1、先说说什么是功能连接矩阵(Functional Connectivity Matrix)?
功能连接矩阵(Functional Connectivity Matrix)是用于描述大脑区域之间相互关系的一种方法。在神经科学和脑成像研究中,它被广泛应用于分析脑的功能网络。
功能连接矩阵通常是一个对称矩阵,其元素表示不同脑区域之间的功能联系强度或相关性。这些功能联系可以通过各种技术来测量,包括功能性磁共振成像(fMRI)、脑电图(EEG)、磁脑图(MEG)等。
具体来说,功能连接矩阵的每一行和每一列代表一个特定的脑区域或节点,在矩阵中的元素表示对应节点之间的功能联系。这些联系通常通过计算这些节点的时间序列之间的相关性或相似性来衡量。例如,两个节点之间的高相关性可能表明它们在某些功能任务中协同工作,而低相关性则可能表示它们在功能上是独立的。
2、Dynamic-Functional Connectivity Matrix ---动态滑窗fMRI后得到的动态功能连接矩阵(3维)
一、fMRI数据
fMRI数据的形式和格式
-
数据形式:
- 时间序列数据: fMRI数据通常记录多个体素(体积像素,3D图像中的最小单元)的时间序列。这些体素组成了大脑的各个区域。
- 时间点数量: 每个体素的活动随时间变化,一般会有数百到上千个时间点(即扫描帧)。
-
数据格式:
- 4D矩阵: fMRI数据通常以四维矩阵的形式存储,维度为 [𝑋,𝑌,𝑍,𝑇],其中 [𝑋,𝑌,𝑍] 表示空间维度,𝑇T 表示时间维度。
- NIfTI格式: 常见的fMRI数据存储格式是NIfTI(.nii或.nii.gz)文件。
从fMRI数据计算功能连接矩阵
功能连接矩阵反映了大脑各区域之间的功能连接强度,通常通过计算各区域的时间序列的相关性来获得。具体步骤如下:
-
定义脑区(ROI,Region of Interest):
- 将大脑划分为若干功能区(ROI),每个ROI包含多个体素。可以使用标准脑区模板(如AAL、Harvard-Oxford等)。
-
提取时间序列:
- 对每个ROI,计算所有包含体素的平均时间序列。
- 结果是一个大小为 [𝑁,𝑇] 的矩阵,N为ROI数量,T为时间点数量。
-
计算相关性矩阵:
- 计算每对ROI时间序列之间的相关系数,得到一个 𝑁×𝑁 的相关性矩阵(功能连接矩阵---不同体素血氧信号间的相关性,如下图)
二、社区检测
具体步骤:1.这里的动态功能连接矩阵维度是【N,N,T】
2.进行社区检测得到T个N*1的向量,表示每个时间点的N个节点分别在哪个社区
3.得到时域共现矩阵(co-occurrence matrix)
共现矩阵 C 的维度为N×N。矩阵中的每个元素 Cij 表示节点 𝑖i 和节点 𝑗j 在所有时间步中出现在同一个社区的次数