基于复杂网络时间序列分析和深度学习的脑疾病神经机制研究

In recent years,study on brain function and brain diseases based on complex networks has received much attention. The brain function network constructed by traditional neuroimaging techniques is generally limited to the characterization of the consistency between brain regions, and the temporal characteristics of single brain regional activity are rarely considered. At the same time, the model used in the study is based on prior knowledge and cannot reflect the true relational coupling relationship in the data. Therefore, the general rule of temporal changes in brain function networks, the pathological neural mechanisms of brain disease have not been fully elucidated. In order to break through the above limitations, this project is based on resting-state functional magnetic resonance data, and depicts a time-series complex network of individual brain regions at different scales, and establishes a general method for analyzing the characteristics of brain time-series networks. Based on the relationship between various topological structures and brain intervals of functional networks, the statistics describing time features and associated features are defined, and the network topology-node dynamics association features are mined. Furthermore, combined with brain network complex network topology indicators and deep learning algorithms, the structural parameters of deep convolutional neural networks are adjusted to find key parameter combinations for classification of various neuropsychiatric and neurodegenerative diseases. This study provides new insights for further elucidation of the mechanism of brain function activity, and has important practical significance in the clinical exploration of automatic diagnosis of brain diseases.

基于复杂网络的脑机制和脑疾病研究成为近年来脑科学研究的热点。传统神经影像技术构建的脑功能网络一般局限在脑区间活动的一致性上的刻画，很少考虑单个脑区活动的时间特征。同时，研究所使用的模型基于先验知识，无法反应数据中真实的关联耦合关系。因此目前脑功能网络的时间变化的一般规律，脑疾病作用的病理神经机制尚未得到充分阐明。为了突破上述局限，本项目基于静息态功能磁共振数据，在不同尺度下刻画单个脑区的时间序列复杂网络，建立脑时间序列网络特性分析的一般方法。基于功能网络的多种拓扑结构和脑区间的关系，定义描述时间特征和关联特征的统计量，挖掘网络拓扑结构—节点动力学的关联特征。进一步结合脑功能复杂网络拓扑指标和深度学习算法，调整深度卷积神经网络的结构参数，寻找用于各类神经精神类疾病分类的关键参数组合。本研究为深入阐明大脑功能活动特征机制研究提供了新的启示，在脑疾病自动化诊断的临床探索具有重要实际意义。

基于复杂网络的脑机制和脑疾病研究成为近年来脑科学研究的热点。传统神经影像技术构建的脑功能网络一般局限在脑区间活动的一致性上的刻画，很少考虑单个脑区活动的时间特征。同时，研究所使用的模型基于先验知识，无法反应数据中真实的关联耦合关系。因此目前脑功能网络的时间变化的一般规律，脑疾病作用的病理神经机制尚未得到充分阐明。为了突破上述局限，本项目基于静息态功能磁共振数据和脑机接口EEG数据，在不同尺度下刻画单个脑区的时间序列复杂网络，建立脑时间序列网络特性分析的一般方法。基于可视图网络，我们分析了阿尔兹海默症单脑区时间活动特性的病理机制。并结合节点动力学和全脑网络耦合分析，创新实现了阿尔兹海默症病理功能活动紊乱的网络机制揭示。并利用深度学习方法实现了疾病的高准确率智能诊断。基于功能网络的多种拓扑结构和脑区间的关系，揭示了精神分裂症患者的脑区异常，并构建了疾病病理子网络。进一步结合脑功能复杂网络拓扑指标和深度学习算法，调整深度卷积神经网络和宽度学习网络的结构参数，发现了神经精神类疾病分类的关键参数组合。利用疲劳驾驶、认知负荷、情绪识别等任务状态下的脑机接口EEG数据，利用排列熵、互信息等复杂网络方法提取特征，结合Transformer、多通道注意机制等深度学习模型，实现了对脑机接口任务中大脑状态的高准确度解码。基于以上结果，发表了多篇SCI论文，并获授权多项国家发明专利，部分研究成果用于新型康复医疗设备的临床探索。本研究为深入阐明大脑功能活动特征机制研究提供了新的启示，在脑疾病自动化诊断的临床探索具有重要实际意义。