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一种基于脑区权重相关性的脑网络构建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：CN116561518B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202310592254.6，技术领域涉及：G06F18/10；该发明授权一种基于脑区权重相关性的脑网络构建方法是由刘博达;刘勇国;张云;朱嘉静;李巧勤设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本一种基于脑区权重相关性的脑网络构建方法在说明书摘要公布了：本发明公开了一种基于脑区权重相关性的脑网络构建方法，通过采集被试者大脑静息状态下的fMRI数据并进行预处理，基于生理信号BOLD序列相关性构建大脑网络连通性矩阵，然后提取脑区BOLD序列的三种局部特征，通过SVM训练得到脑区权重序列，并计算权重的相关性，构建基于脑区权重相关性的大脑网络连通矩阵，融合两种连通矩阵，得到最终的大脑网络连通矩阵，最后基于该连通矩阵构建对应的脑网络。本发明的方法与现有方法相比，在基于BOLD序列构建大脑网络连通矩阵的基础上，还基于BOLD序列的局部特征计算脑区权重序列及相关性，能够关注到对疾病影响较大但却较微弱的连接，构建的脑网络有助于发现真正与疾病相关的脑区。

本发明授权一种基于脑区权重相关性的脑网络构建方法在权利要求书中公布了：1.一种基于脑区权重相关性的脑网络构建方法，具体步骤如下： S1、收集数据并进行数据预处理； 采集被试者大脑静息状态下的功能磁共振fMRI数据，将所有fMRI数据统一在一个高分辨率的结构像标准脑模板空间下进行度量；采用统计参数图SPM软件对fMRI数据进行时间校正、空间配准、标准化、平滑预处理，通过滤波去除高频生理噪声和低频信号漂移﹐得到全脑BOLD时间序列数据s； 选定一种标准化脑区模板将大脑功能磁共振成像划分为若干个脑区ROI，每个脑区内包含多个体素，将第i个脑区中第p个体素的BOLD序列表示为 其中，表示在时间点t的BOLD信号，T表示BOLD时间序列长度； S2、基于生理信号BOLD序列相关性构建大脑网络连通性矩阵； 计算脑区内各体素点对应BOLD时间序列的平均值计算式如下： 其中，表示第i个脑区中各体素在t时刻的BOLD信号平均值，ROIi表示第i个脑区，H表示脑区中所含有体素的个数，表示一个脑区时间序列和脑活动的功能属性； 用脑区时间序列的同步性表示脑区功能之间的关系，计算各脑区时间序列的Pearson相关系数 其中，表示之间的Pearson相关系数，表示此脑区时间序列上关于时间尺度的平均，计算如下： 通过计算所有脑区两两之间的Pearson相关系数，获得基于生理信号BOLD序列相关性的大脑网络连通性矩阵R； S3、脑区BOLD序列局部性特征获取； 使用低频振幅ALFF、比例低频振幅fALFF和局部一致性ReHo三种局部性指标获取脑区局部性特征； ALFF指标表示信号功率谱的平方根在低频带的平均值，首先将BOLD时间序列进行傅里叶变换得到其功率谱，对功率谱开平方计算特定的低频带均值即为ALFF值，计算如下： 其中，Yi表示BOLD信号时间序列功率谱中第i个点的值平方根，N1和N2分别表示选取的频带最低频和最高频对应离散功率谱的数据索引位置； fALFF指标计算如下： ReHo指标反应大脑局部区域活动一致性程度，首先对大脑内区域的体素进行时间序列的升序排序，获得体素在各时间点的信号排序值； rt,j表示体素j在时刻t的信号值在整个时间序列中的升序排序值，计算ROI内所研究体素在时刻t的总排序值： 其中，H表示ROI内所含有体素的个数； 计算ROI内所有研究体素在各时刻总排序值的平均值： 其中，T表示BOLD时间序列长度； 则脑区对应的ReHo计算如下： S4、ROI权重序列获取； 对于ReHo指标，每个受试者通过步骤S3得到ReHo指标，得到样本集合Spl＝{X1X2……XN}∈RN*d； 其中，R表示实数集，N表示受试者个数，d表示标准模板划分的大脑区域的个数，XN表示第N个受试者的d个ReHo指标构成的向量； 样本集合Spl中的每一个数据Xn，n＝1,2,3,…N，具有受试者标签Ln；将这些样本数据用于SVM机器学习； 然后将样本集合Spl划分为M个样本子集： 将样本集合Spl划分为不同的组，每组样本量为K2，最后一组样本量不足K2时从样本集合Spl随机选择样本补足K2个样本； 将各组分别表示为对这些组进行两两组合，得到：即2NK2NK-12个大小为K的样本子集，分别表示为Spl1，Spl2，Spl3，....，SplM； 其中，M表示样本子集的数量，不同样本子集间重复率不超过50％； 对于每一个样本子集Spli，使用支持向量机SVM进行训练； 经过SVM训练，可以得到在该样本子集上的准确率为AUCi，及优化的参数Wi＝{wi1,wi2,wi3...wid}； 其中，参数wid表示通过第i个样本子集训练得到的第d个脑区的权重；将不同样本子集训练得到的权重按行排列得到权重矩阵W： 根据权重矩阵W计算脑区i和脑区j之间SVM训练所得权重的相关系数 其中，wmi表示脑区i在样本子集m上得到的权重，表示脑区i在各样本子集上得到的权重平均值： 将各样本子集上训练得到的准确率AUCi求平均值得到在ReHo指标上的训练准确率AUCReHo； 同理，基于ALFF指标可得到权重序列相关系数和该指标上的训练准确率AUCALFF，基于fALFF指标可得到权重序列相关系数和该指标上的训练准确率AUCfALFF； S5、构建基于脑区权重相关性的大脑网络连通矩阵； 基于步骤S4得到的权重序列相关系数得到基于ReHo指标权重序列的大脑网络连通性矩阵 同理，可得基于ALFF指标权重序列的大脑网络连通性矩阵基于fALFF指标权重序列的大脑网络连通性矩阵 将上述三个连通性矩阵进行融合，得到基于局部特征权重的大脑网络连通矩阵Rw： 其中，SUM＝AUCReHo+AUCALFF+AUCfALFF； S6、脑网络构建； 将步骤S2得到的连通性矩阵R和步骤S5得到的连通矩阵RW进行线性求和得到最终构建的大脑网络连通矩阵： Rf＝θRW+1-θR13 其中，Rf表示融合了人体脑网络中BOLD信号相关性以及SVM训练权重相关性目标的脑网络矩阵，参数θ由实际效果来确定； 然后确定二值网络构建阈值，通过定义网络稀疏度，确定阈值，对于Rf矩阵中，大于阈值的元素保留，并作为网络中的一条边，小于阈值则去除这两个节点之间的联系，即可生成对应的脑网络。

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”。