用于复杂网络的功能性网络分析系统及分析方法与流程

本发明属于数据处理与分析技术领域，尤其涉及一种用于复杂网络的功能性网络分析系统及分析方法。

背景技术：

目前运用于表现大脑功能性网络链结的技术首推功能性核磁共振之临床显影系统(aclinicalimagingsystemusingfunctionalmagneticresonanceimaging,fmri),此系统运用脑血流中血液函氧度(bloodoxygenationleveldependent，bold)或水分子的扩散浓度权重后的核磁共振显影(thediffusion-weightedmagneticresonanceimaging,dwiordw-mri)或是扩散张量影像(diffusiontensorimages,dti)来表现大脑中的功能性活动。然而，不论bold或者dti都是低时间分辨率的讯号无法精确得反应实际事件刺激的所产生的脑部功能性的心智活动。再者，核磁共振的检查价格昂贵。相较于核磁共振造影技术，脑电波技术是一个具备方便性、非侵入式并可以量测全脑高频动态脑电波活动的技术。低造价与高时间分辨率是脑电波系统的两大优势；同时，跨频相位与振幅耦合分析(cross-frequencyphase-amplitudecoupling,cf-pac)是一个新的数据工具，应用于量化信号中低频成分之相位与高频成份之振幅两者间的耦合关系，可以表现到脑中功能反应的动态特征。原cf-pac通常采用带通滤波器组(band-passfilterbank)来撷取不同设定频段的信号成分；然而带通滤波器是一个线性的技术，并不那么适用于复杂网络中非线性非稳态数据的分解。

鉴于此，有必要提供一种用于复杂网络的功能性网络分析系统及分析方法。

技术实现要素：

本发明针对上述技术问题，提出一种能够用于复杂网络的功能性网络分析系统及分析方法以解决上述技术问题。

为了达到上述目的，本发明采用的技术方案为：

一种用于复杂网络的功能性网络分析系统，包括：多重信号源量测单元、自适应信号拆解功能单元及跨频耦合分析单元，其中，所述多重信号源量测单元、所述自适应信号拆解功能单元及所述跨频耦合分析单元依次连接；

所述多重信号源量测单元，用于对复杂网络中的信号源进行量测，并将量测的各信号源数据发送至所述自适应信号拆解功能单元；

所述自适应信号拆解功能单元，用于接受所述多重信号源量测单元发送的所述各信号源数据，通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元；

所述跨频耦合分析单元，用于接受所述自适应信号拆解功能单元发送的各信号源数据分解出的若干阶固有模态函数，并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。

作为优选，还包括功能性网络分析单元，所述功能性网络分析单元与所述跨频耦合分析单元连接；

所述功能性网络分析单元，用于接受所述跨频耦合分析单元发送的相关系数矩阵，并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系；其中，所述功能性网络的属性指标包括聚类系数、特征路径长度及节点的度。

作为优选，还包括人机交互设备，所述人机交互设备与功能性网络分析单元连接；

所述人机交互设备，用于向用户显示人机交互界面，并接受所述功能性网络分析单元发送的所述功能性网络连接关系，并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。

作为优选，所述人机交互设备还与所述多重信号源量测单元连接，用于获取用户在所述人机交互界面输入的信号源量测指令，并将所述信号源量测指令发送给所述多重信号源量测单元；其中，所述信号源量测指令包括信号源数目及信号源种类。

作为优选，所述跨频耦合分析单元包括固有模态函数选定模块及相关系数矩阵生成模块；

所述固有模态函数选定模块，用于从若干阶固有模态函数中选定前n阶固有模态函数；

所述相关系数矩阵生成模块，用于根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合，而生成c(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系；

其中，c(n,2)为排列组合，即c(n,2)＝n*(n-1)/2；m为信号源个数；所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异，并作为信号源之间低频相位与高频幅值的耦合关系的度量指标，其中，1≤i≤n-1，i+j≤n，j为大于或等于1的整数。

一种用于复杂网络的功能性网络分析方法，采用前述的用于复杂网络的功能性网络分析系统，其特征在于：所述方法依次包括：

步骤s1:多重信号源量测单元对复杂网络中的信号源进行量测，并将量测的各信号源数据发送至自适应信号拆解功能单元；

步骤s2:所述自适应信号拆解功能单元接受所述多重信号源量测单元发送的所述各信号源数据，并通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至跨频耦合分析单元；

步骤s3:所述跨频耦合分析单元接受所述自适应信号拆解功能单元发送的各信号源数据分解出的若干阶固有模态函数，并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。

作为优选，还包括步骤s4：功能性网络分析单元接受所述跨频耦合分析单元发送的相关系数矩阵，并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系。

作为优选，还包括步骤s0：所述人机交互设备向用户显示人机交互界面，并获取用户在所述人机交互界面输入的信号源量测指令，并将所述信号源量测指令发送给所述多重信号源量测单元，其中，所述信号源量测指令包括信号源数目及信号源种类。

作为优选，还包括步骤s5：所述人机交互界面接受所述功能性网络分析单元发送的所述功能性网络连接关系，并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。

作为优选，所述步骤s3还包括以下步骤：

步骤s31：固有模态函数选定模块从若干阶固有模态函数中选定前n阶固有模态函数；

步骤s32：相关系数矩阵生成模块根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合，而生成c(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系；

其中，c(n,2)为排列组合，即c(n,2)＝n*(n-1)/2；m为信号源个数；所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异，并作为信号源之间低频相位与高频幅值的耦合关系的度量指标，其中，1≤i≤n-1，i+j≤n，j为大于或等于1的整数。

本发明的优点和积极效果在于：

1、本发明的用于复杂网络的功能性网络分析系统及分析方法采用了适用于非线性数据自适性分解的技术(经验模态分解法,emd)作为本发明数据处理的基础，本发明采自适性数据分解技术可以满足非线性非稳态数据分解的四个必要条件：完整性(complete)、正交性(orthogonal)、局部性(local)以及自适性(adaptive)，适用于复杂网络中非线性非稳态数据的分解。

2、本发明中的所述用于复杂网络的功能性网络分析系统及分析方法其信号源的耦合关系可以是不同位置相同种类信号源的耦合关系，亦可拓展到相同或不同位置之不同种类信号源间的耦合关系，其多个讯号源间的耦合关系，反应复杂系统中之不同频段间功能性网络链结的动态特性。

3、本发明的所述用于复杂网络的功能性网络分析系统及分析方法采用自适性的数据分解后，各频段间的耦合关系可以系统化自动的分析，通过相关系数矩阵(correlationmatrix)来表现个信号源之间的功能性连接关系，本发明所谓的自动(automatically)指的是个频段成分的拆解是依据数据本身的特性，而非事先设定的频段以线性带通滤波人工设定的方式进行数据分解。

4、本发明的所述用于复杂网络的功能性网络分析系统及分析方法以图论中不同的属性参数，如代表特征路径长度、聚类系数以及节点的度等，这些参数可以分别表现系统整体或个别单一信号源与其他信号源间的功能性网络的动态特性。

附图说明

图1为本发明用于复杂网络的功能性网络分析系统的结构示意图；

图2为本发明用于复杂网络的功能性网络分析的工作流程图；

图3为具体实施例之年长健康受测者在闭眼休息状态下的21导极脑电波信号；

图4为具体实施例之年长健康受测者在闭眼状态下fp1脑电波经过经验模态分解法得到的10阶固有模态函数；

图5为具体实施例之单一信号源前六阶固有模态函数的15个频段组合的低频相位与高频幅值的概率密度分布图；

图6为具体实施例之21个信号源(即21个脑电波导极)之前六阶固有模态函数间15个频段组合的相关系数矩阵；

图7为具体实施例之以图论来表现大脑功能性网络连接关系的地形图；

其中，1、多重信号源量测单元；2、自适应信号拆解功能单元；3、跨频耦合分析单元；4、功能性网络分析单元；5、人机交互设备。

具体实施方式

下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。

在本发明的描述中，需要说明的是，术语“设置”、“连接”、“相连”应做广义理解，例如，可以是直接连接，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的含义。

一种用于复杂网络的功能性网络分析系统，包括：多重信号源量测单元1、自适应信号拆解功能单元2及跨频耦合分析单元3，其中，所述多重信号源量测单元1、所述自适应信号拆解功能单元2及所述跨频耦合分析单元3依次连接；

所述多重信号源量测单元1，用于对复杂网络中的信号源进行量测，并将量测的各信号源数据发送至所述自适应信号拆解功能单元2；其中，所述多重信号源量测单元1设置有感测元件阵列，以量测复杂网络中来自不同位置或者元件的相同种类的信号源，也可以是相同位置或者元件的不同种类的信号源；

所述自适应信号拆解功能单元2，用于接受所述多重信号源量测单元1发送的所述各信号源数据，通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元3；

所述跨频耦合分析单元3，用于接受所述自适应信号拆解功能单元2发送的各信号源数据分解出的若干阶固有模态函数，并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵；

特别地，所述跨频耦合分析单元3包括固有模态函数选定模块及相关系数矩阵生成模块；所述固有模态函数选定模块，用于从若干阶固有模态函数中选定前n阶固有模态函数；所述相关系数矩阵生成模块，用于根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合，而生成c(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系；

其中，c(n,2)为排列组合，即c(n,2)＝n*(n-1)/2；m为信号源个数；所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异，并作为信号源之间低频相位与高频幅值的耦合关系的度量指标，其中，1≤i≤n-1，i+j≤n，j为大于或等于1的整数；低频相位与高频幅值概率密度分布可以利用单一统计的相关系数来表现其耦合特性，如代表相对熵的kl距离(kullback–leiblerkldistance)；kl距离表现的是相位与幅值概率密度分布与均匀的概率分布间之差异；差异越大(kl距离越大)则代表幅值的概率密度集中在特定的相位，显示低频相位与高频幅值存在耦合关系；反之，若相位与幅值概率密度分布近似于均匀的概率分布，则显示低频相位与高频幅值间的耦合关系薄弱(kl距离则小)；特别地，特定频段间的低频相位与高频幅值间的耦合关系可呈现为二维全息谱形式，二维全息谱所呈现的跨频相位与振幅耦合分析的量化指标所包含的两个维度跨频耦合关系，第一维度是低频相位的固有模态函数的阶数，第二维度是高频幅值的固有模态函数的阶数。

进一步地，所述用于复杂网络的功能性网络分析系统还包括功能性网络分析单元4，所述功能性网络分析单元4与所述跨频耦合分析单元3连接；

所述功能性网络分析单元4，用于接受所述跨频耦合分析单元3发送的相关系数矩阵，并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系；图论是离散数学的一个分支，它的研究对象是从实际问题中抽象出来的，用节点(顶点)和支路(边)构成的线图，简称为图，其中，所述功能性网络的属性指标最主要最基本的包括聚类系数、特征路径长度及节点的度；所述聚集系数是表示一个图形中节点聚集程度的系数，用于衡量复杂网络的聚集程度；特征路径长度：在网络中，任选两个节点，连通这两个节点的最少边数，定义为这两个节点的路径长度，网络中所有节点对的路径长度的平均值，定义为网络的特征路径长度，表征网络的全局特征；节点的度包括节点的点度及节点的强度，节点的点度度是指和该节点相关联的边的条数，又称关联度；节点的强度是指在加权复杂网络中和该节点相连的边的权重和。

进一步地，所述用于复杂网络的功能性网络分析系统还包括人机交互设备5，所述人机交互设备5与所述多重信号源量测单元1及功能性网络分析单元4连接；

所述人机交互设备5，用于向用户显示人机交互界面，并获取用户在所述人机交互界面输入的信号源量测指令，其中，所述信号源量测指令包括信号源数目及信号源种类，并将所述信号源量测指令发送给所述多重信号源量测单元1；

所述人机交互设备5，还用于接受所述功能性网络分析单元4发送的所述功能性网络连接关系，并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上；

所述人机交互设备5还可以与所述自适应信号拆解功能单元2及所述跨频耦合分析单元3连接，可以使用户设定各单元设定参数与输出选项设置，如可以设定所述跨频耦合分析单元3中所述固有模态函数选定模块的固有模态函数选定前n阶的阶数。

本发明通过设置所述人机机交互设备，提供一个友善的图像化人机交互界面，使用户设定信号源数目、种类以及各单元的设定参数与输出选项的设定。

一种用于复杂网络的功能性网络分析方法，采用前述的用于复杂网络的功能性网络分析系统，所述方法依次包括：

步骤s0：所述人机交互设备5向用户显示人机交互界面，并获取用户在所述人机交互界面输入的信号源量测指令，并将所述信号源量测指令发送给所述多重信号源量测单元1，其中，所述信号源量测指令包括信号源数目及信号源种类。

步骤s1:所述多重信号源量测单元1对复杂网络中的信号源进行量测，并将量测的各信号源数据发送至所述自适应信号拆解功能单元2；

步骤s2:所述自适应信号拆解功能单元2接受所述多重信号源量测单元1发送的所述各信号源数据，并通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元3；

步骤s3:所述跨频耦合分析单元3接受所述自适应信号拆解功能单元2发送的各信号源数据分解出的若干阶固有模态函数，并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。

进一步地，所述步骤s3还包括以下步骤：

步骤s31：固有模态函数选定模块从若干阶固有模态函数中选定前n阶固有模态函数；

步骤s32：相关系数矩阵生成模块根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合，而生成c(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系；

其中，c(n,2)为排列组合，即c(n,2)＝n*(n-1)/2；m为信号源个数；所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异，并作为信号源之间低频相位与高频幅值的耦合关系的度量指标，其中，1≤i≤n-1，i+j≤n，j为大于或等于1的整数。

步骤s4：功能性网络分析单元4接受所述跨频耦合分析单元3发送的相关系数矩阵，并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系。

步骤s5：所述人机交互界面接受所述功能性网络分析单元4发送的所述功能性网络连接关系，并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。

具体实施例1

这里以阿兹汉默症(alzheimer’sdisease,ad)之21导极的脑电波数据数据库分析作为应用范例。数据库中依照年龄与退化程度将受测者区分成五个群组：年轻健康的对照组、年长健康对照组、轻度心智退化(mildcognitiveimpairment,mci)、中度阿兹汉默症患者(ad2)以及重度阿兹罕默症患者(ad3)。受测样本在闭眼休息状态下以脑波仪量测量测21导极脑电波，取样频率为200hz。其中，图3为一个年长健康对照组受测在的闭眼休息状态下的脑电波量测数据。

每个导极量测的脑电波数据用自适性数据分解方法(经验模态分解算法)，拆解出多个固有模态函数，如图四所示为一个年长健康受测者在闭眼休息状态下，fp1脑电极所量测脑波经过自适性信号拆解(经验模态分解法)得到之十个固有模态函数；

对任一个单一信号源的前六阶固有模态函数，可以自动的排列组合出15个不同跨频段组合，定义出低频相位相对应之高频幅值的概率密度函数(probabilitydensityfunction,pdf)；如图5所示，显示单一信号源前六阶固有模态函数之15个频段组合之低频相位与高频幅值的概率密度分布图。以kl距离来定义任一个相位与振幅机率密度分布与均匀的概率分布的差异，便可以产生一个代表耦合程度的量化指标作为量化指标。多个讯号源之每个跨频组合，可以得到量化指标的矩阵，称之为相关系数矩阵如图6所示。图6所表现的是21个信号源(即21个脑电波导极)之前六阶固有模态函数间15个频段组合的相关系数矩阵，每个相关系数矩阵皆为21*21的矩阵，图中以颜色来表示相关系数矩阵的耦合指标。

相关系数矩阵可以表现不同信号源之间的功能性网络连接(functionalconnectivity)关系；透过图论可以简化复杂的功能性的网络连接的关系，图论量化的属性指标包括特征路径长度、聚类参数以及节点的强度等，这些属性指标可以表现系统整体的特征也可以凸显单一个导极的特征。如图7所示的即是以显示个别导极连接数目的图论属性，不同的导极相对功能性的连接数目与强度不同，因此，便可以地形图(topography)来表现个导极在设定的测试条件下，复杂的脑部功能性连接特征。

以上实施例仅用以说明本发明的技术方案，而非对其限制；本发明采用了适用于非线性数据自适性分解的技术(经验模态分解法,emd)作为自适性非线性数据分解法的代表，但也不排除引用其延伸改进或不同的自适性数据分解法作为本发明数据处理的基础。特别地，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。