【技術實現步驟摘要】
本專利技術屬于神經科學，尤其涉及一種無尺度屬性大腦動態(tài)有效連接網絡估計方法。
技術介紹
1、功能磁共振成像（functional?magnetic?resonance?imaging，fmri）是一種廣泛應用于研究大腦活動的非侵入式技術，fmri通過測量血氧水平依賴（blood?oxygenationlevel?dependent，bold）信號變化來反映大腦神經活動。然而，傳統(tǒng)的fmri分析方法主要集中于靜態(tài)大腦網絡的研究，難以捕捉大腦動態(tài)功能連接的變化。動態(tài)有效連接（dynamiceffective?connectivity，dec）作為一種能夠反映大腦在不同時間點之間因果關系的連接網絡，逐漸受到研究者的關注。
2、目前，已有的方法在估計dec時，往往忽視了大腦網絡的尺度不變特性，導致重要樞紐節(jié)點和網絡圖形特性的誤估，同時，多重正則化問題的復雜性也對算法效率提出了挑戰(zhàn)。因此，迫切需要一種能夠在保留大腦網絡尺度不變特性的同時，具備高效優(yōu)化能力的dec網絡估計方法。
技術實現思路
1、本專利技術的目的在于提供一種無尺度屬性大腦動態(tài)有效連接網絡估計方法、裝置、設備及介質，旨在解決由于現有技術難以保留大腦網絡的尺度不變特性的問題。
2、一方面，本專利技術提供了一種無尺度屬性大腦動態(tài)有效連接網絡估計方法，所述方法包括下述步驟：
3、根據采集到的fmri數據，獲取大腦不同區(qū)域的時間序列信號；
4、基于所述時間序列信號，構建包含組空間正則化和時
5、采用基于增廣拉格朗日乘子的交替乘子法對所述時間變化向量自回歸模型進行多重正則化優(yōu)化，以估計所述時間變化向量自回歸模型的模型系數；
6、根據優(yōu)化后的所述模型參數生成大腦動態(tài)有效連接網絡。
7、優(yōu)選地，采用基于增廣拉格朗日乘子的交替乘子法對所述時間變化向量自回歸模型進行多重正則化優(yōu)化的步驟，包括：
8、基于所述時間變化向量自回歸模型的目標損失函數，構建增廣拉格朗日函數；
9、采用交替乘子法對所述增廣拉格朗日函數進行循環(huán)迭代求解，以更新所述模型參數，直至達到預設的迭代結束條件。
10、優(yōu)選地，基于所述時間變化向量自回歸模型的目標損失函數，構建增廣拉格朗日函數的步驟之前，所述方法還包括：
11、基于第一、二、三正則化項和所述時間序列信號，構建所述目標損失函數，其中，所述第一正則化項用于查找網絡中的高度集線器狀節(jié)點，所述第二正則化項用于確保有效連接網絡本身在時間點的空間稀疏性，所述第三正則化項用于通過范數強制兩個時間相鄰有效連接網絡之間的差異變得稀疏。
12、優(yōu)選地，所述目標損失函數為，其中，，為在時間點大腦區(qū)域測量到的時間序列信號，，代表測量的時間點總數，是時間點對應的模型參數構成的系數矩陣，為所述第一正則化項，為所述第二正則化項，為所述第三正則化項，表示矩陣的矢量化，為在時間點需要估計的模型系數向量。
13、優(yōu)選地，，，，其中，，是系數矩陣中節(jié)點的索引，，，，、、是控制相應正則化項權重的正則化參數，是對前一個時間點的估計，為對矩陣中第個節(jié)點所對應元素進行排列的排列函數。
14、優(yōu)選地，基于所述時間變化向量自回歸模型的目標損失函數，構建增廣拉格朗日函數的步驟，包括：
15、根據所述目標損失函數和預設的約束條件，構建所述增廣拉格朗日函數，所述約束條件為，所述增廣拉格朗日函數為，其中，是在時間點的縮放拉格朗日乘子，是步長參數，為虛擬變量。
16、另一方面，本專利技術提供了一種無尺度屬性大腦動態(tài)有效連接網絡估計裝置，所述裝置包括：
17、數據處理單元，用于根據采集到的fmri數據，獲取大腦不同區(qū)域的時間序列信號；
18、模型構建單元，用于基于所述時間序列信號，構建包含組空間正則化和時間平滑性正則化的時間變化向量自回歸模型；
19、模型優(yōu)化單元，用于采用基于增廣拉格朗日乘子的交替乘子法對所述時間變化向量自回歸模型進行多重正則化優(yōu)化，以估計所述時間變化向量自回歸模型的模型系數；
20、網絡生成單元，用于根據優(yōu)化后的所述模型參數生成大腦動態(tài)有效連接網絡。
21、優(yōu)選地，所述模型優(yōu)化單元包括：
22、第一函數構建單元，用于基于所述時間變化向量自回歸模型的目標損失函數，構建增廣拉格朗日函數；
23、模型參數更新單元，用于采用交替乘子法對所述增廣拉格朗日函數進行循環(huán)迭代求解，以更新所述模型參數，直至達到預設的迭代結束條件。
24、另一方面，本專利技術還提供了一種計算設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現如上述一種無尺度屬性大腦動態(tài)有效連接網絡估計方法所述的步驟。
25、另一方面，本專利技術還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如上述一種無尺度屬性大腦動態(tài)有效連接網絡估計方法所述的步驟。
26、本專利技術根據采集到的fmri數據，獲取大腦不同區(qū)域的時間序列信號，基于時間序列信號，構建包含組空間正則化和時間平滑性正則化的時間變化向量自回歸模型，采用基于增廣拉格朗日乘子的交替乘子法對時間變化向量自回歸模型進行多重正則化優(yōu)化，以估計時間變化向量自回歸模型的模型系數，根據優(yōu)化后的模型參數生成大腦動態(tài)有效連接網絡，從而使得生成的大腦動態(tài)有效連接網絡保留了大腦網絡的尺度不變特性，并提高了大腦動態(tài)有效連接網絡的優(yōu)化能力。
本文檔來自技高網...【技術保護點】
1.一種無尺度屬性大腦動態(tài)有效連接網絡估計方法，其特征在于，所述方法包括下述步驟：
2.如權利要求1所述的方法，其特征在于，采用基于增廣拉格朗日乘子的交替乘子法對所述時間變化向量自回歸模型進行多重正則化優(yōu)化的步驟，包括：
3.如權利要求2所述的方法，其特征在于，基于所述時間變化向量自回歸模型的目標損失函數，構建增廣拉格朗日函數的步驟之前，所述方法還包括：
4.如權利要求3所述的方法，其特征在于，所述目標損失函數為，其中，，為在時間點大腦區(qū)域測量到的時間序列信號，，代表測量的時間點總數，是時間點對應的模型參數構成的系數矩陣，為所述第一正則化項，為所述第二正則化項，為所述第三正則化項，表示矩陣的矢量化，為在時間點需要估計的模型系數向量。
5.如權利要求4所述的方法，其特征在于，，，，其中，，是系數矩陣中節(jié)點的索引，，，，、、是控制相應正則化項權重的正則化參數，是對前一個時間點的估計，為對矩陣中第個節(jié)點所對應元素進行排列的排列函數。
6.如權利要求5所述的方法，其特征在于，基于所述時間變化向量自回歸模型的目標損失函數，構建增廣
7.一種無尺度屬性大腦動態(tài)有效連接網絡估計裝置，其特征在于，所述裝置包括：
8.如權利要求7所述的裝置，其特征在于，所述模型優(yōu)化單元包括：
9.一種計算設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現如權利要求1至6任一項所述方法的步驟。
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現如權利要求1至6任一項所述方法的步驟。
...【技術特征摘要】
1.一種無尺度屬性大腦動態(tài)有效連接網絡估計方法，其特征在于，所述方法包括下述步驟：
2.如權利要求1所述的方法，其特征在于，采用基于增廣拉格朗日乘子的交替乘子法對所述時間變化向量自回歸模型進行多重正則化優(yōu)化的步驟，包括：
3.如權利要求2所述的方法，其特征在于，基于所述時間變化向量自回歸模型的目標損失函數，構建增廣拉格朗日函數的步驟之前，所述方法還包括：
4.如權利要求3所述的方法，其特征在于，所述目標損失函數為，其中，，為在時間點大腦區(qū)域測量到的時間序列信號，，代表測量的時間點總數，是時間點對應的模型參數構成的系數矩陣，為所述第一正則化項，為所述第二正則化項，為所述第三正則化項，表示矩陣的矢量化，為在時間點需要估計的模型系數向量。
5.如權利要求4所述的方法，其特征在于，，，，其中，，是系數矩陣中節(jié)點的索引，，，...
【專利技術屬性】
技術研發(fā)人員：張力，何彪，梁臻，黃淦，張治國，
申請(專利權)人：深圳大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。