基于空间ICA的fMRI静息态脑网络的分离研究 - 副本

合集下载

静息态功能磁共振

静息态功能磁共振静息态功能磁共振（Resting-state functional magnetic resonance imaging，rs-fMRI）是一种用于研究大脑神经活动的非侵入性神经影像学技术。

与传统的任务激活性功能磁共振成像不同，静息态功能磁共振不需要被试者执行特定的认知任务，而是在被试者松弛状态下，记录大脑在静息状态下的神经活动情况。

本文将探讨静息态功能磁共振技术的原理、应用和局限性。

静息态功能磁共振技术基于大脑的自发神经活动。

即使在被试者休息状态下，大脑的神经元仍然会不断地进行自发性活动，形成所谓的“静息态网络”。

这些网络包括默认模式网络（DMN）、前脑网络、感觉运动网络等。

静息态功能磁共振通过测量大脑不同区域的血氧水平变化，可以揭示这些静息态网络之间的相互连接和功能关系，为研究大脑功能提供了新的视角。

静息态功能磁共振在神经科学研究中具有广泛的应用。

首先，它可以用于研究大脑的功能连接和网络结构，揭示不同脑区之间的信息传递路径和调控机制。

其次，静息态功能磁共振还可以用于疾病诊断和治疗监测。

许多精神疾病如抑郁症、焦虑症等都与大脑功能网络的异常有关，静息态功能磁共振可以帮助医生更好地理解这些疾病的病理机制，为个体化治疗提供依据。

然而，静息态功能磁共振也存在一些局限性。

首先，由于大脑的自发神经活动受到许多因素的影响，如心理状态、环境因素等，因此静息态功能磁共振的测量结果具有一定的不稳定性。

其次，静息态功能磁共振无法直接测量神经元的电活动，只能通过血氧水平变化间接地反映神经活动情况，因此在解释结果时需要谨慎。

总的来说，静息态功能磁共振作为一种新兴的神经影像学技术，在研究大脑功能和疾病机制方面具有重要意义。

随着技术的不断发展和完善，相信静息态功能磁共振将在神经科学研究和临床实践中发挥越来越重要的作用，为人类认识大脑、治疗疾病带来新的希望。

愿静息态功能磁共振技术能够为人类健康和幸福作出更大的贡献。

网络成瘾脑影像学研究进展——基于fMRI和PET的研究成果

网络成瘾脑影像学研究进展——基于fMRI和PET的研究成果余建伟罗枭一、网络成瘾的定义对于网络成瘾现象的界定，国内外尚未形成统一意见。

北京军区总医院成瘾医学科陶然课题组通过对1300多例网络成瘾患者进行的临床观察和研究，对网络成瘾进行了如下界定：网络成瘾是指个体反复过度使用网络导致的一种精神行为障碍，表现为对网络的再度使用产生强烈的欲望，停止或减少网络使用时出现戒断反应，同时可伴有精神及躯体症状。

该课题组还制定了《网络成瘾临床诊断标准》，并通过了国内外专家的鉴定，在此不一一赘述。

二、网络成瘾的脑影像学研究对符合诊断标准的网络成瘾患者进行影像学检查，可以发现其相关脑功能区多存在异常，且成瘾时间越长，影像学改变越明显。

利用各种神经影像技术对网络成瘾者大脑活动过程进行定位和显示，还可以适时地检测他们大脑的功能活动，确定网络成瘾者在接受相关刺激时大脑的激活区域。

目前，功能磁共振成像 (functional magnetic resonance imaging，fMRI)、正电子发射断层成像(positron emission tomography，PET) 等影像技术正得到广泛应用，为我们开展该领域的研究提供了便利。

1、fMRI研究进展fMRI对网络成瘾的研究主要使用的是血氧水平依赖-功能性磁共振成像(blood oxygen level dependent-functional MRI，BOLD-fMRI)。

该方法是通过研究脑血氧水平变化分析脑功能的产生方式、位置及作用效果，反映人脑在执行某项任务或受到某种刺激时大脑皮层功能区的激活情况。

fMRI研究结果表明，网络成瘾可能会引起大脑功能和结构的变化。

功能上的改变表现为游戏过程中，成瘾者额叶、颞叶、顶叶、枕叶、边缘叶等部位的显著激活，而结构上的变化则表现为相关脑功能区灰白质比例和密度的改变。

曹枫林研究发现，在冲动控制任务刺激下，网络成瘾中学生 9 例相对于正常对照组 8例，右额上回与右颞上回显著激活。

静息状态下脑功能连接的磁共振成像研究

静息状态下脑功能连接的磁共振成像研究1. 本文概述本文旨在系统地探讨静息状态下脑功能连接的磁共振成像（Restingstate Functional Magnetic Resonance Imaging, rsfMRI）研究，这一领域近年来已成为认知神经科学与临床神经影像学研究的核心议题之一。

静息态功能成像是通过监测大脑在无特定任务指令下自发性神经活动的时空模式，揭示内在的脑网络组织及其动态变化，对于理解大脑的正常功能架构、疾病发生机制以及个体差异提供了独特视角。

本文首先概述rsfMRI的基本原理，包括其依赖的血氧水平依赖（Blood Oxygen Level Dependent, BOLD）信号以及如何利用这一信号反映神经元活动引起的局部血液动力学变化。

接着，我们将详细介绍静息态脑功能连接的主要分析方法，如种子点分析、独立成分分析（Independent Component Analysis, ICA）、图论网络分析等，阐述这些方法如何从不同层面揭示大脑区域间的时间同步性和功能集成性。

默认模式网络（Default Mode Network, DMN）：作为最早识别且最为人所知的静息态网络，DMN涉及后扣带回皮层、楔前叶、外侧顶叶及内侧前额叶皮层等多个脑区，其在静息状态下表现出高度的内在连通性，并与自我参照思维、记忆检索、情感调控等高级认知功能密切相关。

我们将回顾DMN的结构特征、功能属性及其在健康和疾病状态下的变异规律。

其他关键网络及其功能：除DMN之外，静息态研究还揭示了多个具有特定功能特性的脑网络，如执行控制网络、感觉运动网络、视觉网络等。

本文将概述这些网络的组成、功能角色以及它们在静息态下与其他网络的交互关系。

静息态功能连接的临床应用：探讨rsfMRI在诊断、预后评估及治疗监测中的价值，特别是在神经精神疾病（如阿尔茨海默病、帕金森病、精神分裂症、抑郁症等）、脑损伤（如创伤后应激障碍、中风等）以及发展障碍（如自闭症谱系障碍）等领域的研究成果。

大脑静息态网络连接模式及其意识状态预测

大脑静息态网络连接模式及其意识状态预测大脑作为人类神经系统的核心，一直以来都是科学家们的研究热点。

近年来，有关大脑静息态网络连接模式及其意识状态预测的探索引起了广泛的关注。

本文将对大脑静息态网络连接模式的概念进行解释，并探讨如何通过这种模式来预测意识状态。

首先，我们来了解大脑静息态网络连接模式的基本概念。

静息态是指个体在安静、无任务、无外界刺激下的大脑状态。

在这种状态下，大脑各个区域之间的连接和相互作用与执行任务时的状态有所不同。

研究者使用功能磁共振成像（fMRI）等技术来观察个体在静息态下的大脑网络连接模式。

在大脑静息态下，大脑网络不同区域之间的连接被分为“内在连接网络（Intrinsic Connectivity Networks, ICNs）”。

这些网络在没有特定任务的情况下依然存在，并且在个体之间具有一定的普遍性。

典型的ICNs包括默认模式网络（Default Mode Network, DMN）、前脑控制网络（Dorsal Attention Network, DAN）和视觉网络（Visual Network）等。

每个网络在大脑中的位置和功能都有所不同。

然而，大脑静息态的网络连接模式是如何与意识状态相关联的呢？研究发现，大脑静息态的网络连接模式与个体的意识状态之间存在一定的关联。

意识状态是指一个人对外界刺激的感知和理解程度，包括清醒、昏迷、睡眠等不同状态。

通过研究大脑静息态的网络连接模式，科学家们试图了解不同意识状态之间的差异，并尝试预测个体的意识状态。

在这方面，一种常用的方法是使用机器学习技术。

研究者将大量已知意识状态的数据输入机器学习模型，让模型建立与意识状态之间的关联。

然后，将未知意识状态的数据输入到训练好的模型中，通过模型的预测结果来预测个体的意识状态。

这种方法在一定程度上可以准确地预测个体的意识状态，但仍需进一步的研究和改进。

除了机器学习技术，还有一些其他的方法可以用于预测个体的意识状态。

静息态fmri时间序列的频率

静息态fmri时间序列的频率静息态（resting state）功能磁共振成像（functional magnetic resonance imaging，fMRI）是一种用于研究大脑活动的非侵入性方法。

而静息态fMRI时间序列的频率则是指在静息态下，大脑神经元活动的变化频率。

本文将深入探讨静息态fMRI时间序列的频率，并分析其在神经科学研究中的重要性和应用。

1. 静息态fMRI时间序列的定义和特征静息态fMRI是一种在被试者静息、没有进行特定任务的情况下记录下的磁共振成像数据。

该数据能够反映大脑内部神经元的自发活动。

静息态fMRI时间序列是指在一段时间内，记录下大脑各个区域信号的变化情况。

2. 傅立叶变换与静息态fMRI时间序列的频率傅立叶变换是一种将时域信号转换为频域信号的数学工具。

对静息态fMRI时间序列进行傅立叶变换可以得到其频域表达。

频率谱图显示了不同频率成分在时间序列中的贡献程度。

3. 频率的分类和解释频率可分为低频（<0.1 Hz）、中频（0.1-0.25 Hz）和高频（>0.25 Hz）三种。

低频成分主要来自于神经元的自发活动和神经元间的功能连接；中频成分则主要反映了大脑局部区域的神经元活动；而高频成分可能与脑血流动力学等机制相关。

4. 静息态fMRI时间序列的频率与脑网络的关系静息态fMRI时间序列的频率与大脑中的脑网络密切相关。

脑网络是由连接在一起的神经元组成的复杂网络，它们在不同的频率上表现出不同的功能连接模式。

研究发现，低频成分反映了大脑远距离功能连接的特征，而中频成分则更多地涉及到局部区域之间的功能连接。

5. 静息态fMRI时间序列的频率在神经科学研究中的应用静息态fMRI时间序列的频率在神经科学研究中有着广泛的应用。

通过对频率的分析，可以探究大脑在静息时的自发活动模式，进而揭示大脑的功能网络结构。

静息态fMRI时间序列的频率分析可以用于研究神经精神疾病的发病机制，例如注意力障碍、抑郁症等。

静息态fMRI功能连接分析方法的研究与应用

（１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒ，ＢｅｉｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙａｔＺｈｕｈａｉ，Ｚｈｕｈａｉ５１９０８５，ＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｙ，ｇＴ￣ｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｙ，ｇＴａｉｙｕａｎ０３００２４，Ｃｈｉｎａ）
ｃｏｌｌｅｃｔｉｏｎｏｆ２８ｈｅａｌｔｈｙｓｕｂｊｅｃｔｓａｎｄ３８ｐａｔｉｅｎｔｓｗｉｔｈｄｅｐｒｅｓｓｉｏｎ．Ｉｔｎｏｔｏｎｌｙｉｎｃｌｕｄｅｓｃｒｏｓｓ — ｃｏｒｒｅｌａｔｉｏｎ
对照组的显著异常，通过这些异常的指标作为特征进行模式分类，对于建立抑郁症诊疗的影像学指标起到了一定作用，从而可以更好地辅助抑郁症临床诊断和疗效评判。
关键词：静息态功能磁共振成像；功能连接；模型驱动；时频域分析；分类；抑郁症
Ｓｔｕｄｙａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｆｕｎｃｔｉｏｎａｌｃｏｎｎｅｃｔｉｖｉｔｙ－ａｎａｌｙｓｉｓ

基于功能磁共振成像的静息态脑网络研究方法

心电子信息科技风2021年4月DOI：10.19392/ki.1671-7341.202111042基于功能磁共振成像的静息态脑网络研究方法薛婷唐俊李明昕陶占龙内蒙古科技大学理学院内蒙古包头014010摘要：大脑在静息状态下仍存在许多重要的神经活动，脑区之间仍存在不间断的信息传递，构成功能连接并由此构成脑网络。

静息态脑功能网络分析，由其具有相对简单的计算且具有重大临床意义，已广泛应用于多种脑疾病的研究中。

本文从信息计算的角度，总结了近年来静息态脑网络研究中的经典算法。

关键词：功能磁共振成像;静息态；脑网络大脑是极为高效和精密的信息处理系统，不仅掌握语言、思维、情绪等高级活动,也是信息储存、加工和整合的中枢。

神经元是大脑活动的基本单元，通过神经突触的彼此连接形成神经通路，完成对信息的加工处理⑴&在此过程中，神经元之间或神经元集群之间的连接模式构成了脑网络，掌握脑网络的连接模式对于理解大脑的运转机制具有重要意义。

影像学技术的发展应用极大丰富了科研人员的脑网络研究手段。

近年来，静息状态下脑功能网络的研究受到广泛关注。

相较于任务态，静息态可避免由被试完成任务的差异性所导致的结果不可靠。

因此,越来越多的学者开始关注静息态下脑功能网络的活动模式。

本文主要针对静息态下脑功能网络的研究方法进行综述。

一、基于种子点的功能连接分析方法该方法是一种模型依赖方法(model-based),通常首先选择特定脑区作为感兴趣区域(region of interest，ROt)，即种子点。

然后计算该种子点与其他脑区的血氧水平依赖信号之间的时间相关性。

如计算岀某个脑区与该种子点之间的血氧水平依赖信号时间相关性较强，则可认为该脑区与种子点之间存在功能连接基于种子点的功能连接分析方法得到的结果易于理解，但种子点的选择没有固定标准,具体的选择过程很大程度取决于实验设计人员，通常依据先验知识或功能定位来选定。

种子点的选择至关重要,研究者选择的偏向性将直接影响研究结果。

《基于熵的人脑静息态fMRI信号复杂度分析及其应用》范文

《基于熵的人脑静息态fMRI信号复杂度分析及其应用》篇一一、引言近年来，随着神经影像学技术的飞速发展，人脑静息态功能磁共振成像（fMRI）已成为研究脑功能与结构的重要手段。

其中，熵作为一种衡量信号复杂度的有效工具，在fMRI信号分析中得到了广泛应用。

本文旨在探讨基于熵的人脑静息态fMRI信号复杂度分析方法及其在相关领域的应用。

二、熵的概念及其在fMRI信号分析中的应用熵是一个描述系统混乱程度的物理量，常用于衡量信号的复杂度。

在fMRI信号分析中，熵可以用来反映人脑在不同状态下神经活动的复杂性和动态变化。

通过对fMRI信号的熵进行分析，可以更好地理解人脑的功能和结构。

三、基于熵的人脑静息态fMRI信号复杂度分析方法（一）方法概述本文提出了一种基于熵的人脑静息态fMRI信号复杂度分析方法。

首先，通过采集人脑静息态fMRI数据，提取出脑区时间序列信号；然后，利用熵的相关算法，如香农熵、近似熵等，对提取出的信号进行复杂度分析；最后，根据分析结果，对人脑不同区域的神经活动进行定性和定量的描述。

（二）具体实现步骤1. 数据采集：利用fMRI设备采集人脑静息态数据，获取脑区时间序列信号。

2. 信号预处理：对采集到的数据进行去噪、配准等预处理操作，以提高信号质量。

3. 熵计算：采用香农熵、近似熵等算法，计算预处理后的信号的熵值。

4. 结果分析：根据熵值的大小，分析人脑不同区域的神经活动复杂度，并进一步探讨其与认知功能的关系。

四、应用领域（一）神经疾病诊断与治疗基于熵的人脑静息态fMRI信号复杂度分析方法在神经疾病诊断与治疗中具有重要应用价值。

通过分析患者脑部信号的熵值，可以更好地了解疾病的发病机制和病理过程，为疾病诊断提供有力依据。

同时，还可以根据分析结果制定个性化的治疗方案，提高治疗效果。

（二）认知功能研究熵值可以反映人脑神经活动的复杂度和动态变化，因此在认知功能研究中具有重要价值。

通过分析不同年龄、性别、教育背景等人群的脑部信号的熵值，可以深入了解人脑认知功能的发育、老化和损伤等情况，为认知科学和神经科学的研究提供有力支持。

基于脑电的静息态功能连接分析

基于脑电的静息态功能连接分析
随着脑成像技术的发展，人们对大脑功能的研究越来越深入，并逐渐从定位特殊功能脑区转变为研究脑功能连接。静息态是大脑不执行具体的认知任务，保持安静、放松、清醒的一种状态，息态功能连接能体现大脑最本质、固有的连接模式，已成为近年来脑功能连接研究的热门课题之一。
目前国内外研究脑静息态功能连接主要以功能磁共振成像（fMRI）技术为手段，fMRI具有很高的空间分辨率，能得到静息态功能连接与脑解剖学结构连接之间的密切联系，但是fMRI 设备昂贵，对实验数据采集环境要求很高，特别是其时间分辨率很低，对于脑科学研究存在不便。而脑电图（EEG）作为一种普遍的监测大脑活动的工具，具有很高的时间分辨率，对采集环境无特殊要求，是脑科学研究的传统手段之一。
在基于脑电的α 波静息态动态功能连接方面，在对闭眼和睁眼状态下的64电极静息态脑电数据进行分析中引进了滑动时间窗
的方法，探索了α 波在闭眼和睁眼状态下多个静息态脑网络随时间的动态变化，如默认网络、视觉联合皮层、体感皮层、视
觉性语言中枢、语义加工皮层等。该结论极大丰富了脑电α 波静息态功能连接的结论。
在基于脑电的α 波静息态功能连接方面，通过对闭眼和睁眼状态下的64电极静息态脑电数据进行分析，得到结论：α 波在睁眼状态下的功能连接明显多于闭眼状态，静息态网络中默认网络和背侧注意网络在睁眼状态显著，同时睁眼状态下视觉联合皮层功能连接突出。该结论弥补了已有研究中脑电数据电极太少（19电极）的不足，提高了相关结论的可靠性。
采用EEG研究脑静息态功能连接能弥补fMRI研究脑静息态功能连接在时间分辨率上的不足，而且对于无法适应fMRI狭小检测空间的脑疾病患者也能方便地监测其大脑活动，因此基于脑电的静息态功能连接研究有重要的科研和临床意义。本文采用独立成份分析（ICA）、标准低分辨率电磁断层成像（sLORETA）、滑动时间窗、图论、层次聚类分析、t检验等方法和理论对基于脑电的静息态功能连接展开研究，分析了25个健康被试在闭眼和睁眼状态下的64电极静息态脑电数据，研究了闭眼和睁眼状态下α 波（8-12Hz）和β 波（13-25Hz）脑静息态功能连接，并探索了α 波静息态动态功能连接，揭示了静息态网络在时间和空间上的动态变化，主要取得了以下三方面的成果。

静息态功能脑连接的空间动态分析及分类研究

静息态功能脑网络分析[1]使用基于血液氧合水平（Blood Oxygenation Level Dependent，BOLD）的功能磁共振成像技术，是研究大脑功能的一种重要方法[2]。

研究表明，神经精神疾病患者的临床表现与其大脑功能网络连接异常是相关的[3]。

脑网络与机器学习相结合的方法已经被广泛应用到脑疾病的诊断[4]中，如精神分裂症[5]、阿尔兹海默症[6]、癫痫症[7]等。

因此，静息态功能脑网络分析方法在脑疾病的分析和诊断中非常重要。

在传统的脑网络分析中，隐含的假设是大脑功能连接在整个静息态功能磁共振扫描过程中是恒定不变的[8]。

然而，无论是在经验上还是通过实验都证明了大脑功能连接随时间推移而发生动态变化[9]。

Wee等使用滑动窗口的方法构建了静息态时间动态网络，并应用于早期轻度认知障碍病人的识别中[10]。

静息态功能脑连接的空间动态分析及分类研究高晋1，赵云芃2，Godfred Kim Mensah1，李欣芸1，刘志芬3，陈俊杰1，郭浩11.太原理工大学信息与计算机学院，太原0300242.太原理工大学艺术学院，山西晋中0306003.山西医科大学第一医院精神卫生科，太原030000摘要：现有的精神疾病分类模型仅采用脑网络的静态指标作为特征，忽略了脑网络的空间动态信息，导致分类性能不高。

为克服这一局限性，提升分类模型的性能，提出了基于功能脑连接空间动态的分类方法。

通过高维模板对脑连接进行空间动态分析，提取脑连接空间动态特征。

利用统计分析进行特征选择，构建基于静息态功能脑连接的分类模型。

通过对抑郁症患者与正常被试的分类实验结果表明，脑连接空间动态特征的分类准确率（83.0%）比传统采用脑网络的静态指标特征的分类准确率（77.8%）高5.2个百分点。

关键词：空间动态；功能磁共振成像；支持向量机；抑郁症文献标志码：A中图分类号：TP181doi：10.3778/j.issn.1002-8331.1909-0351Research on Spatial Dynamics Analysis and Classification of Resting-State Functional Brain ConnectionsGAO Jin1,ZHAO Yunpeng2,Godfred Kim Mensah1,LI Xinyun1,LIU Zhifen3,CHEN Junjie1,GUO Hao11.College of Information and Computer,Taiyuan University of Technology,Taiyuan030024,China2.College of Art,Taiyuan University of Technology,Jinzhong,Shanxi030600,China3.Department of Mental Health,First Hospital of Shanxi Medical University,Taiyuan030000,ChinaAbstract：The existing classification model of mental diseases uses the static index of brain network as the characteristic while ignoring the spatial dynamic information of brain network,which will result in an inferior classification perfor-mance.To overcome this limitation and improve the performance of the classification model,a classification method based on the spatial dynamic of resting-state functional brain connections is proposed.The spatial dynamic characteristics of brain connections are extracted by analyzing the brain connections with high-dimensional templates.By selecting char-acteristics through the statistical analysis,a classification model based on resting-state functional brain connections can be constructed.The conducted experiments distinguish between depression patients and normal subjects and the results show that the classification accuracy of model utilized spatial dynamic characteristics（83.0%）is5.2percentage points higher than that with static index（77.8%）.Key words：spatial dynamics;functional magnetic resonance imaging;support vector machine;depression基金项目：国家自然科学基金（61672374，61741212，61876124，61873178）；山西省教育厅高等学校科技创新研究项目（2016139）；山西省科技厅重点研发计划项目（201803D31043）；教育部赛尔网络下一代互联网技术创新项目（NGII20170712）。

基于静息态fMRI的人脑功能网络的小世界特性

基于静息态ｆＩ人脑功能网络的小世界特性ＭＲ的
黄文涛，冯 Байду номын сангаас 层
（．南民族大学电子信息工程学院，汉４０７；１中武３０４２中南民族大学武汉神经科学和神经工程研究所，武汉４０７）．３０４
鉴于脑功能网络在很宽的阈值范围存在小世界，同
时至今没有金标准，里根据经验进行设定兼顾连这通性和连通花费保守，并满足平均度大于节点数的
自然对数．
图２脑功能Ｉ络连接图网
Ｆｉ２Ｃｏｎｃｉｎｇａｈｆｂｒｉｕｎｃｉｎａｔｇ．ｎｅｔｏｒｐｏａｎｆｔｏｌｎｅｗｏｒｋｓ
２～２１６岁，均为２．平３８岁＿．数据预处理采用２］
ＳＭ５（ｔｐ：／Ｐｈｔ／ｗｗｗ．ｆｌｏ．ｕ１ａ．ｕ／和ｉ．ｉｎｃ．ｃｋ）
目前以探索节点和边的拓扑关系的复杂网络（ｏｌｘｎｔｏｋ）论已经成为一门横跨多个ｃｍｐｅｅｗｒｓ理研究领域的新的科学．复杂网络也在生物医学领
暗示少量的长程连接既有利于脑神经连接的局部功能分化和连接成本约束，又有利于不同脑功能区
之间正常长距信息传输和整合．人脑演化形成小世
界拓扑功能结构有利于弹性应对生理功能损伤｛，有利于适应快速变化的认知需要以及以经济节约

静息态fmei校正方法-解释说明

静息态fmei校正方法-概述说明以及解释1.引言1.1 概述本文主要介绍了静息态fmei校正方法。

在脑电图（MEG）研究中，fmei校正是一项重要的预处理步骤，用于消除脑电信号中的眼电和肌电干扰，从而提高信号的纯净度和可靠性。

随着脑电技术的快速发展，静息态脑电信号在研究中的应用也越来越广泛。

然而，由于脑电信号的微弱性和周围环境的复杂干扰，静息态脑电信号往往伴随着大量的噪音，导致分析结果的可靠性和准确性下降。

为了解决这个问题，研究人员提出了各种各样的fmei校正方法。

这些方法通常基于信号的统计特性和空间分布特征，通过对多个电极或传感器数据进行合理的处理和滤波，去除眼电和肌电噪音的影响，从而得到更加准确和可靠的静息态脑电信号。

本文将重点介绍几种常用的静息态fmei校正方法，并对它们的原理和适用场景进行详细讨论。

通过对比实验和分析，我们将进一步评估这些方法的效果和性能，为今后的脑电研究提供更具参考价值的数据处理方法。

总的来说，本文的目的是介绍静息态fmei校正方法的原理和应用，帮助研究人员更好地理解和应用这些方法，提高脑电信号的质量和可信度。

通过这些校正方法的应用，我们有望在脑电研究领域取得更加准确和深入的结果，为认知神经科学和临床脑电诊断提供有力支持。

1.2文章结构文章结构部分的内容应该包括对整篇文章的组织和安排进行介绍。

以下是一个可能的内容示例：文章结构:本文主要分为引言、正文和结论三个部分。

引言部分主要包括概述、文章结构、目的和总结四个方面。

在概述中，介绍了静息态fmei校正方法的基本概念和重要性。

接着，对整篇文章的结构进行了简要说明，指出了各个部分的内容和安排。

然后，明确了本文的研究目的和意义，以及对于静息态fmei校正方法的进一步探索的重要性。

最后，总结了引言部分的主要内容和布局。

正文部分主要包括三个要点。

在第一个要点中，介绍了静息态fmei校正方法的原理和基本步骤。

通过详细解释各个步骤的目的和执行过程，读者可以更好地理解该方法的原理和操作方式。

211167158_主观认知下降及轻度认知障碍患者默认网络的静息态ｆＭＲＩ_研究

阿尔茨海默病（Ａｌｚｈｅｉｍｅｒ′ｓｄｉｓｅａｓｅ，ＡＤ）是最常
表（ＧｅｒｉａｔｒｉｃＤｅｐｒｅｓｓｉｏｎＳｃａｌｅ，ＧＤＳ）评估抑郁情况。
见的痴呆类型，约占痴呆患者的６０％～８０％，在美
国已成为第六大死因［２］，而截至２０２２年其已成为我
国的第五大死因［３］，临床上以认知功能的渐进性、不
ｃｏｇｎｉｔｉｖｅｉｍｐａｉｒｍｅｎｔＷＥＩＹｉ⁃ｃｈｅｎ，ＬＩＡＮＧＬｉｎｇ⁃ｙａｎ，ＬＩＸｉａｏ⁃ｃｈｅｎｇ，ｅｔａｌ．ＤｅｐａｒｔｍｅｎｔｏｆＲａｄｉｏｌｏｇｙ，ｔｈｅＰｅｏｐｌｅ′ｓ
ＨｏｓｐｉｔａｌｏｆＧｕａｎｇｘｉＺｈｕａｎｇＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎ（ＧｕａｎｇｘｉＡｃａｄｅｍｙｏｆＭｅｄｉｃａｌＳｃｉｅｎｃｅｓ），Ｎａｎｎｉｎｇ５３００２１，Ｃｈｉｎａ
ｒｅｓｔｉｎｇ⁃ｓｔａｔｅｂｌｏｏｄｏｘｙｇｅｎｌｅｖｅｌ⁃ｄｅｐｅｎｄｅｎｔｆｕｎｃｔｉｏｎａｌｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ（ＢＯＬＤ⁃ｆＭＲＩ）ｄａｔａｏｆｔｈｅｓｕｂｊｅｃｔｓｗｅｒｅ
ｃｏｌｌｅｃｔｅｄ．Ｔｈｅｐｏｓｔｅｒｉｏｒｃｉｎｇｕｌａｔｅｃｏｒｔｅｘ（ＰＣＣ）ｗａｓｕｓｅｄａｓｔｈｅｓｅｅｄｔｏａｎａｌｙｚｅｔｈｅＤＭＮｆｕｎｃｔｉｏｎａｌｃｏｎｎｅｃｔｉｖｉｔｙｃｈａｎｇｅｓ
变规律，以期为阿尔茨海默病（ＡＤ）的早期诊断提供影像学依据。方法纳入ＳＣＤ患者３５例，ＭＣＩ患者８８例，
健康对照（ＨＣ）者３２名。收集受试Байду номын сангаас的相关临床数据、神经心理学量表评估数据以及３Ｄ⁃Ｔ１ＷＩ及静息态血

脑功能网络的fMRI特征提取及脑部疾病机器识别

ｎｅｔｗｏｒｋ，ｔｈｅｍａｘｉｍａｌｏｖｅｄａｐｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｉｓｕｓｅｔｗｅｉｇｈｔｅｄａｎｄｂｉｎａｒｙｎｅｔｗｏｒｋｓｂａｓｅｄｏｎ
中文引用格式：黄嘉爽，梅雪，袁晓龙，等．脑功能网络的ｆＭＲＩ特征提取及脑部疾病机器识别［Ｊ］．智能系统学报，２０１５，１０（２）：
２４８ — ２５４．
英文引用格式：ＨＵＡＮＧＪｉａｓｈｕａｎｇ。ＭＥＩＸｕｅ，ＹＵＡＮＸｉａｏｌｏｎｇ，ｅｔａ１．ＦＭＲＩｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｉｄｅｎｔｉｉｆｃａｔｉｏｎｏｆｂｒａｉｎｄｉｓｅａｓｅｓｂａｓｅｄｏｎｔｈｅｂｒａｉｎｆｕｎｃｉｔｏｎａｌｎｅｔｗｏｒｋ［Ｊ］．ＣＡＡＩＴｒａｎｓａｃｉｔｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓ。２０１５。１０（２）：２４８－２５４．
脑功能网络的ｆＭＲＩ特征提取及脑部疾病机器识别
黄嘉爽，梅雪，袁晓龙，李振华
（南京工业大学自动化与电气工程学院，江苏南京２１１８１６）摘要：脑部疾病的机器识别是医学图像领域研究的热点。传统的功能磁共振图像研究方法大多只针对部分脑区。

一种确定fMRI脑功能连接网络稀疏度的方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201911057906.6(22)申请日 2019.11.01(71)申请人中国计量大学地址 310018 浙江省杭州市下沙高教园学源街258号中国计量大学(72)发明人陈俊　张艳　赖丁尧　(51)Int.Cl.G06K 9/46(2006.01)(54)发明名称一种确定fMRI脑功能连接网络稀疏度的方法(57)摘要本发明公开了一种确定fMRI脑功能连接网络稀疏度的方法，包括如下步骤：步骤一，获得fMRI数据；步骤二，数据预处理；步骤三，构建脑网络；步骤四，基于节点介数选出单个被试在各个稀疏度下的核心节点；步骤五，基于步骤四得到该被试的全稀疏度核心节点；步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；步骤七，对所有被试重复步骤三至步骤六，计算所有被试在各个稀疏度下的平均重复率，其值最大时对应的稀疏度视为该组被试的最佳稀疏度。

本发明基于节点介数，得到所有稀疏度下的平均重复率，量化了在不同稀疏度下建立的脑功能连接网络之间的差异，在常用的稀疏度范围之中确定了构建脑功能连接网络的稀疏度。

权利要求书1页说明书4页附图3页CN 110689029 A 2020.01.14C N 110689029A1.一种确定fMRI脑功能连接网络稀疏度的方法，其特征在于，包括如下步骤：步骤一，利用磁共振扫描仪记录人脑静息态过程中的血氧水平依赖信号，获得fMRI数据；步骤二，对fMRI数据进行预处理；步骤三，在稀疏度0.1-0.5(步长为0.01)建立单个被试的脑功能连接网络；步骤四，计算该被试在各个稀疏度下脑功能连接网络中所有节点的介数，并从大到小排列，取出排列靠前的N个节点，作为该被试在该稀疏度下的核心节点；步骤五，统计步骤四中该被试在所有稀疏度下各节点作为核心节点出现的频数，进行排序，得到出现频数最大的前N个节点，作为该被试的全稀疏度核心节点；步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；步骤七，对所有被试重复步骤三至步骤六，计算所有被试在各个稀疏度下的平均重复率，其值最大时对应的稀疏度视为该组被试构建脑功能连接网络的最佳稀疏度。

基于三重网络模型的酒精依赖患者静息态动态功能连接分析

基于三重网络模型的酒精依赖患者静息态动态功能连接分析曹景超;隋文禹;喻大华;薛婷【期刊名称】《放射学实践》【年(卷),期】2024(39)2【摘要】目的:探讨酒精依赖(AD)患者静息态三重网络(中央执行网络、突显网络、默认模式网络)动态功能网络连通性(dFNC)的变化。

方法:于2020年2月-2021年3月采集15例酒精依赖患者和15例健康志愿者(正常对照组)的静息态fMRI数据。

对预处理后的fMRI数据进行独立成分分析以获得大脑网络成分,并通过滑动窗口方法生成大脑网络的动态功能连接矩阵。

并对所有dFNC矩阵应用k-means聚类算法确定大脑网络连接模式,获得受试者脑网络的时间属性。

最后,使用斯皮尔曼相关分析评估异常时间属性(时间分数、平均停留时间、转换次数)与酒精依赖量表(ADS)评分之间的关系。

结果:最终将15例志愿者和12例AD患者纳入本研究,并通过聚类分析得到四种重复出现的功能连接状态。

与对照组相比,AD组在弱连接状态下花费时间较长,但在中央执行网络和突显网络之间的强连接状态下花费时间较少(P均<0.05)。

双样本t检验结果显示,AD患者中央控制网络内的IC38与IC49之间的功能连接显著增强(P<0.05,FDR校正)。

结论:AD患者中央执行网络的功能连接发生了变化,本研究为探索酒精依赖的复杂神经病理学机制提供了一定的见解。

【总页数】8页(P181-188)【作者】曹景超;隋文禹;喻大华;薛婷【作者单位】内蒙古科技大学信息工程学院;内蒙古科技大学理学院【正文语种】中文【中图分类】R445.2【相关文献】1.基于静息态功能磁共振成像的动态功能连接分析及临床应用研究进展2.基于静息态功能磁共振成像的静态及动态功能连接分析方法研究进展3.基于三重网络模型的酒精使用障碍患者静息态fMRI研究4.基于静息态功能磁共振成像分析脑梗死患者功能连接强度5.基于V1区种子点应用静息态功能磁共振的功能连接技术分析正常眼压性青光眼患者脑部功能连接的变化因版权原因，仅展示原文概要，查看原文内容请购买。

电子科大毕业设计毕设题目

☆ 题目应精炼，能恰当概括主要任务；任务应结合科研、教学、实验等实际情况来下达；对主要任务的叙
明确，工作量和难易程度适度，符合本科毕业设计要求；
☆ 每位老师至少出题5个，最多7个；
☆ 11月20日前将此表汇总到各小组组长处，新增老师在对应小组添加自己的信息；
☆ 11月26－12月5日为选题时间，各位指导老师可以根据自己的情况明确几个学生选题的时间段和地点，以便和学生充分沟
务的叙述应语言流畅，任务内容和指标要求间段和地点，以便和学生充分沟通协商完成选题。

php编程
java 或者php编程
vc等方面的界面软件
oid开发经验
出题
联系老师出题
，可联系老师出题
可联系老师出题，可联系老师出题，可联系老师出题
联系老师出题。

不同空间配准模板对脑小血管病的静息态功能磁共振数据分析的影响

㊃影像学研究㊃不同空间配准模板对脑小血管病的静息态功能磁共振数据分析的影响王辉,李爽,王媛,宋海庆,张苗,卢洁摘要:目的探讨平面回波图像(e c h o p l a n a r i m a g i n g,E P I )与自建模板及微分同胚图像融合(D A R T E L )空间配准模板对脑小血管病(c e r e b r a l s m a l l v e s s e l d i s e a s e ,C S V D )的静息态功能磁共振成像(f M R I)数据分析的影响㊂方法选择2019年11月~2021年6月首都医科大学宣武医院神经内科门诊确诊的老年C S V D 患者36例为观察组,选择同期我院体检的性别㊁年龄匹配的健康志愿者35例为对照组,采集2组静息态f M R I 数据,用E P I 和D A R T E L2种空间配准模板分别对数据进行度中心度(D C )分析㊂分析观察组与对照组比较z 值化D C 图改变的脑区,采用错误发现率(F D R )校正㊂结果观察组与对照组在E P I 空间配准模板下得到的z 值化D C 图比较,无统计学差异(t =11.257,F D R 校正,P >0.05)㊂采用D A R T E L 空间配准模板发现,观察组与对照组比较z 值化D C 图激活降低的脑区位于双楔叶和左枕上回,D C 图激活增强的脑区位于双楔前叶㊁双后扣带回㊁双中央旁小叶㊁左楔叶,结果叠加在蒙特利尔神经研究所标准的T 1W I 图像上显示,连续体素>10个(F D R 校正,P <0.05)㊂结论对于老年C S V D 患者的静息态f M R I 数据分析,不同种类的空间配准模板对其结果的影响很大,老年亚裔C S V D 患者采用D A R T E L 模板更适合㊂D O I :10.3969/j.i s s n .1009-0126.2022.04.005基金项目:国家自然科学基金(81974261);北京市自然科学基金(Z 190014)作者单位:100053北京,首都医科大学宣武医院放射与核医学科磁共振成像脑信息学北京市重点实验室(王辉,李爽,张苗,卢洁),神经内科(王媛,宋海庆)通信作者:卢洁,E m a i l :i m a g i n gl u @h o t m a i l .c o m 关键词:大脑小血管疾病;磁共振成像;数据说明,统计;回波平面成像E f f e c t o f d i f f e r e n t s p a t i a l n o r m a l i z a t i o n t e m p l a t e s o n r e s t i n g-s t a t e f M R I d a t a a n a l ys i s o f c e r e b r a l s m a l l v e s s e l d i s e a s e W a n g H u i ,L i S h u a n g ,W a n g Y u a n ,S o n g H a i q i n g ,Z h a n g Mi a o ,L u J i e (D e p a r t m e n t o f R a d i o l o g y a n d N u c l e a r M e d i c i n e ,X u a n w u H o s p i t a l ,C a pi t a l M e d i c a l U n i v e r s i t y ,B e i j i n g 100053,C h i n a )A b s t r a c t :O b je c t i v e T o s t u d y t h e ef f e c t o f e c h o p l a n a r i m ag i n g (E P I ),s e l f -m a d e t e m p l a t e a n d d i f -f e o m o r phi c a n a t o m i c a l r e g i s t r a t i o n t h r o u g h e x p o n e n t i a t e d l i e (D A R T E L )s pa t i a l n o r m a l i z a t i o n t e m p l a t e o n r e s t i n g -s t a t e f M R I d a t a a n a l y s i s o f c e r eb r a l s m a l l v e s s e l d i s e a s e .M e t h o d s T h i r t y-s i x c e r e b r a l s m a l l v e s s e l d i s e a s e p a t i e n t s w h o v i s i t e d t h e O u t p a t i e n t D e p a r t m e n t o f o u r h o s pi t a l f r o m N o v e m b e r 2019t o J u n e 2021s e r v e d a s a n o b s e r v a t i o n g r o u p a n d 35s e x -a n d a ge -m a t c h e d v o l u n -t e e r s w h o u n d e r w e n t p h y s i c a l e x a m i n a t i o n i n o u r h o s p i t a l d u r i n gt h e s a m e p e r i o d s e r v e d a s a c o n -t r o l g r o u p .T h e i r r e s t i n g s t a t e f M R I d a t a w e r e r e c o r d e d .T h e d e g r e e c e n t r a l i t y (D C )o f r e s t i n gs t a t e f M R I d a t a w a s a n a l y z e d b y E P I a n d D A R T E L s p a t i a l n o r m a l i z a t i o n t e m p l a t e r e s p e c t i v e l y .T h e b r a i n r e g i o n s w i t h c h a n g e d D C i n t w o g r o u p s w e r e a n a l y z e d a n d a d j u s t e d b yt h e F D R.R e s u l t s N o s i g n i f i c a n t d i f f e r e n c e w a s d e t e c t e d i n z -v a l u e d D C d i s t r i b u t i o n g r a p h a c h i e v e d b y E P I s p a t i a l n o r m a l i z a t i o n t e m p l e t e b e t w e e n o b s e r v a t i o n g r o u p a n d c o n t r o l g r o u p (t =11.257,F D R -a d ju s t e d P >0.05).T h e r e s t i n g -s t a t e f M R I d a t a a n a l y s i s o f c e r e b r a l s m a l l v e s s e l d i s e a s e b y D A R T E L s pa -t i a l n o r m a l i z a t i o n t e m p l e t e s h o w e d t h a t t h e d e c e a s e d D C -a c t i v a t e db r a i n r e gi o n s w e r e l o c a t e d i n b i l a t e r a l c u n e u s a n d l e f t s u p e r i o r o c c i p i t a l g y r u s w h i l e t h e i n c r e a s e d D C -a c t i v a t e d b r a i n r e gi o n s w e r e l o c a t e d i n b i l a t e r a l p r e c u n e u s ,p o s t e r i o r c i n g u l a t e g y r u s ,pa r a c e n t r a l l ob u l e a n d l e f tc u n e u s ㊃153㊃中华老年心脑血管病杂志2022年4月第24卷第4期 C h i n J G e r i a t r H e a r t B r a i n V e s s e l D i s ,A pr 2022,V o l 24,N o .4(c o n s e c u t i v e v o x e l>10,F D R a d j u s t e d P<0.05).C o n c l u s i o n D A R T E L s p a t i a l n o r m a l i z a t i o n t e m p l a t e c a n s i g n i f i c a n t l y a f f e c t t h e r e s u l t s o f r e s t i n g-s t a t e f M R I d a t a n a l y s i s o f c e r e b r a l s m a l l v e s s e l d i s e a s e,a n d i s t h u s m o r e a p p r o p r i a t e f o r t h e r e s t i n g-s t a t e f M R I d a t a n a l y s i s o f A s i a n c e r e-b r a l s m a l l v e s s e l d i s e a s e p a t i e n t s.K e y w o r d s:c e r e b r a l s m a l l v e s s e l d i s e a s e s;m a g n e t i c r e s o n a n c e i m a g i n g;d a t a i n t e r p r e t a t i o n,s t a t i s t i-c a l;e c h o-p l a n a r i m a g i n g在静息态功能磁共振成像(f M R I)数据分析中,空间配准是将不同被试者的本地空间数据对齐到1个标准空间,理论上使得所有被试者的同一坐标指向标准空间的同一体素,便于后续进行基于体素的统计比较,发现有统计学意义的脑功能改变区[1]㊂实际应用策略可分为2类:一是利用蒙特利尔神经研究所(M o n t r e a l N e u r o l o g i c a l I n s t i t u t e,MN I)的平面回波图像(e c h o p l a n a r i m a g i n g,E P I)模板图,将其f M R I的功能图直接配准至MN I标准空间;二是借助结构像T1的信息将f M R I的功能图配准至MN I标准空间[2-3]㊂美国研究采用大样本量f M R I 数据对比这2类图像配准方法发现,第一种直接E P I空间配准模板被试者间变异度更低,后续统计分析得到的T值更高,认为E P I空间配准模板对样本的放大能力更好[4]㊂空间配准模板对多中心临床研究尤为重要,可使数据分析更易通过矫正得到阳性结果,且无需结构像数据在实际操作中更便捷㊂但是,E P I空间配准模板采自西方人种,国内亚裔与其脑结构区别较大,可能会降低配准的精确性,为了在实际应用层面探讨哪种空间配准模板更适于国内脑小血管病(c e r e b r a l s m a l l v e s s e l d i s e a s e,C S V D)的f M R I研究,本研究采用2种空间配准模板对数据进行了对比分析㊂1资料与方法1.1研究对象收集2019年11月~2021年6月首都医科大学宣武医院神经内科门诊确诊的C S V D 患者36例为观察组,其中男性21例,女性15例,年龄60~83(68.57ʃ5.67)岁㊂入组标准:(1)所有患者由神经内科医师进行认知功能评定为轻度认知障碍:应用简易智能状态检查量表和蒙特利尔认知评估量表;(2)头颅M R I检查发现至少以下一种病变:广泛脑白质疏松,皮质下多发腔隙性梗死;(3)无精神疾病史,无阿尔茨海默病史,志愿参加本研究且签署知情同意书㊂排除标准:M R I发现脑梗死灶,直径>15mm,脑外伤或手术史,精神疾病及阿尔茨海默病史,原发或继发脑肿瘤患者㊂选取同期在本院体检的性别㊁年龄与观察组患者匹配的健康志愿者35例为对照组,其中男性20例,女性15例,所有入选者无神经及精神系统疾病史,年龄60~80(66.78ʃ5.71)岁㊂1.2方法M R I数据采集使用G E公司生产的M R7503.0T超导M R I,采用8通道表面线圈,嘱被试者平卧,保持安静且闭目,用软垫固定头部㊂扫描范围从颅底至颅顶,包括全部脑组织㊂采用梯度回波E P I序列采集静息态f M R I数据,具体参数:重复时间1800m s,回波时间30m s,扫描时长234s㊂采用三维快速等体素颅脑成像序列采集T1W I:重复时间1600s,回波时间2.15s,扫描时间265s㊂1.3数据处理采用中国科学院心理研究所影像研究中心行为科学与磁共振重点实验室开发的D P A B I软件包以及统计参数图S P M8对所得数据进行分析㊂1.3.1数据预处理对所有功能图像进行处理:去掉功能图像前10个时间点;时间校正;头动校正(在此过程中对被试者个体头动校正后的所有图求平均得到平均图),头动平移<2mm和旋转移动<2ʎ的图像符合质控要求,所有被试者均达到质控标准入组分析㊂分别采用2种模板对所有被试者头动校正后的数据进行空间标准化配准㊂第1种为E P I模板,配准步骤为:先用线性配准将平均图大轮廓和E P I模板对齐,然后用非线性配准进行结构精细化对齐,直接变换参数矩阵完成从个体空间至标准MN I空间的配准㊂第2种为被试者平均自建模板及微分同胚图像融合(d i f f e o m o r p h i c a n a t o m i c a l r e g i s t r a t i o n t h r-o u g h e x p o n e n t i a t e d l i e a l g e b r a,D A R T E L)空间配准模板,具体步骤为:(1)T1结构像对齐至平均功能像;(2)对齐后的结构像进行分割(白质,灰质,脑脊液);(3)根据被试者个体的结构像分割数据生成自建模板D A R T E L(经过无数次迭代计算生成6个清晰度渐进的模板);(4)利用D A R T E L空间配准模板将个体空间配准至标准MN I空间㊂对被试者2种模板配准的数据分别进行滤波(0.01~0.08H z)㊁去线性漂移㊁移除除协变量,每㊃253㊃中华老年心脑血管病杂志2022年4月第24卷第4期 C h i n J G e r i a t r H e a r t B r a i n V e s s e l D i s,A p r2022,V o l24,N o.4个被试者得到2种完成空间预处理的脑功能图像㊂1.3.2 基于图论的度中心度(d e g r e e c e n t r a l i t y,D C )分析对被试者采用不同空间配准模板完成预处理的2种脑功能图分别进行D C 分析参照文献[5]计算,得到z 值化D C 图㊂在2种不同空间配准模板下得到观察组与对照组的z 值化D C 图:观察组采用E P I 配准模板后的D C 图(G 1-D C -E P I)㊁对照组采用E P I 配准模板后的D C 图(G 2-D C -E P I)㊁观察组用D A R T E L 配准模板的D C 图(G 1-D C -D A R T E L )以及对照组采用D A R T E L 配准模板后的D C 图(G 2-D C -D A R T E L )㊂1.4 统计学方法使用S P M 8在2种空间配准模板下,分别对2组z 值化D C 图进行两样本t 检验(G 1-D C -E P I 与G 2-D C -E P I 比较㊁G 1-D C -D A R T E L与G 2-D C -D A R T E L 比较),采用错误发现率(F D R )校正,均连续体素>10个,P <0.05为差异有统计学意义㊂2 结果2.1 2组D C -E P I 比较观察组与对照组在E P I空间配准模板下得到的z 值化D C 图,G 1-D C -E P I 与G 2-D C -E P I 比较,无统计学差异(t =11.257,F D R 校正,P >0.05)㊂2.2 2组D C -D A R T E L 比较观察组与对照组在D A R T E L 空间配准模板下得到的z 值化D C 图,G 1-D C -D A R T E L 与G 2-D C -D A R T E L 比较发现,观察组D C 激活降低的脑区位于双楔叶和左枕上回,D C 激活增强的脑区位于双楔前叶㊁双后扣带回㊁双中央旁小叶㊁左楔叶,结果叠加在MN I 的标准T 1WI 图像之上显示,连续体素>10个(F D R 校正,P <0.05,图1,表1)㊂注:深兰色至浅兰色代表D C 逐渐降低,红色至黄色代表D C 逐渐增强图1 基于D A R T E L 空间配准模板观察组与对照组比较D C 改变的脑区表1 基于D A R T E L 空间配准模板观察组与对照组比较D C 改变的脑区项目B A 激活范围(体素)t 值MN I 坐标x 轴y 轴z 轴降低区双楔叶19677.72112-9320 左楔叶和枕上回18155.114-3-9918增强区左楔叶,楔前叶7,31254.893-12-7527 双楔前叶,后扣带回29,30,23484.8563-4815左楔前叶7154.842-6-5142双中央旁小叶,楔前叶4,6204.5450-4269 右楔前叶7273.9236-6351 注:B A=布鲁德曼分区3 讨论C S VD 的发生率逐年上升,约40%患者合并认知障碍[6]㊂前期研究已证实,静息态f M R I 非常适合C S V D 的多中心研究[5]㊂因此,本研究延用了前期研究的扫描序列和D C 分析方法㊂C S V D 静息态f M R I 数据的D C 分析有其自身特点:首先患者年龄较大,伴各种异质性脑结构改变[7]㊂再次扫描得到的E P I 数据信号丢失和失真较大[8]㊂D C 分析过程不用平滑核增加被试者图像数据间的重叠[9-10]㊂这给被试者间解剖空间的对齐带来了挑战,影响结果的可靠性,因此选择合适的空间配准模板非常重要㊂目前2类静息态f M R I 空间配准方法各有优缺点㊂第一类直接采用MN I 的E P I 空间配准模板,优点在于与同类标准空间配准模板被试者间变异性低;缺点在于亚裔人和模板的匹配性较西方人差[11-12]㊂第二类为T 1结构像配准,传统步骤会先将结构像对齐至功能像的平均图,优点在于引入T 1结构图信息增加了个体图像和标准模板间的适配性;缺点在于相比结构像功能像分辨率低且变形度高,导致配准精确性下降㊂本研究采用了E P I 和D A R TE L 2种空间配准模板㊂D A R T E L 是目前最准确的T 1结构像配准法,相较传统T 1结构像配准的优点在于用被试者结构像分割后数据迭代生成6个分辨率逐渐提高的D A R T E L 模板[13]㊂这既解决了直接E P I 空间配准模板中适配性差的问题(尤其亚裔),又改善了传统T 1配准中功能和结构像分辨率差别大所致的配准精确性差的问题㊂这一应用早期多用于基于体素的形态计量学研究,目前已应用于静息态f M R I 的研究[14]㊂因此尽管美国研究证实E P I 配准的被试者间一致性更高,统计分析效力更大[4]㊂但该研究对象为西方人,且采用的是传统T 1结构像配准,我们认为该结论不能直接套用到国㊃353㊃中华老年心脑血管病杂志2022年4月第24卷第4期 C h i n J G e r i a t r H e a r t B r a i n V e s s e l D i s ,A pr 2022,V o l 24,N o .4内研究,对于亚裔C S V D患者D A R T E模板可能更合适㊂本研究发现,2组E P I配准模板分析差异无统计学意义㊂D A R T E L配准模板分析发现,观察组与对照组比较,最大的改变(T值最高)为双楔叶和左枕上回D C激活降低㊂楔叶参与基本视觉加工㊁工作记忆以及注意力等效应调节[15]㊂轻度认知障碍C S V D患者常有视空间和执行能力下降㊂执行能力下降的甲状腺功能减退患者双楔叶D C下降[16]㊂轻度认知障碍患者双楔叶各项分数异性显著下降[17]㊂大脑正常老化损伤倾向于脑前部,脑血管危险因素的损伤倾向于向脑后部扩散,枕叶尤其易损且常伴认知障碍[18]㊂这都提示D A R T E L配准模板数据分析可发现患者有临床意义的脑功能改变㊂本研究用2种不同空间配准模板对被试者的静息态f M R I数据进行处理,后续的结果迥异,采用D A R TE L空间配准模板得到有意义的结果,采用E P I空间配准模板没有得到阳性结果㊂这在临床应用层面证实了不同空间配准模板对最终结果的影响很大,对脑结构变异性大,且和E P I配准模板适配性差的亚裔C S V D患者而言,D A R T E L配准模板更适用,组间比较更易得到阳性统计学结果,这对日后多中心研究数据的统一分析有很好的指导意义㊂利益冲突所有作者均声明不存在利益冲突参考文献[1] B h a g w a t N,B a r r y A,D i c k i e E W,e t a l.U n d e r s t a n d i n g t h e i m-p a c t o f p r e p r o c e s s i n g p i p e l i n e s o n n e u r o i m a g i n g c o r t i c a l s u r-f a c e a n a l y s e s[J].G ig a s c i e n c e,2021,10(1):g i a a155. D O I:10.1093/g i g a s c i e n c e/g i a a155.[2] D o h m a t o b E,V a r o q u a u x G,T h i r i o n B.I n t e r-s u b j e c t r e g i s t r a-t i o n o f f u n c t i o n a l i m a g e s:d o w e n e e d a n a t o m i c a l i m a g e s?[J].F r o n t N e u r o s c i,2018,12:64.D O I:10.3389/f n i n s.2018.00064.[3]v a n d e r Z w a a g W,B u u r P F,F r a c a s s o A,e t a l.D i s t o r t i o n-m a t c h e d T1m a p s a n d u n b i a s e d T1-w e i g h t e d i m a g e s a s a n a-t o m i c a l r e f e r e n c e f o r h i g h-r e s o l u t i o n f M R I[J].N e u r o i m a g e,2018,176:41-55. D O I:10.1016/j.n e u r o i m a g e.2018.04.026.[4] C a l h o u n V D,W a g e r T D,K r i s h n a n A,e t a l.T h e i m p a c t o f T1v e r s u s E P I s p a t i a l n o r m a l i z a t i o n t e m p l a t e s f o r f M R I d a t a a n a-l y s e s[J].H u m B r a i n M a p p,2017,38(11):5331-5342. D O I:10.1002/h b m.23737.[5]王辉,李爽,王媛,等.静息态功能磁共振成像在脑小血管病研究中的优化应用[J].中华老年心脑血管病杂志,2019,21(9):901-905. D O I:10.3969/j.i s s n.1009-0126.2019.09.002.[6] D e y A K,S t a m e n o v a V,T u r n e r G,e t a l.P a t h o c o n n e c t o m i c s o fc o g n i t i v e i m p a i r m e n t i n s m a l l v e s s e ld i se a s e:a s y s t e m a t i c r e-v i e w[J].A l z h e i m e r s D e m e n t,2016,12(7):831-845. D O I:10.1016/j.j a l z.2016.01.007.[7] L i n M P,B r o t t T G,L i e b e s k i n d D S,e t a l.C o l l a t e r a l r e c r u i t-m e n t i s i m p a i r e d b y c e r e b r a l s m a l l v e s s e l d i s e a s e[J].S t r o k e, 2020,51(5):1404-1410. D O I:10.1161/S T R O K E A H A.119.027661.[8] A n d e r s s o n J L R,G r a h a m M S,D r o b n j a k I,e t a l.T o w a r d s ac o m p r e h e n s i v e f r a m e w o r k f o r m o v e m e n t a nd d i s t o r t i o n c o r-r e c t i o n o f d i f f u s i o n M R i m a g e s:w i t h i n v o l u m e m o v e m e n t[J].N e u r o i m a g e,2017,152:450-466. D O I:10.1016/j.n e u r o i m-a g e.2017.02.085.[9] P a r k B Y,B y e o n K,P a r k H.F u N P(f u s i o n o f n e u r o i m a g i n gp r e p r o c e s s i n g)p i p e l i n e s:a f u l l y a u t o m a t e d p r e p r o c e s s i n gs o f t w a r e f o r f u n c t i o n a l m a g n e t i c r e s o n a n c e i m a g i n g[J].F r o n tN e u r o i n f o r m,2019,13:5. D O I:10.3389/f n i n f.2019.00005.[10]S h e n g J,Z h a n g L,F e n g J,e t a l.T h e c o u p l i n g o f B O L D s i g n a lv a r i a b i l i t y a n d d e g r e e c e n t r a l i t y u n d e r l i e s c o g n i t i v e f u n c t i o n sa n d p s y c h i a t r i c d i s e a s e s[J].N e u r o i m a g e,2021,237:118187.D O I:10.1016/j.n e u r o i m a g e.2021.118187.[11] C h a i Y,L i L,W a n g Y,e t a l.M a g n e t i z a t i o n t r a n s f e r w e i g h t e dE P I f a c i l i t a t e s c o r t i c a l d e p t h d e t e r m i n a t i o n i n n a t i v e f M R Is p a c e[J].N e u r o i m a g e,2021,242:118455. D O I:10.1016/j.n e u r o i m a g e.2021.118455.[12] L e e S H,B r o a d w a t e r MA,B a n W,e t a l.A n i s o t r o p i c E P I d a t a-b a s e a n d a n a l y t ic a l p i p e l i n e s f o r r a t b r a i n r e s t i n g-s t a t e f M R I[J].N e u r o i m a g e,2021,243:118541. D O I:10.1016/j.n e u-r o i m a g e.2021.118541.[13] G a n z e t t i M,T a b e r n a G A,M a n t i n i D.f M R I d a t a p r o c e s s i n g i nM R T O O L:t o w h a t e x t e n t d o e s a n a t o m i c a l r e g i s t r a t i o n a f f e c t t h e r e l i a b i l i t y o f f u n c t i o n a l r e s u l t s[J].B r a i n I m a g i n g B e-h a v,2019,13(6):1538-1553.D O I:10.1007/s11682-018-9986-x.[14] Y a n C G,W a n g X D,Z u o X N,e t a l.D P A B I:d a t a p r o c e s s i n g&a n a l y s i s f o r(r e s t i n g-s t a t e)b r a i n i m a g i n g[J].N e u r o i n f o r m a t-i c s,2016,14(3):339-351. D O I:10.1007/s12021-016-9299-4.[15] R o s e n M L,S h e r i d a n MA,S a m b r o o k K A,e t a l.T h e r o l e o fv i s u a l a s s o c i a t i o n c o r t e x i n a s s o c i a t i v e m e m o r y f o r m a t i o na c r o s s d e v e l o p m e n t[J].J C o g n N e u r o s c i,2018,30(3):365-380. D O I:10.1162/j o c n_a_01202.[16] Göb e l A,Göt t l i c h M,H e l d m a n n M,e t a l.E x p e r i m e n t a l l y i n-d u ce d s u b c l i n i c a l h y p o t h y r o i d i s m c a u s e s d e c r e a s e df u n c t i o n a lc o n n e c t i v i t y o f t h e c u n e u s:a r e s t i n g s t a t e f M R I s t ud y[J].P s y c h o n e u r o e n d o c r i n o l o g y,2019,102:158-163.D O I:10.1016/j.p s y n e u e n.2018.12.012.[17] C o o l e y S A,C a b e e n R P,L a i d l a w D H,e t a l.P o s t e r i o r b r a i nw h i t e m a t t e r a b n o r m a l i t i e s i n o l d e r a d u l t s w i t h p r o b a b l e m i l dc o g n i t i v e i m p a i r m e n t[J].J C l i n E x p N e u r o p s y c h o l,2015,37(1):61-69. D O I:10.1080/13803395.2014.985636. [18] R i e d e r e r I,B o h n K P,P r e i b i s c h C,e t a l.A l z h e i m e r d i s e a s e a n dm i l d c o g n i t i v e i m p a i r m e n t:i n t e g r a t e d p u l s e d a r t e r i a l s p i n-l a b e l i n g M R I a n d18F-F D G P E T[J].R a d i o l o g y,2018,288(1):198-206. D O I:10.1148/r a d i o l.2018170575.(收稿日期:2021-10-29)(本文编辑:纪艳明)㊃453㊃中华老年心脑血管病杂志2022年4月第24卷第4期 C h i n J G e r i a t r H e a r t B r a i n V e s s e l D i s,A p r2022,V o l24,N o.4。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

图 1 网络识别流程图
4 检验结果分别挑选出每个受试者的 2 个 RSN 成分后，采用 SPM8 软件的
单样本 T 检验观察每个 RSN 的解剖位置空间分布图，结果以 P<0.05 ( false discovery rate,FDR 校正)阈值水平显示。图 2，图 3 分别为 sICA 方法分离出的 DMN 和 SMN 两个网络的空间位置分布图，两幅图的左边均为右利手的 RSN 分布模式，右边为左利手的 RSN 分布模式。两个空间分布模式如下： 4.1 默认网络（DMN）标准的 DMN 的空间分布模式为扣带回后皮质/楔前叶、内侧前额叶皮质、双侧内侧颞叶及外侧颞下回；统计检验
神经学人标准脑模板空间，并进行空间再采样，使得每个体素的大小为 3mm×3mm×3mm；④空间平滑，为了确保图像数据具有高信噪比，采用半高全宽为 8mm 高斯核进行数据平滑。 2 空间独立成分分析
采用空间独立成分分析（sICA）的方法对静息态网络进行分离并检测，ICA 算法由 GIFT 软件实现。首先，根据 GIFT 软件提供的基于" 最小描述长度"准则，评估出最佳分解成分数，本研究中右利手评估出 42 个成分数，左利手评估出 41 个成分数；然后，采用空间 ICA 算法，该方法是将在每个时间点扫描得到的图像数据看成一个混合成分，进行独立成分分析，得到一系列独立的图像以及与图像相对应的时间序列，再根据阈值予以个体图像与时间序列再建造；最后，对各个独立成分分别进行归一化处理，转换为 z 值。 z 值反映的是单个体素的时间序列和整个独立成分的平均时间序列相关系数的度量，z 值越大，表示的功能连接就越强。 3 静息态脑网络分离识别
独立成分分析法 (independent component analysis,ICA) 是基于信号高阶统计特性的分析方法 , 广泛应用于功能磁共振（fMRI）数据处理研究中， [1,2] 由于 fMRI 数据的空间维数远大于时间维数，因此空间独立成分分析在 fMRI 图像处理中占有重要作用。传统的方法从整个大脑出发去研究左右利手的差异性显得太粗糙，而从网络连接和静息态层次上也许能更好地理解利手人群的神经生理机制。静息态脑网络（resting state network,RSN）是由自发神经元活动组成的一系列具有特异性的空间模式，主要包括感觉运动、视觉、听觉、语言、工作记忆以及默认网络[3]，其中默认网络（default mode network, DMN）在静息态时能量代谢，脑自发活动都远远高于其他网络，而在参与认知任务时呈现 " 负激活 "[4] ；而感觉运动网络（somato-motor network,SMN）则能反映后期的运动对其可塑性的改变。利用空间 ICA 的分析方法从左右利手静息态 MRI 图像中提取出这两个重要网络，可在网络连接层面分析左右利手人群的脑拓扑特性差异。 1 数据预处理
编辑/申磊
医院病理实时监护系统的设计与实现
刘峰胡云 (宁夏医科大学总医院信息中心，宁夏银川 750004)
摘要：随着我国人口老龄化加速，传统监护方式与医护人员数量不足之间的矛盾日益凸显， HMIS 系统解决了此问题。本文详细介绍 HMIS 的系统设计及软件框架，并用伪码描述关键技术实现及算法介绍。 HMIS 系统已顺利运行，效果显著。关键词：病理监护；实时传输；批量导入
差异的，要分析左右利手人群中这两个重要网络拓扑性质的差异同人的认知及行为的联系，还需要结合功能磁共振图像的网络分析方法做进一步的研究。参考文献： [1] 公昱文 ,张桂芸 ,马洪芝 .ICA 算法在 Fmri 中的应用 [J].计算机工程与科学， 2008,30（1）：37-38. [2]Yang, W, et al. Independent component analysis -based classification of Alzheimer's disease MRI data. J Alzheimers Dis, 2011,24(4):775-783. [3]杨志根 .基于独立成分分析的 fMRI 脑静息态网络特性研究 [D].南京：南京航天航空大学 ,2008. [4]Raichle, M.E, et al. A default mode of brain function. Proc Natl Acad Sci U S A,2001,98(2):676-682. [5]Gusnard, D.A,et al. Medial prefrontal cortex and self-referential mental activity: relation to a default mode of brain function. Proc Natl Acad Sci U S A, 2001,98 (7):4259-4264.
为了避免磁共振机器的匀场效应首先去除功能像的前 10 个时间点的数据。采用 SPM8（statistical parametric mapping）软件[5]进行图像预处理：①时间校正，以中间层采集的时间为基准，对受试者在每个时间点上的数据进行采集时间差异的校正；②空间对齐，将全部时间点的数据在空间上与第一个时间点采集的数据对齐，得到受试者在扫描时间序列中的头动参数，其中平动大于 3.0mm，旋动大于 3.0°的 3 例患者数据被剔出；③空间标准化，将数据配准到蒙特利尔
基于空间ICA的fMRI静息态脑网络的分离研究
作者：作者单位：刊名：
英文刊名：年，卷(期)：
杨国城，李佳凌，钟丽莎，肖波泸州医学院基础医学院,四川,泸州,646000
医学信息 MEDICAL INFORMATION 2012,25(9)
参考文献(5条) 1.公昱文;张桂芸;马洪芝 ICA 算法在Fmri 中的应用 2008(01) 2.Yang,W Independent component analysis -based classification of Alzheimer's disease MRI data 2011(04) 3.杨志根基于独立成分分析的fMRI 脑静息态网络特性研究[学位论文] 2008 4.Raichle,M.E A default mode of brain function 2001(02) 5.Gusnard,D.A Medial prefrontal cortex and self-referential mental activity:relation to a default mode of brain function 2001(07)
摘要：解剖结构研究发现左利手的大脑左右半球比右利手的更对称，而左右利手人群的功能磁共振影像差异的研究甚少，因此开展功能脑网络的研究有利于认识利手人群大脑拓扑特性的差异。为了更精确地理解利手人群的神经生理机制，本文基于功能磁共振的静息态图像，采用空间独立成分分析的方法分离出左右利手的默认网络（DMN）和感觉运动网络（SMN），为一步揭示与左右利手相关的生理特性差异做铺垫。关键词：左右利手；静息态；功能脑网络；空间独立成分分析
万方数据
图 2 HMIS 系统功能模块图患者信息管理：系统记录有患者基本信息，例如：姓名、性别、年龄、既往病史、入住科室、入院时间、主治医生、病症等等信息，并通过此模块查询；信息来源于 HIS，本系统预留病例信息导入功能，提供接口与 HIS 进行对接，以确保医院信息管理系统的数据统一，有利于信息系统整体升级和管理。警报管理：管理异常警报信息。警报信息包括患者基本信息和体征数据，加密后传送[1-2]。警报信息的触发方式包括两种：①系统触发：当系统监测到患者生命体征脱离正常值并已达到警报阈值后，由系统向患者和医生所携带终端主动发出报警信息； ②患者触发：患者遇紧急事件时可通过携带的无线监护器主动发出警报，系统收到警报后即刻转给医生所携带的终端。实时信息查询：实时查询患者的生命体征，运行流程为：发出指令→传感器接收并反馈 " 已接收 " 讯号给控制台→传感器采集数据并反馈给控制台。监控权限管理：为保护患者隐私，只有匹配权限的用户才可查询患者的体征信息，例如：主治医生有权限查询患者的体征数据，此模块的功能就是配置权限，配置方法有两种：①页面配置：在 web 页面操作，配置用户的使用权限；②通过系统提供的 Excel 文件模板，填写需要配置的信息，将 Excel 上传至系统，系统自动进行批量配置；标准数据平台：此模块用于设置各类体征数据的标准值，超出此标准值的数据即触发警报，此模块会记录修改标准数据的历史轨迹；标准数据设置方式包括两种：①Excel 批量导入：系统提供 excel 模板，用户将需要设置的数据记录其中，将 excel 导入系统即可；② web 页面设置；web 页面支持单条信息的修改。报表管理：提供多视角多维度统计病理数据的功能，用于辅助教学研究。系统管理：此模块为系统管理员专用，包括数据备份、用户管理、病例信息导入；其中病例信息导入的功能是将本系统所需的患者数
4.2 感觉运动网络（SMN）双侧中央前后回及辅助运动区，见图 3。
图 SMN 的空间位置分布图 5 总结
由本研究可以看出，ICA 技术在医学图像处理中得到了较为重要的应用，基于空间 ICA 的方法能将 FMRI 图像中的静息态脑网络精确的提取出来。单样本 T 检验结果显示的左右利手有着典型的 RSN 空间分布模式，从我们的结果可以看出两组人的分布模式是有
后的 DMN 的空间位置分布结果显示用 sICA 分析方法分离出的默认网络区域主要在公认的默认网络区域中，见图 2。
收稿日期：2012-11-15