阅读说明：本技术 一种阿尔茨海默症早期认知功能下降预测方法 (Method for predicting early cognitive function decline of Alzheimer's disease ) 是由 张翼飞 于 2020-07-08 设计创作，主要内容包括：一种阿尔茨海默症早期认知功能下降预测方法,获取被测对象的静息态功能磁共振影像组,对静息态功能磁共振影像组进行预处理,对预处理后的静息态功能磁共振影像组进行脑网络划分,基于静息态全脑灰质功能磁功能共振影像和脑网络划分后的功能磁共振影像组的时间序列,分别构建连接矩阵,基于构建好的连接矩阵进行节点度计算与度分布统计,并进行脑网络度分布的模型拟合,基于训练数据构建预测模型,依据估计出的各个脑网络度分布的模型参数,获得预测认知功能得分并输出。本发明过程简单,易操作,检验结果更加准确,更加客观定量,实用性更高,更加有助于辅助医生临床决策。(A prediction method for early cognitive function decline of Alzheimer's disease comprises the steps of obtaining a resting state functional magnetic resonance image group of a measured object, preprocessing the resting state functional magnetic resonance image group, carrying out brain network division on the preprocessed resting state functional magnetic resonance image group, respectively constructing connection matrixes based on time sequences of resting state full-gray-matter functional magnetic resonance images and the brain network divided functional magnetic resonance image group, carrying out node degree calculation and degree distribution statistics based on the constructed connection matrixes, carrying out model fitting of brain network degree distribution, constructing a prediction model based on training data, and obtaining and outputting predicted cognitive function scores according to estimated model parameters of the brain network degree distribution. The method has the advantages of simple process, easy operation, more accurate test result, more objective quantification and higher practicability, and is more favorable for assisting the clinical decision of doctors.)

一种阿尔茨海默症早期认知功能下降预测方法

技术领域

本发明涉及生物医学领域，涉及大规模脑功能网络的图论方法，尤其涉及静息态的大规模脑功能网络通过度分布方法从网络拓扑组织结构角度在阿尔茨海默症等神经精神类疾病和/或疾病早期阶段的认知功能下降的预测方法。

背景技术

轻度认知障碍(mild cognitive impairment，MCI)是介于健康衰老和(最终发展为)阿尔茨海默症之间的一个前兆阶段。阿尔茨海默症(Alzheimer’s disease，AD)，俗称老年痴呆症，是最常见和最重要的脑变性疾病，主要体现为情景记忆、思考、行为和日常活动能力衰退。据全球阿尔茨海默症协会统计，65岁和85岁以上老年人中患此病比率高达约15％和37％，且呈逐渐增加和趋于年轻化趋势。该病具有不可治愈性，与心血管病、脑血管病和癌症并列为人类健康的“四大杀手”。许多临床药物试验都致力于从病情早期阶段干预来预防或减缓疾病。由于AD发病隐匿，导致目前漏诊率约为73.1％，而被确认的患者大多已到了病情中后期。实际上，早在临床痴呆症状约20年前，致病的淀粉类蛋白(Amyloid-beta)就已经开始在患者脑部沉积。因此，AD早期阶段的检测是早干预的一个先决条件，具有非常重要的意义。

发明内容

本发明提供一种阿尔茨海默症早期认知功能下降预测方法，过程简单，易操作，检验结果更加准确，更加客观定量，实用性更高，更加有助于辅助医生临床决策。

为了达到上述目的，本发明提供一种阿尔茨海默症早期认知功能下降预测方法，包含以下步骤：

步骤S1、获取被测对象的静息态功能磁共振影像组；

步骤S2、对静息态功能磁共振影像组进行预处理；

步骤S3、对预处理后的静息态功能磁共振影像组进行脑网络划分；

步骤S4、基于静息态全脑灰质功能磁功能共振影像和脑网络划分后的功能磁共振影像组的时间序列，分别构建连接矩阵；

步骤S5、基于构建好的连接矩阵进行节点度计算与度分布统计，并进行脑网络度分布的模型拟合；

步骤S6、基于训练数据构建预测模型，依据估计出的各个脑网络度分布的模型参数，获得预测认知功能得分并输出。

所述的脑网络划分包含：采用脑模板，或独立成分分析方法，或基于先验区域信息方法对脑区进行划分，将脑区划分为不同的大规模脑功能网络区域。

使用功能连接FC来构建功能连接矩阵，所构建的功能连接矩阵为n×n的二维矩阵，其中，n为每个网络的节点总数，所述的功能连接矩阵中的元素为矩阵行列对应节点的功能连接强度。

所述的节点度计算分为三个维度：

全局度：对于全脑网络来说即全脑的度分布；对于子功能网络来说，即大规模功能子网络中的节点与全脑范围其它节点间连接的度分布；

网络内度：即划分后的脑功能子网络中的节点与该网络内其他节点间的度分布；

网络外度：依据划分后的脑功能子网络中的节点与全脑内位于该网络外的节点间的度分布，即该网络中节点的外度为所述该网络的全局度减去所述该网络的节点内度；

采用韦布尔分布进行脑网络度分布的模型拟合。

节点度的计算即计算每个节点的连边个数，以每个体素为节点，则每个体素度的计算公式如下：

其中，r_ij表示体素i与体素j之间的皮尔森相关系数，N_voxels表示所计算脑网络范围内体素个数，T为阈值。

所述的预测模型为：

认知能力得分～β₀+β₁×韦布尔分布的贝塔参数+β₂×年龄+β₃×性别+β₄×受教育程度；

其中，β₀是常数项，β₁，β₂，β₃，β₄是回归系数，贝塔是韦布尔分布的参数。

本发明还提供一种存储装置，所述的存储装置中存储多条程序代码，所述的程序代码适用于由处理器加载并执行以实现所述的阿尔茨海默症早期认知功能下降预测方法。

本发明还提供一种处理装置，包含处理器和存储装置；

所述的处理器适于执行各条程序代码；

所述的存储装置中存储多条程序代码，所述的程序代码适用于由处理器加载并执行以实现所述的阿尔茨海默症早期认知功能下降预测方法。

本发明的有益效果在于：

1、本发明通过拟合全脑网络和不同的大规模功能子网络的网络度分布，采用计算机快速便捷地实现了静息态功能磁共振成像的阿尔茨海默症早期认知功能下降预测。通过使用预定义的脑模板对通过预处理后的脑功能磁共振数据进行时间序列信号的提取，使用功能连接等方法生成连接矩阵，用连接矩阵计算网络节点度分布，对度分布进行模型拟合，进而通过预测模型对输入的被测对象的一组功能磁共振数据进行有效的认知功能预测。相比于现有生物标识物方法对认知功能预测(现有方法多为从某(几)条功能连接，某(几)个特定脑区的神经活跃度作为生物标识物，仅能反映局部的脑部变化)，本发明方法通过对全脑网络和各大规模功能子网络的度分布——网络整体组织拓扑结构改变的角度进行预测，并且通过分别对全局度，网络内度，网络外度的不同维度进行预测，检验结果更加准确、全面，实用性更高。

2、本发明基于静息态功能性磁共振成像对全脑和大规模脑功能网络进行度分布计算和拟合。与其它生物标识物或预测方法相比，本发明的通过静息态功能磁共振获取数据，对于老年患者，特别是有认知障碍的患者，无需配合完成复杂任务，更易于操作，有临床实践的优势。与其它网络构建和度分布拟合过程相比(例如贝叶斯网络等条件概率方法)，本发明具有过程简单，易操作，每个步骤意义明确的优点。可以尽早发现患者的认知下降现象，与老年患者通过自我感知认知下降的问卷调查方法相比，本发明具有更加客观、定量的优势，有助于辅助医生临床决策。

附图说明

图1是本发明基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法的流程示意图。

图2是本发明基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法的一种实施例的一个轻度认知障碍患者被测对象的全局度为例，三种备选模型分布的累积分布方程拟合曲线。

图3是本发明基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法一种实施例的全脑网络与7个子功能网络用全局度拟合韦布尔分布贝塔参数来预测认知能力得分的拟合图。

具体实施方式

以下根据图1～图3，具体说明本发明的较佳实施例。此处所述的实施例仅为了更好的对本发明进行说明，而非对本发明的限定。

需要说明的是，本申请的实施例和实施例中的特征可以相互结合。本发明的保护范围并不局限于这些具体实施方式。在不偏离本发明原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案也将落入本发明保护范围之内。

静息态功能磁共振影像(resting-state functional Magnetic ResonanceImaging，rsfMRI)是一种非侵入式，无需被试参与任务的简单易操作的成像技术，对于有认知障碍的老年被测试者具有临床实践易用的优势。该成像方法通过血氧水平依赖(bloodoxygenation level dependent，BOLD)来测量脑活动区域局部血液中氧合血红蛋白与去氧血红蛋白比例的变化来确定脑神经的活跃程度。功能连接(functional connectivity，FC)是通过血氧水平依赖计算出的不同脑区之间自发的低频波动的脑活动的同步性。人脑是一个空间上整合但功能上分散的，由许多脑区和脑区间神经连接(交互关系)组成的具有高效拓扑组织结构的网络。利用数学图论方法，可以有效地来描绘脑神经间的交互关系：每一个脑区是网络中的节点，脑区间功能连接是网络中的边。研究脑网络的拓扑结构可以得到与网络的枢纽区域、鲁棒性水平和信息传递能力相关的有价值信息。描述网络拓扑的最重要的属性之一是度分布(degree distribution)。度分布是一种图论度量，它描述了网络中节点之间连接数量的概率分布。在rsfMRI的大脑网络中，对于哪种模型可以更好地拟合度分布，目前还没有一致的看法。

有研究认为，包含AD在内的神经精神疾病可以被认为是“连接障碍综合征”。在AD的前兆阶段，包含记忆、注意力、执行功能、语言、视觉等多种大脑功能都会受到影响。在基于静息态功能磁共振的脑网络中，MCI患者的某些脑区间的神经一致性连接改变以及在大规模功能网络中脑神经活跃程度的改变都有所发现。这些结果表明，静息态脑网络中的度分布改变是一种独立的、早期的脑部变化，可能在AD临床发病前数十年就已经发生。由于人类高级认知功能并不涉及某个单一的脑功能网络，全脑和数个大规模脑功能网络在AD前兆阶段均可能发生改变。现有方法多是从某(几)条脑神经连接，某(几)个特定区域的神经活跃度变化作为生物标识物。用一套流程清晰、普遍适用的方法建立全脑网络及子功能脑网络并进行网络的度分布拟合，从度分布——网络整体拓扑组织结构的角度来测量其在疾病早期阶段的网络改变，进而对早期患者的认知功能下降进行预测，能够提供一种有效的AD早期脑网络拓扑的生物标识物，为诊断和认知功能预测提供技术支持。

本发明针对阿尔茨海默症长达数十年的隐匿性，在有临床症状时已经进入到发病的中后期，并且由于目前该病没有治愈的方法，只能依靠早发现、早干预，因此在疾病早期通过无创的神经影像学手段对疾病的发展进行预测，找到相关的生物标识物，十分重要。传统的通过静息态功能磁共振影像学的生物标识物以及影像学手段较为局限，通常仅从某(些)枢纽脑区或某(几)条功能连接入手。本发明从全脑网络与大规模脑功能子网络的角度，分别从脑全局和子系统，利用图论中度分布方法，从网络拓扑组织结构的变化来预测疾病早期患者认识活动下降。为临床上对阿尔茨海默症、轻度认知障碍等相关神经精神类疾病的早期诊断和干预防治提供支持。

本发明提供一种基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法，以对阿尔茨海默症前兆阶段的轻度认知障碍人群扫描的静息态功能磁共振影像为基础，依据获取的被测对象的rsfMRI在全脑网络和不同的大规模功能网络中生成的连接矩阵，构建脑网络。通过计算所生成脑网络的度分布，进行度分布的模型拟合，基于本发明提出的预测模型，输出被测对象的预测认知能力得分。

本发明提供一种基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法，包含以下步骤：

步骤S1、获取被测对象的静息态功能磁共振影像；

所述功能磁共振影像组包含多个时间点的功能磁共振影像。

步骤S2、对功能磁共振影像进行预处理。

步骤S3、对预处理后的功能磁共振影像进行脑网络划分。

步骤S4、基于全脑灰质功能磁功能共振影像和所述划分后的功能磁共振影像的时间序列，分别构建连接矩阵。

步骤S5、基于构建好的连接矩阵进行节点度计算与度分布统计，并进行脑网络度分布的模型拟合。

步骤S6、基于训练数据构建预测模型，依据估计出的各个脑网络度分布的模型参数，获得预测认知功能得分并输出；

所述预测模型可基于一般线性模型等方法(general linear model，GLM)构建的用于预测脑网络度分布模型参数对应的被测对象认知功能得分的模型。

为了更清晰地对本发明基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法进行说明，下面结合图1对本发明方法实施例中的各个步骤展开详述。

本发明提供一种基于静息态功能磁共振影像的阿尔茨海默症早期认知功能下降预测方法，包含步骤S1～步骤S6，各步骤详细描述如下：

步骤S1，获取被测对象的功能磁共振影像组；所述功能磁共振影像组包含多个时间点的功能磁共振影像。

静息态功能磁共振成像是使被测对象保持静止，不做任何特定的任务或动作的情况下对被测对象进行扫描，获取其磁共振影像，在这个过程中，一般要求被测对象尽量不要想任何事情，并保持清醒，不能睡着。

在本实施例中，功能磁共振影像的获取，是对被测对象在一定时间段内，按照一定扫描间隔，采集到数分钟或十几分钟内的基于血氧水平依赖的脑部功能磁共振影像。

步骤S2，对所述功能磁共振影像进行预处理。

所获取的原始静息态功能磁共振影像(rsfMRI)包含较多的噪声，为了使图像有更好的信噪比，以便于后续计算，通常会对图像进行预处理过程。可采用以下预处理方法中的一种或多种方法对功能磁共振影像进行预处理：

1、去除前10个时间点，以排除机器的不稳定情况。

2、头动校正。本发明的一个优选的实施例中把头动超过3mm，3度作为标准，若大于此标准，测获取图像因质量差而不采用。

3、时间层校正。

4、使用T1统一分割或通过被测对象的结构磁共振影像进行自定义分割，得到分割后的灰质、白质和脑脊液模板。

5、配准到标准空间。本发明的一个优选实施例中配准到蒙特利尔标准化空间(MNI空间)，并把图像重采样为3mm×3mm×3mm的体素(voxel)。

6、去线性漂移。

7、回归协变量。本发明的一个优选实施例中对24个方向的头动参数以及全局信号、白质信号和脑脊液信号进行回归。

8、滤波。本发明的一个优选实施例中对图像中0.01-0.1Hz之外的频率进行滤波。

步骤S3：对所述预处理后的功能磁共振影像进行脑网络划分。

可采用脑模板或其他例如独立成分分析、基于先验区域信息等方法对脑区进行划分，将其划分为不同功能的大规模脑网络区域。

本发明的一个优选实施例中采用现有的脑模板对脑网络进行划分，把全脑划分为7个子功能网络，包含视觉网络(Visual，V)、躯体运动网络(Somatomotor，SM)、背侧注意网络(Dorsal Attention，DA)、腹侧注意网络(Ventral Attention，VA)、边缘网络(Limbic，Lim)、额顶网络(Frontoparietal，FP)和默认网络(Default Mode，DM)，这7网络的脑模板是由基于1000个被试的数据驱动的聚类方法得到的。

步骤S4：基于全脑灰质功能磁功能共振影像和所述划分后的功能磁共振影像的时间序列，分别构建连接矩阵。

全脑灰质功能磁共振影像使用所述预处理过程得到的分割后的灰质模板与全脑功能磁共振影像取交集得到；所构建的连接矩阵为n×n的二维矩阵,本发明的一个优选的实施例中使用功能连接(FC)来构建功能连接矩阵；

其中，n为每个网络的节点总数。对全脑和所划分的子功能网络节点的选取，可以选择不同尺度的脑区作为节点。

本发明的一个优选实施例中，以每个体素作为一个节点，以功能磁共振影像扫描得到的最大分辨率(即体素)作为节点单位，结果会更加精确。也可对体素进行降维，通过重采样对某一区域内的值进行平均，得到较大尺度的节点，这样可以减少计算时间，但精确度会降低。

在本发明的一个优选实施例中，连接矩阵中的元素为矩阵行列对应节点的功能连接强度。功能连接通过皮尔森相关系数度量计算，皮尔森相关系数r的公式如下：

其中，x，y为两个节点的时间序列，s_x，s_y为标准差，cov_xy为两个时间序列的协方差。也可采用其他例如有效连接等方法构建连接矩阵。

步骤S5：基于所述构建好的连接矩阵进行节点度计算与度分布统计，并进行度分布的相关模型拟合。

基于步骤S4中的连接矩阵(即网络中对应边的信息)，确定所构建网络的节点对间是否有边存在，并统计网络中各个节点的边数。

可以采用阈值的方法对连接矩阵中的元素卡取阈值，阈值之上的统计为边，阈值之下的不进行统计。本发明的一个优选的实施例中采用二值法构建网络，即通过阈值的认为存在1条边，不通过阈值的认为没有边。阈值可根据数据分析的经验选取，通常经验范围在0.3-0.7之间，也可用其他方法选取。本发明的一个优选实施例中，通过对所构建网络的连通性和小世界特性指标，经验地选取阈值为0.4或0.5，并且仅对功能连接矩阵中的正值元素卡取阈值，负值元素舍去。

节点度的计算即计算每个节点的连边个数，对于本发明一个优选实施例中，以每个体素为节点，则每个体素度的计算公式如下：

其中，r_ij表示体素i与体素j之间的皮尔森相关系数，N_voxels表示所计算脑网络范围内体素个数，T为阈值。

节点度的计算分为三个维度。(1)全局度：对于全脑网络来说即全脑的度分布；对于子功能网络来说，即大规模功能子网络中的节点与全脑范围其它节点间连接的度分布；(2)网络内度：即划分后的脑功能子网络中的节点与该网络内其他节点间的度分布；(3)网络外度：依据划分后的脑功能子网络中的节点与该网络外(但是全脑内)的节点间的度分布，即该网络中节点的外度为所述该网络的全局度减去所述该网络的节点内度。

本发明的一个优选实施例中，在节点度的计算过程中，由于使用体素为节点尺度，避免把相邻体素间共享信号错误计入，采用通过计算节点对之间的空间欧氏距离来排除一些相邻边。若节点对中心坐标间的欧氏距离小于某个值(本实施例中采用20mm)，则不计算它们之间的度。本实施例中以体素为节点尺度，由于节点较多，为了节省计算时间和存储空间，没有保存步骤S4中所构建的关联矩阵，直接把相关结果用于计算和统计步骤S5中的节点度分布。

网络度分布的统计，即对计算好的网络中所有节点度进行排序，通过概率统计学中概率分布的方法进行统计并进行后续的模型拟合。

根据网络构建时对节点和边采用的不同构建方法，可以使用不同的模型来进行参数拟合，在这个过程中需增加对模型的筛选和比较过程。模型参数估计方法可以根据需要选择。在本发明的一个优选实施例中，采用极大似然估计(Maximum LikelihoodEstimation,MLE)方法对三个最有可能的备选模型进行拟合；采用标准化的对数似然率及其相关p值在不同备选模型间进行拟合程度的比较；采用补累积分布方程(ComplementaryCumulative Distribution Function，CCDF)对样本分布和理论分布曲线进行拟合比较，得到韦布尔分布(Weibull distribution)为最优模型。

步骤S6：基于训练数据构建预测模型，依据所述估计出的各个脑网络度分布模型的参数，获得预测认知功能得分并输出；所述预测模型可基于一般线性模型(GLM)等方法构建的用于预测度分布模型参数对应的被测对象认知功能得分的模型。

本发明的一个优选的实施例中，步骤S6中通过30名被测对象的训练数据，采用的一般线性模型的方法构建预测模型如下：

认知能力得分～β₀+β₁×韦布尔分布的贝塔参数+β₂×年龄+β₃×性别+β₄×受教育程度。

下面结合实例对本发明中阿尔茨海默症早期认知功能下降预测模型的构建与验证进行说明。该实例中，对样本功能磁共振影像可以采用步骤1～6进行处理。

步骤1，获取30名轻度认知障碍(MCI)患者的静息态功能磁共振影像组以及它们的性别、年龄、受教育程度、认知功能等基本信息。

本实施例扫描过程为：每个被测对象进行480秒共扫描960幅功能磁共振图像的扫描。采用multiband扫描序列，层加速因子＝4，重复时间(TR)/回波时间(TE)＝500/30ms,翻转角(FA)＝47°，视场(FOV)＝231×231mm2，矩阵＝66×66，切片＝36，厚度＝3.5mm，体素大小＝3.5×3.5×3.5mm³，回波间距＝0.4ms，带宽＝3444Hz/pixel。被测对象被告知闭眼扫描，尽量不想任何事情，不要睡着，尽量减少头部和肢体动作。

步骤2，对每个被测对象的功能磁共振影像经过基于Matlab的脑影像处理软件SPM(Statistical Parameter Mapping)工具包进行预处理，以去除噪声，增加信噪比。预处理流程包含：去除前10个时间点的功能MRI影像；其余图像向第一个图像对齐；头动校正，头动超过3毫米3度的剔除；通过T1统一分割对功能磁共振影像进行分割，得到分割后的灰质、白质和脑脊液模板。分割后的灰质、白质和脑脊液图像；配准到蒙特利尔标准化空间(MNI空间)，并把图像重采样为3mm×3mm×3mm的体素；去线性漂移；回归协变量，对24个方向的头动参数以及全局信号、白质信号和脑脊液信号进行回归；滤波，对图像中0.01-0.1Hz之外的频率进行滤波。本实施例由于采用多波段(multiband)扫描序列，因此无时间层校正的预处理步骤。

步骤3，分别对所获取的预处理后的功能磁共振影像进行脑网络划分，得到划分大规模功能子网络后的脑区。

可采用脑模板进行划分，将其划分为不同功能的大规模脑网络区域。本实施例采用Yeo的七网络静息态脑功能模板对脑网络进行划分，把全脑划分为7个子功能网络，包含视觉网络(V)、躯体运动网络(SM)、背侧注意网络(DA)、腹侧注意网络(VA)、边缘网络(Lim)、额顶网络(FP)和默认网络(DM)。

步骤4：基于全脑灰质功能磁功能共振影像和所述划分后的功能磁共振影像的时间序列，分别构建连接矩阵。

本实施例以体素为节点尺度，所构建的连接矩阵为功能连接矩阵，大小为n×n的二维矩阵；在全脑网络中，n＝47294。本实施例的全脑网络和7个子功能网络均与灰质模板取交集，即仅考虑灰质中的体素。

本实施例连接矩阵中的元素为矩阵行列对应节点的功能连接强度，功能连接通过皮尔森相关系数度量计算。

步骤5：进行节点度计算与度分布统计，并进行度分布的相关模型拟合。

基于步骤4统计网络中各节点的度(即边数)。采用阈值的方法对连接矩阵中的元素卡取阈值。本实施例中，选取阈值为0.4，对功能连接矩阵中的正值元素卡取阈值，负值元素舍去。

计算全脑网络和7个子功能网络的三个维度的度分布，即全局度，网络内度和网络外度。计算节点对之间的空间欧氏距离，若节点对中心坐标间的欧氏距离小于20mm，则不计算它们间的度。本实施例选取脑网络中最常用的三个模型进行比较和筛选，即幂律分布(power law)，指数截断的幂律分布(power law with exponential cutoff)和韦布尔分布(Weibull distribution)，采用标准化的对数似然率及其相关p值在不同备选分布间进行拟合程度的比较，比较结果见表1。三个备选模型概率密度函数及待估参数见表2。

表1

表1是选取三个最常用的模型进行模型的比较和筛选，即幂律分布，指数截断的幂律分布和韦布尔分布，采用标准化的对数似然率及其相关p值对三个备选分布进行拟合程度的比较结果。表格中元素代表备选分布两两比较的标准化对数似然率的值，该值为正代表韦布尔分布拟合效果更好，该值为负代表备选模型拟合效果更好。可以看出这里的值均为正值，即韦布尔分布拟合效果更好。

表2

表2是三个最常用模型对应的概率密度函数及其对应的待估及参数。

采用补累积分布方程对样本分布和理论分布曲线进行拟合比较，以一个被测对象的全局度为例，拟合结果见图2，从图中可以看出韦布尔分布在所有网络中的拟合程度更好；采用极大似然估计对韦布尔分布进行参数估计。

计算结果表明，韦布尔分布在本实施例中较其它两个备选分布对全脑和各子功能网络的三个维度的度分布(全局度、网络内度、网络外度)的拟合效果均更好。

步骤6：依据步骤5估计出的韦布尔分布参数，进行预测模型构建，检验假设模型的显著性。

基于一般线性模型方法构建的用于预测度分布模型参数对应的被测对象认知功能得分的模型如下(其中年龄和受教育程度均精确到年数)：

认知能力得分～β₀+β₁×韦布尔分布参数+β₂×年龄+β₃×性别+β₄×受教育程度。

以全局度为例，模型结果表明，对于韦布尔分布的参数贝塔(β)，经过错误发现率(false discovery rate，FDR)多重比较校正之后，除了腹侧注意网络外，全脑网络及其余6网络结果均显著(校正后的p值小于0.05)，腹测注意网络校正后的p值为0.1(也具有一定的预测趋势)，即韦布尔分布的参数贝塔(β)可预测认知能力得分，全脑网络与各子功能网络预测结果见图3。

至此，得到通过训练数据构建预测模型，依据所述被测对象估计出的各个脑网络度分布模型的参数，获得预测认知功能得分并输出。

本发明可用于不仅包括阿尔茨海默症的其他精神或神经类疾病、疾病早期的认知功能下降预测。

需要说明的是，所述技术领域相关技术人员可以了解到，为了描述上的简洁与方便，上述在描述数据存储装置、处理装置的具体工作过程和相关说明，可以参考前述方法实施例中的对应过程，因此在这里不在赘述。

本领域相关技术人员应该能够意识到，结合本发明申请公开的实施例中所描述的各模块示例、方法、步骤，能用以计算机软件、电子硬件或者两者相结合来实现。与相关软件模块、方法和步骤对应的程序代码可以存入包含内存、只读存储器ROM、随机存储器RAM、电可编程ROM、电可擦写可编程ROM、硬盘、可移动硬盘、光盘、寄存器、软盘、磁带、或技术领域内的任意其它形式的存储介质中。在前述说明中按照功能一般性地描述了各示例的步骤与组成，以清楚地说明软件与电子硬件的可互换性。前述功能以软件或电子硬件执行或实现，取决于相应的技术方案以及特定的应用场景与设计需求约束。本领域相关技术人员能够根据应用场景的特定需求来选择使用不同的方法，从而实现所描述的功能，但这种实现不应认为超出本发明的范围。

术语“包含”或者任何类似用语，旨在涵盖非排他性的包含，从而使得包含一系列要素的方法、过程、物品、装置/设备不仅包含所描述的要素，而且还包含没有明确列出的其他相关要素，或者包含这些方法、过程、物品、装置/设备所固有的要素。

本发明的有益效果在于：

1、本发明通过拟合全脑网络和不同大规模功能子网络的网络度分布，采用计算机快速便捷地实现了静息态功能磁共振成像的阿尔茨海默症早期认知功能下降预测。通过使用预定义的脑模板对通过预处理后的脑功能磁共振数据进行时间序列信号的提取，可使用皮尔森相关系数等方法生成连接矩阵，用连接矩阵计算网络中节点度分布，对度分布进行模型拟合，进而通过预测模型对输入的被测对象的一组功能磁共振数据进行有效的认知功能预测。相比于现有生物标识物方法对认知功能预测(现有方法多为从某(几)条连接，某(几)个特定脑区的神经活跃度作为生物标识物，仅反映脑的局部变化)，本发明方法通过对全脑网络和不同的大规模功能子网络的度分布——网络整体组织拓扑结构的角度进行预测。并且通过分别对全局度，网络内度，网络外度的三个不同维度进行预测，检验结果更加准确、全面，实用性更高。

2、本发明基于静息态功能性磁共振成像对全脑网络和不同的大规模脑功能网络进行度分布计算和拟合。与其它生物标识物或预测方法相比，本发明的通过静息态功能磁共振获取数据，对于老年患者，特别是有认知障碍的患者，无需配合完成复杂任务，更易于操作，有临床实践的优势。与其它网络构建和度分布拟合过程相比(例如贝叶斯网络等条件概率方法)，本发明具有过程简单，易操作，每个步骤意义明确的优点。可以尽早发现患者的认知下降现象，与老年患者通过自我感知认知下降的问卷调查方法相比，本发明具有更加客观、定量的优势，有助于辅助医生临床决策。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。