基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法与流程

本发明属于计算机辅助诊断技术领域，涉及一种基于支持向量机分类算法的阿尔茨海默病辅助诊断装置及方法，特别涉及一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法。

背景技术：

近些年来，神经影像技术特别是功能影像学取得了飞速的进步，这为研究患有阿尔茨海默病病人各个脑区具有的功能提供了相应的技术。功能磁共振成像作为其中一种成熟的功能影像学检测技术，它的优势在于无创监测大脑功能和活动，时空分辨率较高。使用基于血氧水平依赖方法来测量大脑各个区域之间的相关性已被证明是研究大脑功能组织的有力工具。在静息态fmri中，可以看出人脑的各个脑区在此时存在着有序的功能活动。

大脑是一个动态结构，随着时间的变化，大脑里的神经元之间的连接是变化的，基于动态网络的方法对脑功能连接网络进行分析，可以更好的分析出fmri数据中每个时间段的瞬时特性。通过对动态脑功能网络的构建和分析，可以更好地描述大脑的活动状态以及各个神经元或脑区之间的交互。

技术实现要素：

针对现有技术的不足，本发明的目的是提出基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法，利用支持向量机分类算法技术与构建动态脑功能网络技术对功能核磁共振图像(functionalmagneticresonanceimaging,fmri)进行脑网络的分类，进而能够有效的对阿尔茨海默病进行诊断，这种方法可以获取更多大脑动态活动的信息，并且可以准确地判断不同状态下脑网络之间的差异性，具体方案如下：

一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置包括fmri数据预处理单元、构建动态脑功能网络单元、生成用于训练的特征单元以及svm分类辅助诊断单元，首先将获取的i个待测功能核磁共振图像通过所述fmri数据预处理单元得到预处理后的的i个标准功能核磁共振图像，然后将预处理后的i个标准功能核磁共振图像通过所述构建动态脑功能网络单元进行时间维度上的分割，构建出i个功能核磁共振图像的i*s个动态脑功能网络，其次将构建出的i*s个动态脑功能网络通过所述生成用于训练的特征单元横向的提取出每个动态脑功能网络的动态特征，最后将从i*s个动态脑功能网络提取出的经过特征过滤器过滤后的动态特征拼接成一个动态特征矩阵，最后通过所述svm分类辅助诊断单元使用fisher算法进行特征筛选，筛选出具有代表性的特征，并进行训练，用于辅助诊断。

所述的fmri数据预处理单元包括时间片校正器、头动校正器、空间标准化器、平滑降噪器，首先将获取的i个待测功能核磁共振图像通过所述时间片校正器进行时间片校正，得到i个时间片校正后的功能核磁共振图像，然后将所述i个时间校正后的功能核磁共振图像通过所述头动校正器进行头动校正，得到i个头动校正后的功能核磁共振图像，其次将所述i个头动校正后的功能核磁共振图像通过所述空间标准化器进行空间标准化，得到i个空间标准化后的功能核磁共振图像，最后将所述i个空间标准化后的功能核磁共振图像通过所述平滑降噪器进行平滑降噪，得到i个标准功能核磁共振图像；

所述时间片校正器用于将输入的i个待测功能核磁图像进行时间片校正，得到i个时间片校正后的功能核磁共振图像(i-1,i-2,i-3,…,i-i)，其中i表示选取的待测功能核磁共振图像的个数；

所述头动校正器用于将i个时间片校正后的功能核磁图像(i-1,i-2,i-3,…,i-i)进行头动校正，得到i个头动校正后的功能核磁共振图像(h-1,h-2,h-3,...,h-i)；

所述空间标准化器用于将i个头动校正后的功能核磁图像(h-1,h-2,h-3,...,h-i)进行空间标准化，得到i个空间标准化后的功能核磁共振图像(f-1,f-2,f-3,...,f-i)；

所述平滑降噪器用于将i个空间标准化后的功能核磁共振图像(f-1,f-2,f-3,…,f-i)进行平滑降噪，得到i个标准功能核磁共振图像(s-1,s-2,s-3,…,s-i)。

所述构建动态脑功能网络单元包括模板匹配器、时间序列分割器以及脑网络构建器，首先将i个标准功能核磁共振图像中的每个标准功能核磁共振图像通过所述模板匹配器与规格为m的标准匹配模板进行感兴趣区域的匹配，则每个匹配后的功能核磁共振图像包含m个脑区，然后将匹配后的功能核磁共振图像通过所述时间序列分割器将每个脑区的时间序列进行分割，得到s段瞬时时间序列，最后将分割得到的s段瞬时时间序列通过所述脑网络构建器构建出i个分割后的功能核磁共振图像的i*s个动态脑功能网络；

所述模板匹配器用于将每个标准功能核磁共振图像与规格为m的标准匹配模板进行匹配，匹配后的每个功能核磁共振图像包含m个脑区，i个匹配后的功能核磁共振图像表示为(a-1,a-2,a-3,...,a-i)；

所述时间序列分割器用于将每个匹配后的功能核磁共振图像中的m个脑区的时间序列进行分割，将每个脑区的时间序列分割为s段瞬时时间序列，每段瞬时时间序列代表一个脑区的瞬时信息(t-1,t-2,...,t-s)，i个分割后的功能核磁共振图像表示为其中s的取值范围根据预设的分割间隔确定；

所述脑网络构建器用于将每个分割后的功能核磁共振图像中的s段瞬时时间序列构建出s个动态脑功能网络，则i个分割后的功能核磁共振图像得到i*s个动态脑功能网络

所述生成用于训练的特征单元包括节点度量生成器、时间序列生成器、特征提取器以及特征过滤器，首先将构建动态脑功能网络单元输出的i个分割后的功能核磁共振图像的i*s个动态脑功能网络通过所述节点度量生成器计算i*s个动态脑功能网络的节点度量，然后通过时间序列生成器将i*s个动态脑功能网络中的每个节点度量构成一个时间序列，其次通过所述特征提取器为每个节点度量形成的时间序列提取新特征值，最后将提取到的所有的新特征值通过所述特征过滤器过滤后拼接为一个动态特征矩阵；

所述节点度量生成器用于生成i*s个动态脑功能网络的节点度量，并计算得到z个动态特征的特征值表示为所述z个动态特征包括i*s*x个全局特征和i*s*m*y个局部特征，即z＝i*s*x+i*s*m*y，x表示每个动态脑功能网络计算的全局特征的个数，y表示每个动态脑功能网络计算的局部特征的个数；

所述时间序列生成器用于将得到的每组特征值生成一个时间序列，则i*s个动态脑功能网络构成的z/s个时间序列表示为所述每组特征值包括全局的每组特征值和局部的每组特征值，所述全局的每组特征值包括每个分割后的功能核磁共振图像中的每个全局特征的s个动态脑功能网络的特征值，所述局部的每组特征值包括从每个分割后的功能核磁共振图像中的s*m*y个局部特征中的每个局部特征按照m个脑区分组得到的s个动态脑功能网络的特征值；

所述特征提取器用于对每组特征生成的时间序列，基于小波的时间序列熵再次提取特征，得到z/s个特征的新特征值

所述特征过滤器用于对所述节点度量中的i*s*m*y个局部特征进行过滤，首先通过节点度量中的degree方法计算出每个匹配后的功能核磁共振图像中的每个脑区的degree，并计算出每个匹配后的功能核磁共振图像中的m个脑区degree的平均值然后计算出每个匹配后的功能核磁共振图像中的m个脑区的标准方差σ，其次将所述m个脑区中degree属于区间的脑区过滤为关键脑区，最后将i个匹配后的功能核磁共振图像过滤得到的n个脑区的n*y个局部特征生成的新特征值与i*x个全局特征生成的新特征值通过特征过滤器拼接为一个动态特征矩阵，其中nj表示第j个匹配后的功能核磁共振图像中的关键脑区的个数，i表示匹配后的功能核磁共振图像的个数。

所述的svm分类辅助诊断单元包括特征筛选器、数据训练器、辅助诊断器，首先将生成用于训练的特征单元输出的动态特征矩阵通过特征筛选器，使用fisher算法对所述动态特征矩阵进行动态特征筛选，然后通过数据训练器进行分类训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断；

所述特征筛选器用于将特征过滤器提取的动态特征矩阵，使用fisher算法对所述动态特征矩阵中的n*y+i*x个特征进行打分，并按照分数从高到底的顺序排序，筛选分数高的前w个特征作为最具有代表性的特征，w根据实际情况确定；

所述数据训练器用于在支持向量机分类中，根据功能核磁共振图像对筛选出的前w个最具有代表性的特征进行训练得到一个分类器；

所述辅助诊断器用于根据训练得到的分类器进行阿尔茨海默病的辅助诊断。

一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置的使用方法，包括以下步骤：

步骤1：功能核磁共振图像的预处理；

步骤2：利用预处理后的图像构建动态脑功能网络；

步骤3：对动态脑功能网络计算节点度量，并提取每个动态脑功能网络的动态特征，然后将过滤后的动态特征的特征值拼接为一个动态特征矩阵；

步骤4：运用生成的动态特征矩阵对阿尔茨海默病进行辅助诊断。

所述的步骤1功能核磁共振图像的预处理包括以下步骤：

1.1)将获取的i个待测功能核磁共振图像通过所述时间片校正器进行时间片校正，得到i个时间片校正后的功能核磁共振图像(i-1,i-2,i-3,…,i-i)，其中i表示选取的待测功能核磁共振图像的个数；

1.2)将所述i个时间校正后的功能核磁共振图像通过所述头动校正器进行头动校正，得到i个头动校正后的功能核磁共振图像(h-1,h-2,h-3,...,h-i)；

1.3)将所述i个头动校正后的功能核磁共振图像通过所述空间标准化器进行空间标准化，得到i个空间标准化后的功能核磁共振图像(f-1,f-2,f-3,...,f-i)；

1.4)所述i个空间标准化后的功能核磁共振图像通过所述平滑降噪器进行平滑降噪，得到i个标准功能核磁共振图像(s-1,s-2,s-3,...,s-i)。

所述的步骤2利用预处理后的图像构建动态脑功能网络，包括以下步骤：

2.1)将i个标准功能核磁共振图像中的每个标准功能核磁共振图像通过所述模板匹配器与规格为m的标准匹配模板进行感兴趣区域的匹配，匹配后的每个功能核磁共振图像包含m个脑区，得到i个匹配后的功能核磁共振图像(a-1,a-2,a-3,...,a-i)；

2.2)将i个匹配后的功能核磁共振图像通过所述时间序列分割器对每个匹配后的功能核磁共振图像中的每个脑区的时间序列进行分割，得到s段瞬时时间序列，每段瞬时时间序列代表一个脑区的瞬时信息(t-1,t-2,...,t-s)，i个分割后的功能核磁共振图像表示为其中s的取值范围根据预设的分割间隔确定；

2.3)将分割得到的s段瞬时时间序列通过所述脑网络构建器构建出i个分割后的功能核磁共振图像的i*s个动态脑功能网络

所述的步骤3对动态脑功能网络计算节点度量，并提取每个动态脑功能网络的动态特征，然后将过滤后的动态特征的特征值拼接为一个动态特征矩阵，包括以下步骤：

3.1)将i个分割后的功能核磁共振图像的i*s个动态脑功能网络通过所述节点度量生成器生成i*s个动态脑功能网络的节点度量，并计算得到z个动态特征的特征值表示为所述z个动态特征包括i*s*x个全局特征和i*s*m*y个局部特征，即z＝i*s*x+i*s*m*y，x表示每个动态脑功能网络计算的全局特征的个数，y表示每个动态脑功能网络计算的局部特征的个数；

3.2)将每组特征值通过时间序列生成器生成一个时间序列，则i*s个动态脑功能网络构成的z/s个时间序列表示为所述每组特征值包括全局的每组特征值和局部的每组特征值，所述全局的每组特征值包括每个分割后的功能核磁共振图像中的每个全局特征的s个动态脑功能网络的特征值，所述局部的每组特征值包括从每个分割后的功能核磁共振图像中的s*m*y个局部特征中的每个局部特征按照m个脑区分组得到的s个动态脑功能网络的特征值；

3.3)将每组特征生成的时间序列通过特征提取器中的基于小波的时间序列熵再次提取特征，得到z/s个特征的新特征值

3.4)将所述节点度量中的i*s*m*y个局部特征通过特征过滤器进行过滤，首先通过节点度量中的degree方法计算出每个匹配后的功能核磁共振图像中的每个脑区的degree，并计算出每个匹配后的功能核磁共振图像中的m个脑区degree的平均值然后计算出每个匹配后的功能核磁共振图像中的m个脑区的标准方差σ，其次将所述m个脑区中degree属于区间的脑区过滤为关键脑区，最后将i个匹配后的功能核磁共振图像过滤得到的n个脑区的n*y个局部特征生成的新特征值与i*x个全局特征生成的新特征值通过特征过滤器拼接为一个动态特征矩阵，其中nj表示第j个匹配后的功能核磁共振图像中的关键脑区的个数，i表示匹配后的功能核磁共振图像的个数；

所述步骤4运用生成的动态特征矩阵对阿尔茨海默病进行辅助诊断，包括以下步骤：

4.1)将特征过滤器提取的动态特征矩阵通过特征筛选器中的fisher算法对所述动态特征矩阵中的n*y+i*x个特征进行打分，并按照分数从高到底的顺序排序，筛选分数高的前w个特征作为最具有代表性的特征，w根据实际情况确定；

4.2)将筛选出的前w个最具有代表性的特征通过数据训练器中的支持向量机进行训练得到分类器；

4.3)使用辅助诊断器通过得到的分类器进行阿尔茨海默病的辅助诊断。

本发明的有益效果是：

本发明是一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法，克服了以往的静态脑功能网络无法表示动态信息的缺陷，使得对大脑活动信息进行动态分析成为可能，令功能核磁共振图像的信号信息得到充分发挥，起到了更好的为医疗辅助诊断服务的效果。

附图说明

图1为本发明实施例中的基于动态脑功能网络的阿尔茨海默病辅助诊断装置结构框图。

图2为本发明实施例中的动态脑功能网络构建方法流程图。

图3为本发明实施例中的动态信息特征提取和过滤及辅助诊断的方法流程图。

具体实施方式

下面是结合附图对本发明的技术方案进行详细说明。

在fmri数据中，不同时间下的信号包含了大脑活动信息，而现有的研究都是基于对复杂网络进行静态网络分析，忽略了大脑是一个动态结构，随着时间的变化，大脑里的神经元之间的连接是变化的，因而需要构建动态脑功能网络来对大脑活动信息进行更全面的描述，并计算每个动态脑功能网络的节点度量特征值的特征。因此，提出了基于动态脑功能网络的设计方法，既考虑了脑网络在多个时间段下的瞬时差异，又考虑到了脑网络的结构，并将其用于基于支持向量机进行阿尔茨海默病的辅助诊断。

如图1所示，基于动态脑功能网络的阿尔茨海默病辅助诊断装置包括fmri数据预处理单元、构建动态脑功能网络单元、生成用于训练的特征单元以及svm分类辅助诊断单元，首先将获取的606个待测功能核磁共振图像通过所述fmri数据预处理单元得到预处理后的606个标准功能核磁共振图像，然后将预处理后的606个标准功能核磁共振图像通过所述构建动态脑功能网络单元进行时间维度上的分割，构建出606个功能核磁共振图像的15150个动态脑功能网络，其次将构建出的15150个动态脑功能网络通过所述生成用于训练的特征单元横向的提取出每个动态脑功能网络的动态特征，最后将从15150个动态脑功能网络提取出的经过特征过滤器过滤后的动态特征拼接成一个动态特征矩阵，最后通过所述svm分类辅助诊断单元使用fisher算法进行特征筛选，筛选出具有代表性的特征，并进行训练，用于辅助诊断。

所述fmri数据预处理单元包括时间片校正器、头动校正器、空间标准化器、平滑降噪器，首先将获取的606个待测功能核磁共振图像通过所述时间片校正器进行时间片校正，得到606个时间片校正后的功能核磁共振图像，然后将所述606个时间校正后的功能核磁共振图像通过所述头动校正器进行头动校正，得到606个头动校正后的功能核磁共振图像，其次将所述606个头动校正后的功能核磁共振图像通过所述空间标准化器进行空间标准化，得到606个空间标准化后的功能核磁共振图像，最后将所述606个空间标准化后的功能核磁共振图像通过所述平滑降噪器进行平滑降噪，得到606个标准功能核磁共振图像；

所述时间片校正器用于将输入的606个待测功能核磁图像进行时间片校正，得到606个时间片校正后的功能核磁共振图像(i-1,i-2,i-3,...,i-606)；

所述头动校正器用于将606个时间片校正后的功能核磁图像(i-1,i-2,i-3,...,i-606)进行头动校正，得到606个头动校正后的功能核磁共振图像(h-1,h-2,h-3,...,h-606)；

所述空间标准化器用于将606个头动校正后的功能核磁图像(h-1,h-2,h-3,...,h-606)进行空间标准化，得到606个空间标准化后的功能核磁共振图像(f-1,f-2,f-3,...,f-606)；

所述平滑降噪器用于将606个空间标准化后的功能核磁共振图像(f-1,f-2,f-3,...,f-606)进行平滑降噪，得到606个标准功能核磁共振图像(s-1,s-2,s-3,...,s-606)。

所述构建动态脑功能网络单元包括模板匹配器、时间序列分割器以及脑网络构建器，首先将606个标准功能核磁共振图像中的每个标准功能核磁共振图像通过所述模板匹配器与264个脑区的标准power-264模板进行感兴趣区域的匹配，则每个匹配后的功能核磁共振图像包含264个脑区，然后将匹配后的功能核磁共振图像通过所述时间序列分割器将每个脑区的时间序列进行分割，得到25段瞬时时间序列，最后将分割得到的25段瞬时时间序列通过所述脑网络构建器构建出606个分割后的功能核磁共振图像的15150个动态脑功能网络；

所述模板匹配器用于将每个标准功能核磁共振图像与264个脑区的标准power-264模板进行匹配，匹配后的每个功能核磁共振图像包含264个脑区，606个匹配后的功能核磁共振图像表示为(a-1,a-2,a-3,...,a-606)；

所述时间序列分割器用于将每个匹配后的功能核磁共振图像中的264个脑区的时间序列进行分割，将每个脑区的时间序列分割为25段瞬时时间序列，每段瞬时时间序列代表一个脑区的瞬时信息(t-1,t-2,...,t-25)，606个分割后的功能核磁共振图像表示为

所述脑网络构建器用于将每个分割后的功能核磁共振图像中的25段瞬时时间序列构建出25个动态脑功能网络，则606个分割后的功能核磁共振图像得到15150个动态脑功能网络

所述生成用于训练的特征单元包括节点度量生成器、时间序列生成器、特征提取器以及特征过滤器，首先将构建动态脑功能网络单元输出的606个分割后的功能核磁共振图像的15150个动态脑功能网络通过所述节点度量生成器计算15150个动态脑功能网络的节点度量，然后通过时间序列生成器将15150个动态脑功能网络中的每个节点度量构成一个时间序列，其次通过所述特征提取器为每个节点度量形成的时间序列提取新特征值，最后将提取到的所有的新特征值通过所述特征过滤器过滤后拼接为一个动态特征矩阵；

所述节点度量生成器用于生成15150个动态脑功能网络的节点度量，并计算得到28057800个动态特征的特征值表示为所述28057800个动态特征包括60600个全局特征和27997200个局部特征，每个动态脑功能网络计算的全局特征的个数为4个，每个动态脑功能网络计算的局部特征的个数为7个；

所述时间序列生成器用于将得到的每组特征值生成一个时间序列，则15150个动态脑功能网络构成的1122312个时间序列表示为所述每组特征值包括全局的每组特征值和局部的每组特征值，所述全局的每组特征值包括每个分割后的功能核磁共振图像中的每个全局特征的25个动态脑功能网络的特征值，所述局部的每组特征值包括从每个分割后的功能核磁共振图像中的46200个局部特征中的每个局部特征按照264个各脑区分组得到的25个动态脑功能网络的特征值；

所述特征提取器用于对每组特征生成的时间序列，基于小波的时间序列熵再次提取特征，得到1122312个特征的新特征值

所述特征过滤器用于对所述节点度量中的27997200个局部特征进行过滤，首先通过节点度量中的degree方法计算出每个匹配后的功能核磁共振图像中的每个脑区的degree(度)，并计算出每个匹配后的功能核磁共振图像中的264个脑区degree的平均值然后计算出每个匹配后的功能核磁共振图像中的264个脑区的标准方差σ，其次将264个脑区中degree属于区间的脑区过滤为关键脑区，最后将606个匹配后的功能核磁共振图像过滤得到的8484个脑区的59388个局部特征生成的新特征值与2424个全局特征生成的新特征值通过特征过滤器拼接为一个动态特征矩阵。

所述的svm分类辅助诊断单元包括特征筛选器、数据训练器、辅助诊断器，首先将生成用于训练的特征单元输出的动态特征矩阵通过特征筛选器，使用fisher算法对所述动态特征矩阵进行动态特征筛选，然后通过数据训练器进行分类训练，最终通过辅助诊断器实现对阿尔茨海默病的诊断；

所述特征筛选器用于将特征过滤器提取的动态特征矩阵，使用fisher算法对所述动态特征矩阵中的61812个特征进行打分，并按照分数从高到底的顺序排序，筛选分数高的前80个特征作为最具有代表性的特征；

所述数据训练器用于在支持向量机分类中，根据功能核磁共振图像对筛选出的前80个最具有代表性的特征进行训练得到一个分类器；

所述辅助诊断器用于根据训练得到的分类器进行阿尔茨海默病的辅助诊断。

一种基于动态脑功能网络的阿尔茨海默病辅助诊断装置的使用方法，包括以下步骤：

步骤1：功能核磁共振图像的预处理，包括以下步骤：

1.1)将获取的606个待测功能核磁共振图像通过所述时间片校正器进行时间片校正，得到606个时间片校正后的功能核磁共振图像(i-1,i-2,i-3,…,i-606)；

1.2)将所述606个时间校正后的功能核磁共振图像通过所述头动校正器进行头动校正，得到606个头动校正后的功能核磁共振图像(h-1,h-2,h-3,…,h-606)；

1.3)将所述606个头动校正后的功能核磁共振图像通过所述空间标准化器进行空间标准化，得到606个空间标准化后的功能核磁共振图像(f-1,f-2,f-3,…,f-606)；

1.4)所述606个空间标准化后的功能核磁共振图像通过所述平滑降噪器进行平滑降噪，得到606个标准功能核磁共振图像(s-1,s-2,s-3,...,s-606)。

步骤2：利用预处理后的图像构建动态脑功能网络，具体构建流程如图2所示，包括以下步骤：

2.1)将606个标准功能核磁共振图像中的每个标准功能核磁共振图像通过所述模板匹配器与264个脑区的标准power-264模板进行匹配，匹配后的每个功能核磁共振图像包含264个脑区，得到606个匹配后的功能核磁共振图像(a-1,a-2,a-3,...,a-606)；

2.2)将606个匹配后的功能核磁共振图像通过所述时间序列分割器对每个匹配后的功能核磁共振图像中的每个脑区的时间序列进行分割，得到25段瞬时时间序列，每段瞬时时间序列代表一个脑区的瞬时信息(t-1,t-2,...,t-25)，606个分割后的功能核磁共振图像表示为并将分割后的每个图像依次通过互信息计算器，对分割得到的图像的各个节点之间的匹配关系进行计算，确定每个动态脑功能网络中边的表示，采用互信息的方法来计算各个节点之间的相关关系，并将其构成关联矩阵；

2.3)将计算得到的互信息值通过所述脑网络构建器构建出606个分割后的功能核磁共振图像的15150个动态脑功能网络

计算出fmri图像任意两个节点的互信息并得到关联矩阵后，设置互信息的阈值为0.18，将互信息值与设定的阈值0.18进行比较，当互信息值比设定的阈值0.18大时，将其边设为1，即两节点之间有关联，否则将其边设为0，即无关联，由此将关联矩阵转化为邻接矩阵，构建出动态脑功能网络。

本实施方式是对功能核磁共振图像进行计算机辅助诊断，帮助医生进行诊断，其中动态信息特征提取和过滤和筛选及辅助诊断的方法流程图如图3所示，具体步骤包括步骤3和步骤4两部分。

步骤3对动态脑功能网络计算节点度量，并提取每个动态脑功能网络的动态特征，然后将过滤后的动态特征的特征值拼接为一个动态特征矩阵，包括以下步骤：

3.1)将606个分割后的功能核磁共振图像的15150个动态脑功能网络通过所述节点度量生成器生成15150个动态脑功能网络的节点度量，并计算得到28057800个动态特征的特征值表示为所述28057800个动态特征包括60600个全局特征和27997200个局部特征，每个动态脑功能网络计算的全局特征的个数为4个，每个动态脑功能网络计算的局部特征的个数为7个；

4个全局特征分别为：clustering_coefficients(聚类系数)、characteristicpathlength(特征路径长度)、globalefficiency(全局效率)、transitivity(传递性)；

7个局部特征分别为：localefficiency(局部效率)、degree(度)、betweennesscentrality(中介中心性)、pagerankcentrality(pagerank中心性)、nodestrength(节点强度)、k-corenesscentrality(k-核心中心性)、flowcoefficient(流量系数)。

3.2)将每组特征值通过时间序列生成器生成一个时间序列，则15150个动态脑功能网络构成的1122312个时间序列表示为所述每组特征值包括全局的每组特征值和局部的每组特征值，所述全局的每组特征值包括每个分割后的功能核磁共振图像中的每个全局特征的25个动态脑功能网络的特征值，所述局部的每组特征值包括从每个分割后的功能核磁共振图像中的46200个局部特征中的每个局部特征按照264个脑区分组得到的25个动态脑功能网络的特征值；

对于一个功能核磁共振图像可以通过时间序列分割器再通过脑网络构建器，构建25个脑功能网络，每个构成的脑网络计算全局特征和局部特征，对于每种特征在25个脑功能网络下可以通过时间序列生成器生成具有25个时间点的时间序列。

3.3)将每组特征生成的时间序列通过特征提取器中的基于小波的时间序列熵再次提取特征，得到1122312个特征的新特征值

基于小波的时间序列熵再次提取特征。熵这个概念最早是用于热力学中，毕竟这个字是火字旁，用于衡量一个系统能量的不可用程度，熵越大，能量的不可用程度就越大；越小能量的不可用程度越低。它的物理意义是体系中混乱程度或者复杂程度的度量。关于熵的应用也在不断拓展，从热力学到生物学、物理学，以及在时间序列分析上都有应用。香农熵(信息熵)是一个数学上颇为抽象的概念，可以把信息熵理解成某种特定信息的出现概率(离散随机事件的出现概率)。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。信息熵也可以说是系统有序化程度的一个度量

3.4)将所述节点度量中的27997200个局部特征通过特征过滤器进行过滤，首先通过节点度量中的degree方法计算出每个匹配后的功能核磁共振图像中的每个脑区的degree(度)，并计算出每个匹配后的功能核磁共振图像中的264个脑区degree的平均值然后计算出每个匹配后的功能核磁共振图像中的264个脑区的标准方差σ，其次将264个脑区中degree属于区间的脑区过滤为关键脑区，最后将606个匹配后的功能核磁共振图像过滤得到的8484个脑区的59388个局部特征生成的新特征值与2424个全局特征生成的新特征值通过特征过滤器拼接为一个动态特征矩阵。

步骤4运用生成的动态特征矩阵对阿尔茨海默病进行辅助诊断，包括以下步骤：

4.1)将特征过滤器提取的动态特征矩阵通过特征筛选器中的fisher算法对所述动态特征矩阵中的61812个特征进行打分，并按照分数从高到底的顺序排序，筛选分数高的前80个特征作为最具有代表性的特征；

将所有功能核磁共振图像构建的动态脑功能网络，对于所有节点度量生成的时间序列提取的特征拼成一个矩阵，通过fisher算法进行特征筛选，fisher准则基本原理是找到一个最合适的投影轴，使两类样本在该轴上投影之间的距离尽可能远，而每一类样本的投影尽可能紧凑，从而使分类效果为最佳。

4.2)将筛选出的前80个最具有代表性的特征通过数据训练器中的支持向量机进行训练得到分类器；

4.3)使用辅助诊断器通过得到的分类器进行阿尔茨海默病的辅助诊断。