本发明涉及一种新型动态网络时间序列的分析方法，具体地涉及一种动态网络微状态检测方法。
背景技术：
网络分析无处不在，而动态网络分析技术将静态网络观察在时间上进行延伸，进而获得网络的动态演变时序和规律。脑网络是网络分析中非常重要的一个分支，研究大脑网络长程或短程的动态改变都十分有利于研究大脑系统性的工作机制。具体地，大脑功能网络反应的就是大脑各个区域之间的信息沟通和功能联系。大脑在开展不同的任务时都存在不同的网络组织模式，尽管处于静息态下，也能看到功能网络的动态特性。这种动态特征所反映的就是大脑功能微观状态的存在及其之间的转变。能够准确获取、观测这种微状态十分重要，并且能够有利于结果的理解和解释在目前研究领域依然困难。因而本发明基于图论结合脑网络中的信息集散理论提出了微状态检测的新方法。
技术实现要素：
针对现有技术存在的问题，本发明提供一种动态网络微状态检测方法，该方法基于图论和大脑网络信息集散理论提出基于节点中心度度量的网络动态监测，以此反应动态网络时序变化的局部时间聚集现象，并通过聚类分析获取具有一定生理意义和信息特征的微状态。
本发明的技术方案如下：
一种动态网络微状态检测方法，包括如下步骤：
步骤1，构建动态网络时间序列模型{gt}；
步骤2，计算模型{gt}中每个时刻下t网络节点的特征向量中心度c(i,t)；
步骤3，对节点中心度c(i,t)进行归一化样本z(i,t)；
步骤4，通过kmeans++对归一化样本z(i,t)进行聚类计算。
所述步骤2节点的特征向量中心度c(i,t)采用如下公式(1)获得：
所述步骤3中归一化数值z(i,t)采用如下公式(2)获得：
z(i，t)＝[c(i，t)-μ]/σ.(2)
所述步骤4中采用kmeans++进行聚类计算步骤：
1)对归一化的特征样本数据集z(t),随机选取一个样本作为第一个聚类中心c1；
2)计算样本中每个样本与当前聚类中心之间的最短距离d(z)；
3)通过公式(3)计算数据集z(t)每个样本成为下一个聚类中心的概率，且概率最高的样本被选为下一个聚类中心；
4)重复步骤2)～3)直到选择出k个聚类中心(c1，c2，...，ci，...，ck)；
5)根据k个聚类中心，计算数据集z(t)中每个样本与k个聚类中心的距离，将每个样本分到与其距离最近的聚类中心ci所对应的类子集ci中；分类结束后通过公式(4)重新计算聚类中心ci
6)重复步骤5)直到ci位置稳定。
本发明的优点
本发明基于节点中心度度量进行微状态的检测，其得到的结果能更清晰地反应动态网络序列的时变规律。由于节点中心度是网络信息集散程度的一个体现，因而根据节点重要程度的时间变化规律得到的微状态以及微状态变化时序是网络中信息活动的体现。该技术发明不仅能得到稳定的动态网络微状态，还能得到具有明确信息学意义的微状态描述。
附图说明
图1是本发明一种动态网络微状态聚类检测方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本发明提供一种动态网络微状态检测方法，包括如下步骤：
101步骤1，构建动态网络时间序列模型{gt}；如下内容是本发明中动态网络时间序列模型{gt}详细描述：
v表示一系列节点，是对某个事物的系统性描述。节点之间的功能性或结构性的联系可以构成相应的节点间连接——边e。v和e功能构成一个网络g:＝(v,e)，是对某个事物功能或者结构行为的系统表述。对这些节点在一个连续时间尺度上进行观测能得到一个时间连续的网络序列{gt}(t＝1,2,3,…，m)；vi(i＝1,2,3,…,n)表示网络中的n个节点；ejk(j,k＝1,2,3,…,n)表示节点j和节点k之间的连接(二值或加权)。
102步骤2，计算模型{gt}中每个时刻下t网络节点的特征向量中心度c(i,t)；
所述步骤2节点的特征向量中心度c(i,t)采用如下公式(1)获得：
特征向量中心度(eigenvectornodecentrality)是图论分析中局部节点中心度的一种分值度量。网络中每个结点都有一个相对指数值，这个值是基于原则——高分值节点的连接对一个结点的贡献度比低分值节点的贡献度高。
103步骤3，对节点中心度c(i,t)进行归一化样本z(i,t)；每一时刻t下的节点中心度得分进行归一化，处于标准差减去均值。
所述步骤3中归一化数值z(i,t)采用如下公式(2)获得：
z(i，t)＝[c(i，t)-μ]/σ.(2)
104步骤4，通过kmeans++对归一化样本z(i,t)进行聚类计算，所述步骤4中采用kmeans++进行聚类计算步骤：
1)对归一化的特征样本数据集z(t)中随机挑选1个样本z当起始聚类中心c1；
2)计算样本中每个样本与当前聚类中心之间的最短距离d(z)；
3)通过公式(3)计算数据集z(t)每个样本成为下一个聚类中心的概率，且概率最高的样本被选为下一个聚类中心；
概率最高的一个点，被选为下一个聚类中心；
4)重复步骤2)～3)直到选择出k个聚类中心(c1，c2，...，ci，...，ck)；
5)进行k-means算法：
针对数据集中的每个样本z(t)，计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
针对每个类别ci,重新计算它的聚类中心(即属于该类的所有样本的质心)
6重复步骤5)直到ci位置稳定。
聚类结果主要包括k个聚类中心(c1，c2，...，ci，...，ck)(维度为k×n)，即k个微状态，取值大小代表节点中心度的相对大小；以及类别标签l(维度1×m)，取值为1,2,3,…,k,代表某个时刻的网络g属于k个聚集类的哪一个类。
将每个类ci的n各节点按取值大小排列，排名靠前的节点为该状态下最重要的节点；同时通过l找到属于该ci的所有时刻，将对应的网络连接矩阵求均值或中值，可得到该微状态下的网络连接矩阵。