阅读说明：本技术 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法 (Method for reliably dividing brain low-frequency fluctuation sub-region based on Fourier synchronous compression transformation ) 是由 王倪传 俞钦 颜虹杰 仲兆满 于 2020-11-18 设计创作，主要内容包括：本发明公开了基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法,首先对脑功能磁共振数据进行预处理及去漂移处理,采用傅里叶同步压缩变换,将大脑的时间信号转换到时频信号,并作为脑体素的表征信息,从而可从时频重构领域解析脑区之间的动态关联。由于时频信号的特殊性及大脑信号体素众多、数据集庞大,引入自动目标生成过程算法适配FSST数据下的Kmeans算法,以空间投影法找寻类的初始标签,再进行距离计算,重新进行类心计算,直到迭代完成,找到最优的类心。距离计算选择相关系数,区域选择数据集中低频区域的并集。最后将数据还原到空间,再从脑空间图谱观测不同分类之间的空间联系。(The invention discloses a method for reliably dividing brain low-frequency fluctuation sub-regions based on Fourier synchronous compression transformation. Due to the particularity of time-frequency signals, numerous voxels of brain signals and huge data sets, an automatic target generation process algorithm is introduced to adapt to a Kmeans algorithm under FSST data, an initial label of a class is found by a space projection method, distance calculation is carried out again, and the heart-like calculation is carried out again until iteration is completed to find the optimal heart-like. The distance calculation selects the correlation coefficient and the region selects the union of the low frequency regions in the data set. And finally, restoring the data to a space, and observing the spatial relation among different classifications from the brain space atlas.)

基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法

技术领域

本发明涉及脑区低频波动区域的再划分领域，具体为基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法。

背景技术

大脑的血氧水平依赖性效应可以用于表征大脑神经元的代谢情况，从而间接反映神经元活动。研究发现静息状态下人脑存在自发性低频波动脑功能网络，且其频带往往处于0.01HZ-0.08HZ之间，这种频带震荡的波反映了皮层局部活动及脑区间信息交流的兴奋性程度。低频振幅是解码大脑活动的重要指标。分析低频振幅的子区域可以找出区域之间的相关性，并可从另一个角度研究大脑区域的功能连接性，为大脑的连通研究提供一个新的出发点。基于以上的研究背景，本发明结合了一种最新的研究成果：FSST算法，研究表明这更适用于解析频率变换较快的信号，而脑波信号中存在部分信号有着较为频繁的震荡现象，而此类算法更适用于探究脑波信号有着明显震荡的区域。此外，由于FSST算法数据存在大量的冗余，且体素庞大，本发明还提出了一种适配数据的分类算法：ATGP-Kmeans，用来更为可靠的划分这种时频数据，提升大脑时频信号聚类结果的价值。

发明内容

本发明的目的在于从时频空间角度入手，研究低频区域下子区域间是否存在时频波动下的动态频率关联，能否从时频角度解析脑的空间连通性。再通过对脑图的重新映射，观测脑体素在空间区域中的关联，以验证背景技术提出的理念。

为实现上述目的，本发明提供如下技术方案：基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法，该方法包含以下步骤：

步骤1：划分出低频区域，找寻不同时刻下，被试的相同状态所提取的并集低频振幅的区域，区域的选择采用传统的ALFF方法，同时去除了一些噪音区域，并选择校验较为严格的区域；

步骤2：对预处理的功能核磁共振的信号进行时频重构，转化到时频域之中，获取相关的时间——频率——功率谱图，形成核磁共振信号的时频数据集合；

步骤3：基于时频动态相关性角度，利用不同体素在时间——频率上的动态同步性，采用ATGP-Kmeans适配FSST数据，进行相关系数计算，完成聚类，再映射到空间脑图谱中，观察空间中不同脑区的关联。

作为本发明的一种优选技术方案，所述步骤1中对分类区域的选择，采用低频区域作为研究区域；

作为本发明的一种优选技术方案，所述步骤2和步骤3中通过对数据的时频重构，引入适配的分类算法，对数据进行聚类，再映射到空间中，研究不同脑区体现在空间上的时频联系。

所述步骤1中区域的选择采用传统的ALFF方法公式为：a_k(f_k)，b_k(f_k)分别为实部与虚部。

作为本发明的一种优选技术方案，所述步骤1中的去除了一些噪音区域，并选择校验较为严格的区域；

为样本平均数，为样本标准偏差，n为样本数，该统计量t在零假说：μ＝μ0为真的条件下服从自由度为n的t分布。

作为本发明的一种优选技术方案，所述步骤步骤2中对预处理的功能核磁共振的信号进行时频重构的公式为：转化到时频域之中，获取相关的时间——频率——功率谱图；信号f(t)是有多个f_k(t)组成，STFT主要的脊在(t,φ′_k(t))，可以近似的用替代φ′_k(t)。

作为本发明的一种优选技术方案，所述步骤3中基于时频动态相关性角度，利用不同体素在时间——频率上的动态同步性，以及脑的局部相关性原理，采用聚类的手段处理这些低频体素信号，由于这些信号的冗余与繁杂性质，引入ATGP算法：t₁＝arg{max_r[r^Tr]}，r是要观察的所有体素，将U^T设为U的伪逆，作为Kmeans的初始类心选择算法，采用ATGP-Kmeans适配FSST数据，最小化损失函数：

作为本发明的一种优选技术方案，所述步骤3中的进行相关系数计算从而完成聚类，其中选择采用相关系数计算：重新选择类心：直到达到最大距离完成聚类，再映射到空间脑图谱中，观察空间中不同脑区的关联。

本发明的有益效果是：本发明首先从低频区域选择入手，选择经过严格的T检验校正的低频区域，进行时频重构与聚类算法并重新映射空间图谱；具体而言，通过FSST算法对于低频区域进行时频分析，获得时频信号作为体素的表征信息，引入ATGP算法适配Kmeans算法进行聚类，最终重新映射脑图谱，获得空间关联图，本发明将有利于人脑低频脑活动区域间关联性的研究，并应用于心理精神疾病、脑科疾病、职业可塑性等方面的研究。

附图说明

图1为本发明的流程简图；

图2为本发明的流程图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

实施例：请参阅图1-2，本发明提供一种技术方案：该方法包含以下步骤：

步骤1：划分出低频区域，找寻不同时刻下，被试的相同状态所提取的并集低频振幅的区域，区域的选择采用传统的ALFF方法，同时去除了一些噪音区域，并选择校验较为严格的区域；

步骤2：对预处理的功能核磁共振的信号进行时频重构，转化到时频域之中，获取相关的时间——频率——功率谱图，形成核磁共振信号的时频数据集合；

步骤3：基于时频动态相关性角度，利用不同体素在时间——频率上的动态同步性，采用ATGP-Kmeans适配FSST数据，进行相关系数计算，完成聚类，再映射到空间脑图谱中，观察空间中不同脑区的关联。

本发明的目的在于从时频空间角度入手，研究低频区域下子区域间是否存在时频波动下的动态频率关联，能否从时频角度分析脑的空间连通性。基于FSST算法下的数据冗余性以及脑区的庞大体素群，首先引入ATGP算法替换传统的随机样本选取算法，作为Kmeans的初始类心，进而提升分类的效率与可靠性。再通过对脑图的重新映射，观测脑体素在空间区域中的关联。

为方便描述，首先对本发明中特异名词作如下定义：

脑低频波动子区域：

脑低频波动子区域在本发明中指：基于人脑活动的低频振荡属性，在解码低频振荡信号时，将低频信号的主体区域作为分析的要点，研究区域内的子区域是否存在时频上的动态关联。

其次，本方法包含以下具体步骤：

步骤1：脑功能核磁共振信号的低频区域选择：划分出低频区域，找寻不同时刻下，被试的相同状态所提取的并集低频振幅的区域。区域的选择采用传统的ALFF方法，同时去除了一些噪音区域，并选择校验较为严格的区域。

步骤1.1、划分出低频区域，找寻不同时刻下，被试的相同状态所提取的并集低频振幅的区域；区域的选择采用传统的ALFF方法：a_k(f_k)，b_k(f_k)分别为实部与虚部。

步骤1.2、去除了一些噪音区域，并选择校验较为严格的区域；

为样本平均数，为样本标准偏差，n为样本数。该统计量t在零假说：μ＝μ0为真的条件下服从自由度为n的t分布。

步骤2：时频重构与体素表征信号的形成：对预处理的功能核磁共振的信号进行时频重构，转化到时频域之中，获取相关的时间——频率——功率谱图，形成核磁共振信号的时频数据集合；

步骤2.1、对预处理的功能核磁共振的信号进行时频重构：信号f(t)是有多个f_k(t)组成，STFT主要的脊在(t,φ′_k(t))，可以近似的用替代φ′_k(t)，时频重构公式为：转化到时频域之中，获取相关的时间——频率——功率谱图；

步骤2.2、将每个体素的时间幅值信号，改为时间——频率——功率谱信号，形成核磁共振信号的时频数据集合；

步骤3：体素聚类与空间的重新映射：基于时频动态相关性角度，利用不同体素在时间——频率上的动态同步性，采用ATGP-Kmeans适配FSST数据，进行相关系数计算，完成聚类，再映射到空间脑图谱中，观察空间中不同脑区的关联。

步骤3.1、基于时频动态相关性角度，利用不同体素在时间——频率上的动态同步性，以及脑的局部相关性原理，采用聚类的手段处理这些低频体素信号。由于这些信号的冗余与繁杂性质，引入ATGP算法：t₁＝arg{max_r[r^Tr]}，r是要观察的所有体素，将U^T设为U的伪逆，作为Kmeans的初始类心选择算法，采用ATGP-Kmeans适配FSST数据。最小化损失函数：

步骤3.2、距离选择采用相关系数计算：重新选择类心：直到达到最大距离完成聚类。再映射到空间脑图谱中，观察空间中不同脑区的关联。

本发明首先从低频区域选择入手，选择经过严格的T检验校正的低频区域，进行时频重构与聚类算法并重新映射空间图谱；具体而言，通过FSST算法对于低频区域进行时频分析，获得时频信号作为体素的表征信息，引入ATGP算法适配Kmeans算法进行聚类，最终重新映射脑图谱，获得空间关联图。本发明将有利于人脑低频脑活动区域间关联性的研究，并应用于心理精神疾病、脑科疾病、职业可塑性等方面的研究。

上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。