买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利基于功能连接和动力学模型的解剖连接预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119581040B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411652759.8，技术领域涉及：G16H50/50；该发明授权基于功能连接和动力学模型的解剖连接预测方法是由郭大庆;郭淑琪;尧德中设计研发完成，并于2024-11-19向国家知识产权局提交的专利申请。

本基于功能连接和动力学模型的解剖连接预测方法在说明书摘要公布了：本发明公开了一种基于功能连接和动力学模型的解剖连接预测方法，首先构建神经动力学模型，以随机矩阵为初始输入，结合功能连接数据和神经动力学模型，通过迭代优化随机矩阵生成更符合神经动力学特性的耦合矩阵，并使用该耦合矩阵用于预测解剖连接，替代解剖连接数据构建高精度脑模型。本发明的方法通过迭代优化初始随机矩阵，使生成的耦合矩阵逐步逼近真实的解剖连接，实现了非侵入式的解剖连接预测，显著减少了对侵入式结构连接数据的依赖，相较于现有依赖dMRI数据的神经动力学建模方法，所用DMF模型在结构和功能上达到更高的拟合度，具有更强的灵活性和适应性，有助于揭示功能连接与解剖连接之间的深层联系，为脑网络研究提供了更高效的技术支持。

本发明授权基于功能连接和动力学模型的解剖连接预测方法在权利要求书中公布了：1.一种基于功能连接和动力学模型的解剖连接预测方法，具体步骤如下： S1、构建神经动力学模型，包括：输入模块、DMF模块、输出模块； 所述神经动力学模型采用动态平均场DMF模型，通过模拟得到的功能连接矩阵作为输出； 其中，输入模块接收结构连接数据，作为模型的初始输入，表示不同脑区之间的连接强度；DMF模块采用DMF模型，通过神经动力学方程描述不同脑区的电活动，并通过转导函数将电信号转化为血氧水平依赖BOLD信号；输出模块生成模拟的功能连接矩阵，利用DMF模块输出的脑区活动信号，计算各个脑区之间的功能连接强度，最终生成模拟功能连接矩阵； S2、输入模块初始化一个随机矩阵作为所述DMF模型的初始耦合矩阵； 初始化一个随机矩阵作为模型的初始耦合矩阵C0，即DMF模型的初始输入矩阵，该矩阵将作为优化起点； 其中，所述输入矩阵中的每个元素表示特定脑区之间的连接关系，表示大脑区域n和p之间的初始结构连接； S3、将步骤S2得到的初始输入矩阵送入DMF模块，并将模型输出的电信号转化为血氧水平依赖BOLD信号； DMF模块采用神经动力学方程描述不同脑区的电活动，则全脑层面的DMF模型由耦合微分方程组表示，具体表达式如下： 其中，表示大脑区域n中兴奋性E或抑制性I神经元群体的输入电流，表示大脑区域n中兴奋性E或抑制性I神经元群体的发放率；表示大脑区域n的平均兴奋性E或抑制性I突触门控变量，t表示时间；且总体有效外部输入I0＝0.382nA，其分别在兴奋池和抑制池中由有效耦合常数WE＝1和WI＝0.7缩放；局部兴奋性递归ω+＝1.4，G表示全局耦合参数，Cnp表示大脑区域n和p之间的结构连接矩阵，所有兴奋性突触耦合JNMDA＝0.15nA；表示电流转导函数，其将传入的总输入电流转换为发放率；转导函数的增益分别为gE＝310nC-1，gI＝615nC-1，其他参数分别为阈值电流 噪声因子dE＝0.16，dI＝0.087；且在转导函数中需要确保分母不为零，即动力学参数γ＝0.6411000，因子1000表示以毫秒为单位的所有内容，有效时间常数分别为τE＝τNMDA＝100ms和τI＝τGABA＝10ms；vn表示高斯噪声，其振幅为σ＝0.01nA；Jn表示脑区的局部反馈抑制权重，且采用反馈抑制控制FIC算法调整每个脑区的Jn，使兴奋池的发放率保持在低发放率，即 然后使用广义血流动力学模型，将DMF模型中模拟的平均场活动转换为BOLD信号；受到自我调节反馈机制的调控，当神经元的放电率上升时，引发血管舒张信号xn增加，与血管扩张信号成比例的血流量fn引起去氧血红蛋白含量qn和血容量un的改变，具体表达式如下： 其中，k表示信号衰减率，e表示依赖于血流的消除率，ρ表示静息氧摄取分数，α表示静脉阻力，τ表示时间常数； BOLD信号是脱氧血红蛋白含量qn和血容量yn的静态非线性函数，包括血管外和血管内信号的体积加权总和；对于每个区域n，BOLD信号用Bn表示，表达式如下： 其中，静息血容量分数V0＝0.02，无量纲参数k1＝7ρ，k2＝2，k3＝2ρ-0.2； S4、基于步骤S3得到的BOLD信号，通过输出模块输出初始模拟功能连接矩阵； 通过计算不同脑区的模拟BOLD信号之间的皮尔逊相关系数，生成初始模拟功能连接矩阵FCsim，对于脑区i和j的BOLD信号时间序列，皮尔逊相关系数rij的计算表达式如下： 其中，T表示总体的时间长度，Bi,t表示在时刻t脑区i的BOLD信号值，表示脑区i的BOLD信号的平均值； 然后将初始模拟功能连接矩阵与真实功能连接数据FCemp进行比较，计算两者皮尔逊相关系数和均方误差MSE，MSE计算表达式如下： 其中，N表示矩阵中的总连接数目； 最后用皮尔逊相关系数和均方误差这两个指标评估模拟功能连接与真实功能连接数据的差异作为优化的目标函数； S5、基于步骤S4，采用梯度下降法更新耦合矩阵； 采用梯度下降法，利用模拟与真实功能连接矩阵的差值调整耦合矩阵，使模拟功能连接逐步逼近真实功能连接；耦合矩阵的更新表达式如下： 其中，Cm表示第m次迭代输入的耦合矩阵，∈表示学习率，控制每一步的更新幅度，m表示第m次迭代； 然后使用更新后的Cm+1重新运行DMF模型，生成新的BOLD信号，再通过计算新的BOLD信号的皮尔逊相关系数得到新的模拟功能连接矩阵并计算当前迭代中新模拟功能连接与真实功能连接数据之间的差异，将此差异与上一次迭代中得到的差异进行对比，若差异不再降低且接近于预设的拟合精度，则认为优化已收敛；否则继续迭代，直到达到预设的拟合精度； S6、基于步骤S5，迭代优化完成后，生成优化后的耦合矩阵，即最优耦合矩阵，进行解剖连接预测； 迭代优化完成后，生成符合神经动力学特性的耦合矩阵Coptimized，作为DMF模型的最终输入，用于预测解剖连接，并替代解剖连接数据构建更高精度的脑模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。