G06F30/20；該發明授權基于同質約束多集典型相關分析的大腦連接網絡構建方法是由劉愛萍;凌欽睿;李煜;聞捷;錢若兵;韋煒;陳勛設計研發完成，并于2023-02-06向國家知識產權局提交的專利申請。

本基于同質約束多集典型相關分析的大腦連接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同質約束多集典型相關分析的大腦連接網絡構建方法，包括：1、將收集到的功能磁共振圖像進行預處理，提取大腦所有體素的時序信號，并按照腦區進行整理，構建數據集；2、通過同質約束多集典型相關分析算法，計算出腦區內體素對應的權重向量；3、將每個腦區對應的權重向量映射到個體水平上，計算出每個腦區的表征信號，并利用表征信號計算腦區間兩兩的相關性作為連接強度；4、根據連接強度的符號構建大腦共變和逆變連接網絡。本發明利用功能磁共振成像數據有效提取各個腦區的表征信號，解決了大腦共變和逆變連接網絡構建問題，有助于研究大腦的功能分區和連接模式，加深人們對大腦功能分化和整合的認識。

本發明授權基于同質約束多集典型相關分析的大腦連接網絡構建方法在權利要求書中公布了：1.一種基于同質約束多集典型相關分析的大腦連接網絡構建方法，其特征在于，是按如下步驟進行： 步驟一：使用信號采集設備獲取個個體的功能磁共振成像信號并配準到標準模板后，再按照給定的個腦區進行劃分，從而得到總的樣本數據集，表示個個體配準后的第個腦區樣本數據集，為樣本長度，為第個腦區內的體素數量，且，表示矩陣的轉置，表示第個個體中第個腦區內的信號，表示的轉置； 步驟二：利用同質約束多集典型相關分析算法對總的樣本數據集進行計算，得到每個腦區樣本數據集的權重向量，其中，表示第個腦區樣本數據集的權重向量； 步驟2.1、利用式1構建在權重向量的符號一致約束條件下，以最大化個腦區表征信號之間的相關系數平方和為目標的優化模型： 1 式1中，代表第個腦區樣本數據集的權重向量的個元素都是非負或者非正的，表示的轉置； 步驟2.2、使用內點法和牛頓法對所述優化模型進行迭代求解： 步驟2.2.1：利用式2構建損失函數： 2 式2中，表示權重矩陣，且，為松弛矩陣，表示第個松弛變量，表示的轉置，為拉格朗日乘子矩陣，表示第個拉格朗日乘子，為正的障礙參數，為個腦區之間兩兩腦區相關系數平方和的相反數，trace表示矩陣的跡，表示腦區活動的相關性矩陣，為約束函數矩陣，表示第個約束函數，且，，表示第個腦區樣本數據集，表示的轉置，表示對角矩陣，第個約束函數，表示第個松弛變量； 步驟2.2.2：定義外迭代次數為n，定義內迭代次數為t，給定參數，并初始化n=1，將第n次外迭代下的個權重向量初始化為個單位向量，其中，表示第n次外迭代下的第k個權重向量，并初始化為第k個單位向量，將第n次外迭代下的松弛矩陣初始化為全1矩陣，將第n次外迭代下的拉格朗日乘子矩陣初始化為全1矩陣，將第n次外迭代下的障礙參數初始化為1； 步驟2.2.3：初始化t=1； 步驟2.2.4：將第n次外迭代下第t次內迭代的個權重向量初始化為權重向量，其中，表示第n次外迭代下第t次內迭代的第k個權重向量，并初始化為，將第n次外迭代下第t次內迭代的松弛向量初始化為，將第n次外迭代下第t次內迭代的拉格朗日乘子矩陣初始化為； 步驟2.2.5：根據式3計算出第n次外迭代下第t次內迭代的改變量三元組： 3 式3中，表示第n次外迭代下第t次內迭代的改變量，表示第n次外迭代下第t次內迭代的改變量，表示第n次外迭代下第t次內迭代的改變量，表示第n次外迭代下第t次內迭代的損失函數的Hessian矩陣，且，表示相關系數平方和的相反數，表示第n次外迭代下第t次內迭代的拉格朗日乘子矩陣中第個拉格朗日乘子，表示梯度算子，表示的約束函數矩陣的Jacobian矩陣，表示的轉置，是由中對角元素構成的對角矩陣，是由中對角元素構成的對角矩陣，表示單位矩陣，表示全1向量； 步驟2.2.6：利用式4得到第n次外迭代下第t+1次內迭代的三元組： 4 式4中，表示第n次外迭代下第t+1次內迭代的權重向量，表示第n次外迭代下第t次內迭代的松弛向量，表示第n次外迭代下第t次內迭代的拉格朗日乘子矩陣； 步驟2.2.7：將賦值給后，返回步驟2.2.5順序執行，直到為止，結束內迭代；其中，表示閾值； 步驟2.2.8：利用式5得到第n+1次外迭代下的三元組： 5 步驟2.2.9：計算第n+1次外迭代下的障礙參數； 步驟2.2.10：將賦值給后，返回步驟2.2.3順序執行，直到為止，結束外迭代； 步驟2.2.11：將第n+1次外迭代下的第k個權重向量作為第個腦區樣本數據集的權重向量，從而得到權重向量； 步驟三：計算第個個體中第個腦區的表征信號，并將第個個體中第個腦區內的表征信號和第個腦區的表征信號之間的相關系數作為第個個體中第個腦與第個腦區的連接強度，從而得到個個體中第個腦與第個腦區的連接強度；其中，表示第個個體中第個腦區內的信號，表示第個腦區樣本數據集的權重向量； 步驟四：對第個腦區和第個腦區之間的個連接強度進行符號檢驗，若檢驗結果為正號，則表示第個腦區和第個腦區之間的連接關系為共變連接；若檢驗結果為負號，則表示第個腦區和第個腦區之間的連接關系為逆變連接；若檢驗結果不顯著，則表示第個腦區和第個腦區之間的連接關系不顯著； 步驟五：由個腦區中各個腦區之間的連接關系為共變連接的腦區構成一個大腦共變連接網絡；由個腦區中各個腦區之間的連接關系為逆變連接的腦區構成一個大腦逆變連接網絡。

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中國科學技術大學，其通訊地址為：230026 安徽省合肥市包河區金寨路96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”。