[0045] 以下将结合附图对本发明提供的技术方案作进一步说明。
[0046] 参见图1，所示为本发明一种免阈值设定的静息态功能脑网络构建方法的流程框图，包括以下步骤：
[0047] 步骤S1：获取fMRI数据并提取各个脑区的BOLD信号矩阵；
[0048] 步骤S2：对BOLD信号进行信号处理并计算各个脑区间的皮尔森相关系数以此构建实数脑网络矩阵；
[0049] 步骤S3：将步骤S2中构建的实数脑网络矩阵输入神经网络并输出二值脑网络矩阵；
[0050] 步骤S4：采用遗传优化算法优化步骤S3输出的二值脑网络矩阵；
[0051] 步骤S5：如果步骤S4输出的二值脑网络矩阵符合优化条件，则获取最优二值脑网络矩阵；否则，重新配置神经网络参数，并重复步骤S3-S5；
[0052] 步骤S6：根据步骤S5中最优二值脑网络矩阵产生免阈值静息态脑功能网络；
[0053] 其中，步骤S3中，
[0054] 所构造神经网络结构如下：
[0055] 隐藏层计算公式为：
[0056]
[0057] 其中，xi为输入层节点，{i∈N+,[1,19]}，即步骤S2中获取的实数脑网络矩阵；Hj为隐藏层节点，{j∈N+,[1,20]}，wij为输入层节点权值；aj为输入层偏置；f(x)为Sigmod函数；
[0058] 输出层计算公式为：
[0059]
[0060] Yk为输出节点，{k∈N+,[1,2]}；wjk为隐藏层节点权值；bk为隐藏层偏置；
[0061] 在步骤S4中，遗传优化进一步包括以下步骤：
[0062] (1)个体编码：
[0063] 其中，wij:为输入层节点权值，{wij∈R+,[0,1]}；
[0064] aj：为输入层节点的偏置，{aj∈R+,[0,1]}；
[0065] wjk：为隐藏层节点权值，{wjk∈R+,[0,1]}；
[0066] bk：为隐藏层节点的偏置，{bk∈R+,[0,1]}；
[0067] (2)设定种群数量10000个，并随机产生；
[0068] (3)利用静息态功能脑网络的小世界特性，设置适应度函数作为优化条件，具体步骤如下：
[0069] a)满足稀疏性条件下，选择最优小世界网络结构：
[0070] b)统计皮尔逊相关系数矩阵经过神经网络计算后，Y＝1的数量K，保证矩阵稀疏性；
[0071] 也即如下公式：
[0072] maxS
[0073] s.t.K≤0.1N2，N＝90；
[0074] 其中，
[0075] 小世界网络结构表达式；
[0076] Cg，经过遗传算法求解后得到的静息态功能脑网络聚类系数；
[0077] Lg，经过遗传算法求解后得到的静息态功能脑网络特征路径长度；
[0078] 随机网络聚类系数；
[0079] 随机网络特征路径长度。
[0080] 其中，步骤S1中，进一步包括：
[0081] 1)数据预处理；
[0082] 2)提取各脑区的时间序列；
[0083] 3)选取感兴趣的脑部区域；
[0084] 4)利用滑动时间窗口，截取各脑区的时间序列片段；
[0085] 5)通过计算皮尔逊相关系数，并以此构建各个脑部区域的动态脑功能子网络；
[0086] 在一种优选实施方式中，具体步骤如下：
[0087] 1.对fMRI数据集进行预处理；
[0088] 2.提取90个感兴趣脑区(得到90*200的BOLD信号矩阵)；
[0089] 3.通过sliding windows(windows尺寸为1*20)，每10维信号相重叠，依次截取19段BOLD信号；
[0090] 4.将90个脑区的19组信号，按时间序列排序并计算90个脑区间的皮尔森相关系数，构成脑网络3D张量模型90*90*19
[0091] 5.将19个矩阵作为数据集输入给神经网络。
[0092] 以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0093] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
