本发明公开了一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，包括：获取被试的多模态脑影像数据，基于此，得到被试的BOLD（Blood Oxygenation Level Dependent，血氧水平依赖）时间序列、功能连接网络和结构连接网络；基于结构连接网络与功能连接网络之间的抑制关系对条件格兰杰因果算法进行改进，得到改进后的格兰杰因果算法，基于BOLD时间序列和结构连接网络，利用改进后的格兰杰因果算法，构建以边为中心的效应连接网络；基于构建的以边为中心的效应连接网络，利用预设分类器完成阿尔茨海默病的识别。本发明有助于解决阿尔茨海默病早期诊断困难的问题。
1.一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，所述基于以边为中心的效应连接网络的阿尔茨海默病诊断方法包括：获取被试的多模态脑影像数据，基于所述多模态脑影像数据，得到被试的血氧水平依赖BOLD时间序列、功能连接网络和结构连接网络；
基于结构连接网络与功能连接网络之间的抑制关系对条件格兰杰因果算法进行改进，得到改进的格兰杰因果算法，基于BOLD时间序列和结构连接网络，利用改进的格兰杰因果算法，构建以边为中心的效应连接网络；
基于以边为中心的效应连接网络，利用预设分类器完成阿尔茨海默病识别；
所述基于结构连接网络与功能连接网络之间的抑制关系对条件格兰杰因果算法进行改进，得到改进的格兰杰因果算法，基于BOLD时间序列和结构连接网络，利用改进的格兰杰因果算法，构建以边为中心的效应连接网络，包括：基于BOLD时间序列，构建边时间序列；具体如下：
设被试数量为M，第m个被试的BOLD时间序列描述为： ，m=1,2,…,M；其中，N和T分别代表大脑区域的数量和时间信号序列的长度；令, si表示第m个
被试BOLD时间序列中的第i个脑区的时间序列，sj表示第m个被试BOLD时间序列中的第j个脑区的时间序列，si(t)表示第m个被试BOLD时间序列中的第i个脑区所在时间序列的第t个时间点，t=1,2,...,T；sj(t)表示第m个被试BOLD时间序列中的第j个脑区所在时间序列的第t个时间点；然后，用z‑score处理后获得Ri和Rj，并计算它们的成对乘积：;
其中，Ri(t)表示经z‑score处理后BOLD时间序列的第i个脑区所在的第t个时间点，Rj(t)表示经z‑score处理后BOLD时间序列的第j个脑区所在的第t个时间点 ,Xij为第i个脑区和第j个脑区的乘积对时间序列，也即边时间序列，Xij(t)为第i个脑区和第j个脑区边时间序列的第t个时间点，Xuv(t)为第u个脑区和第v个脑区边时间序列的第t个时间点；EFCNij,uv表示第i和第j个脑区所在序对与第u和第v个脑区所在序对的边功能连接强度；由EFCNij,uv组成的网络即为以边为中心的功能连接网络EFCN，其在结构上与以边为中心的效应连接网络相对应，大小为 ；
其中，SCij表示第i个脑区和第j个脑区的结构连接强度，SCuv表示第u个脑区和第v个脑区的结构连接强度，i, j, u, v均表示脑区索引号； 表示第i和第j个脑区所在序对与第u和第v个脑区所在序对的边结构连接强度，由 组成的网络即为和以边为中心的效应连接网络相对应的边结构连接网络W，所述边结构连接网络为对称矩阵；为了避免奇异‑3 ‑4矩阵带来的矩阵不可逆性问题，在W中加入了值在[10 ,10 ]之间的噪声，并对W进行对称化处理；
基于结构连接网络与功能连接网络之间的抑制关系，将结构连接网络作为参数矩阵引入格兰杰因果算法中，得到改进的格兰杰因果算法；具体算法如下：设U是多元平稳时间序列：
其中，Ut表示第t个时间点的多元平稳时间序列，Ut‑i表示第t‑i个时间点的多元平稳时间序列， 示Ut的自协方差矩阵，Ai表示回归系数，q表示模型阶数， t表示误差；由于效应连接网络本质上是功能连接网络，结构连接网络依旧对其有限制作用，引入边结构连接网络得到：；
其中， 表示i=0时，多元平稳时间序列Ut的自协方差矩阵；
其中， 均表示多元平稳时间序列的自协方差矩阵，A1…Aq均为回归系数；
具体地，设x, y, z是多元平稳时间序列U中的子集：
其中，xt，xt‑i，yt‑i，zt‑i均为平稳时间序列，q为模型阶数， 为模型系数，， 为与时间无关的随机误差项；在z条件下从y到x的格兰杰因果如下：；
其中， 表示在z的条件下，y对于x的格兰杰因果关系，var表示向量自回归模型，当var(ε1t) > var (ε2t)时候，认为在z的条件下，引入y变量使得对x值的预测准确率提升了，此时 ，y对x存在格兰杰原因；当x, y之间的格兰杰因果完全由z介导时候，此时 ，var(ε1t) = var(ε2t)，因此 ，认为在条件z下，y不存在对x的格兰杰原因；
将构建的边时间序列以及边结构连接网络代入改进的格兰杰因果算法中，得到以边为中心的效应连接网络；其中，所述以边为中心的效应连接网络的节点表示两个脑区之间的连接，所述以边为中心的效应连接网络的边表示两个脑区之间的连接与另外两个脑区之间连接的因果关系，是有向的。
2.如权利要求1所述的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，所述多模态脑影像数据包括磁共振成像MRI数据、功能磁共振成像fMRI数据和弥散张量成像DTI数据。
3.如权利要求2所述的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，基于所述多模态脑影像数据，得到被试的血氧水平依赖BOLD时间序列、功能连接网络和结构连接网络，包括：对被试的MRI数据和fMRI数据进行时间层校正、头动校正、空间标准化、平滑滤波以及基于解剖学自动标记AAL模板的脑区划分操作，将人脑划分为多个脑区并得到被试的BOLD时间序列，通过计算每个脑区的皮尔逊相关系数得到功能连接网络；
对被试的DTI数据进行去头骨、头动校正、涡流校正、空间标准化、平滑滤波以及基于AAL模板的脑区划分操作，通过求解出的各向异性值来定义脑区之间的白质纤维连接；其中，各向异性值的物理意义表示的是弥散程度的强弱，通过各向异性值的大小能够反映脑白质纤维数目和密度大小；使用概率性纤维追踪算法去除无关的各向异性值，获得被试的结构连接网络。
4.如权利要求1所述的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，所述功能连接网络和结构连接网络均是以节点为中心的脑网络表现形式，所述功能连接网络和结构连接网络均以脑区作为节点，其中，所述结构连接网络以脑区与脑区之间的结构连接强度作为边，所述功能连接网络以脑区与脑区之间的功能连接强度作为边。
5.如权利要求1所述的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，所述基于以边为中心的效应连接网络，利用预设分类器完成阿尔茨海默病识别，包括：将构建的以边为中心的效应连接网络的边权作为特征，并进行特征选择；
将选择的特征送入预设分类器中，以完成对阿尔茨海默病的识别。
6.如权利要求5所述的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，所述将构建的以边为中心的效应连接网络的边权作为特征，并进行特征选择，包括：将构建的以边为中心的效应连接网络的边权作为特征，并基于最大相关最小冗余算法进行特征选择。
7.如权利要求5所述的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，其特征在于，所述预设分类器为带径向基核函数的支持向量机SVM分类器。
基于以边为中心的效应连接网络的阿尔茨海默病诊断方法
技术领域
[0001] 本发明涉及脑影像处理及脑科学技术领域，特别涉及一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法。
背景技术
[0002] 阿尔茨海默症是一种慢性神经退行性疾病，是痴呆中最常见的类型，通常开始缓慢并且随着时间的推移而恶化，多发于65岁以上的老年人。目前，针对阿尔茨海默病的研究已经迫在眉睫。
[0003] 近年来，磁共振成像（Magnetic Resonance Image, MRI）、功能磁共振成像（functional MRI, fMRI）和弥散张量成像（Diffusion Tensor Image, DTI）等非侵入影像能够让医生直观地了解病人的情况。目前广泛应用于阿尔茨海默病诊断的办法是基于脑影像的数据分析。有研究者应用各种机器学习算法对脑影像数据做图像分割等处理，提取脑影像中的皮质厚度、海马体积、灰质白质体积等特征作为分类标准，以此对阿尔茨海默病识别和诊断。但是，这类方法往往只能提取图像表层信息，不能很好地与人脑机制相互对应。
[0004] 脑网络研究方法能够在多个方面突破传统分析技术的局限性。结构连接网络和脑功能连接网络，包含了丰富的大脑结构信息和功能信息。已有研究发现阿尔茨海默病患者基于脑影像构建的结构连接网络和功能连接网络发生了异常拓扑变化。但是，结构连接网络和功能连接网络仅能表示脑区间是否存在连接关系以及连接关系的强弱，不具有方向性。
[0005] 效应连接网络作为一种有向图模型，可显示大脑神经信号间连接关系的因果效应信息，显示脑区间信息传递模式，更具生物可解释。近几年多模态医学影像融合MRI、fMRI、DTI的高级特征，可以提供不同模态的互补信息，避免了单一模态数据只包含的与异常部分相关的信息。然而，当前效应连接网络均为以节点为中心，无法反映连边之间的共波动模式，目前尚无研究者提出一种能反映脑网络连接之间因果关系的脑网络。
发明内容
[0006] 本发明提供了一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，以解决阿尔茨海默病早期诊断困难、诊断指标难以寻找的技术问题。
[0007] 为解决上述技术问题，本发明提供了如下技术方案：
[0008] 一方面，本发明提供了一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，该基于以边为中心的效应连接网络的阿尔茨海默病诊断方法包括：
[0009] 获取被试的多模态脑影像数据，基于所述多模态脑影像数据，得到被试的血氧水平依赖(Blood Oxygenation Level Dependent, BOLD)时间序列、功能连接网络和结构连接网络；
[0010] 基于结构连接网络与功能连接网络之间的抑制关系对条件格兰杰因果算法进行改进，得到改进的格兰杰因果算法，基于BOLD时间序列和结构连接网络，利用改进的格兰杰因果算法，构建以边为中心的效应连接网络；
[0011] 基于以边为中心的效应连接网络，利用预设分类器完成阿尔茨海默病识别。
[0012] 进一步地，所述多模态脑影像数据包括MRI数据、fMRI数据和DTI数据。
[0013] 进一步地，基于所述多模态脑影像数据，得到被试的BOLD时间序列、功能连接网络和结构连接网络，包括：
[0014] 对被试的MRI数据和fMRI数据进行时间层校正、头动校正、空间标准化、平滑滤波以及基于解剖学自动标记(Anatomical Automatic Labeling, AAL)模板的脑区划分操作，将人脑划分为多个脑区并得到被试的BOLD时间序列，通过计算每个脑区的皮尔逊相关系数得到功能连接网络；
[0015] 对被试的DTI数据进行去头骨、头动校正、涡流校正、空间标准化、平滑滤波以及基于AAL模板的脑区划分操作，通过求解出的各向异性值来定义脑区之间的白质纤维连接；其中，各向异性值的物理意义表示的是弥散程度的强弱，通过各向异性值的大小能够反映脑白质纤维数目和密度大小；使用概率性纤维追踪算法去除无关的各向异性值，获得被试的结构连接网络。
[0016] 进一步地，所述功能连接网络和结构连接网络均是以节点为中心的脑网络表现形式，所述功能连接网络和结构连接网络均以脑区作为节点，其中，所述结构连接网络以脑区与脑区之间的结构连接强度作为边，所述功能连接网络以脑区与脑区之间的功能连接强度作为边。
[0017] 进一步地，所述基于结构连接网络与功能连接网络之间的抑制关系对条件格兰杰因果算法进行改进，得到改进的格兰杰因果算法，基于BOLD时间序列和结构连接网络，利用改进的格兰杰因果算法，构建以边为中心的效应连接网络，包括：
[0018] 基于BOLD时间序列，构建边时间序列；
[0019] 基于结构连接网络，构建边结构连接网络；
[0020] 基于结构连接网络与功能连接网络之间的抑制关系，将结构连接网络作为参数矩阵引入格兰杰因果算法中，得到改进的格兰杰因果算法；
[0021] 将构建的边时间序列以及边结构连接网络代入改进的格兰杰因果算法中，得到以边为中心的效应连接网络；其中，所述以边为中心的效应连接网络的节点表示两个脑区之间的连接，所述以边为中心的效应连接网络的边表示两个脑区之间的连接与另外两个脑区之间连接的因果关系，是有向的。
[0022] 进一步地，所述基于以边为中心的效应连接网络，利用预设分类器完成阿尔茨海默病识别，包括：
[0023] 将构建的以边为中心的效应连接网络的边权作为特征，并进行特征选择；
[0024] 将选择的特征送入预设分类器中，以完成对阿尔茨海默病的识别。
[0025] 进一步地，所述将构建的以边为中心的效应连接网络的边权作为特征，并进行特征选择，包括：
[0026] 将构建的以边为中心的效应连接网络的边权作为特征，并基于最大相关最小冗余算法进行特征选择。
[0027] 进一步地，所述预设分类器为带径向基核函数的支持向量机(Support Vector Machine,SVM)分类器。
[0028] 再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0029] 又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0030] 本发明提供的技术方案带来的有益效果至少包括：
[0031] 本发明采用多模态脑影像数据，弥补了单一数据带来的缺陷，使得构建的脑网络更加准确，而且本发明构建的以边为中心的效应连接网络可以更好的反应脑网络连接之间的因果关系，具有很强的生物可解释性，将其应用于阿尔茨海默病的诊断与识别任务，可以为阿尔茨海默病病理机制研究提供一定思路，大大提高了筛查准确率，有助于解决阿尔茨海默病早期诊断困难、诊断指标难以寻找的问题，对寻找阿尔茨海默病诊断标准有着的促进作用。本发明丰富了脑网络构建的领域知识，为脑网络研究应用于疑难脑疾病提供了重要思路。
附图说明
[0032] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033] 图1是本发明实施例提供的基于以边为中心的效应连接网络的阿尔茨海默病诊断方法的流程示意图。
具体实施方式
[0034] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0035] 第一实施例
[0036] 针对阿尔茨海默病早期诊断困难、诊断指标难以寻找的问题，本实施例通过对被试者的脑影像数据进行预处理，搭建了一种更具生物可解释性的以边为中心的效应连接网络，进而提供了一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，使用机器学习方法对阿尔茨海默病患者分类识别，大大提高了筛查准确率，有助于解决阿尔茨海默病早期诊断困难、诊断指标难以寻找的问题，对脑网络领域的发展大有裨益。该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图1所示，包括以下步骤：
[0037] 1、脑影像数据预处理步骤，其包括：
[0038] 获取被试的多模态脑影像数据，基于多模态脑影像数据，得到被试的BOLD时间序列、功能连接网络和结构连接网络；
[0039] 具体地，在本实施例中，多模态脑影像数据包括MRI数据、fMRI数据和DTI数据，在脑影像数据预处理步骤中，需要将采集的阿尔茨海默病被试与正常人、早期轻度认知障碍，晚期轻度认知障碍，阿尔茨海默病这四个阶段被试的多模态脑影像进行处理。先将多模态脑影像的格式转换为NIFTI格式。接下来对被试的MRI和fMRI数据进行处理，数据处理在DPARSF工具包上进行，主要步骤为：先进行时间层校正、头动校正、空间标准化、平滑滤波以及基于AAL模板的脑区划分操作，可以将人脑划分为116个脑区并得到各阶段被试的BOLD时间序列，通过计算每个脑区的皮尔逊相关系数得到功能连接网络。然后，对被试的DTI数据进行处理，处理过程在PANDA 工具包中完成，主要步骤为：将被试的DTI进行去头骨、头动校正、涡流校正、空间标准化、平滑滤波、以及基于AAL模板的脑区划分操作，通过求解出的各向异性值FA来定义脑区之间的白质纤维连接，FA值的物理意义表示的是弥散程度的强弱，通过FA值的大小可以反映脑白质纤维数目、密度大小，使用概率性纤维追踪算法去除无关的各向异性值，获得被试的结构连接网络。
[0040] 其中，需要说明的是，功能连接网络和结构连接网络是一种以节点为中心的脑网络表现形式，以脑区作为节点，以脑区与脑区之间的结构连接强度或者功能连接强度作为边，这种脑网络为传统脑网络，目前使用广泛。
[0041] 2、以边为中心的效应连接网络搭建步骤，其包括：
[0042] 基于结构连接网络与功能连接网络之间的抑制关系对条件格兰杰因果算法进行改进，得到改进的格兰杰因果算法，基于BOLD时间序列和结构连接网络，利用改进的格兰杰因果算法，构建以边为中心的效应连接网络；
[0043] 具体地，本实施例中，在以边为中心的效应连接网络搭建步骤中，为了构建以边为中心的脑网络，首先需要构建边时间序列，具体如下：
[0044] 设 受 试 者 数 量 为 M ，第 m 个 受 试 者 的 B O L D 时 间 序 列 描 述 为，其中，N和T分别代表大脑区域的数量和时间信号序列的长度。令 ，i和j分别表示大脑网络中的第
i个和第j个脑区，si表示第m个被试BOLD时间序列中的第i个脑区的时间序列，sj表示第m个被试BOLD时间序列中的第j个脑区的时间序列，si(t)表示第m个被试BOLD时间序列中的第i个脑区所在时间序列的第t个时间点，t=1,2,...,T；sj(t)表示第m个被试BOLD时间序列中的第j个脑区所在时间序列的第t个时间点。然后，我们用z‑score处理后获得Ri和Rj，并计算它们的成对乘积:
[0045]
[0046]
[0047] 其中， Ri(t)表示经z‑score处理后BOLD时间序列的第i个脑区所在的第t个时间点，Rj(t)表示经z‑score处理后BOLD时间序列的第j个脑区所在的第t个时间点 Xij为第i个脑区和第j个脑区的乘积对时间序列，在本发明中称为边时间序列，Xij(t)为第i个脑区和第j个脑区边时间序列的第t个时间点，Xuv(t)为第u个脑区和第v个脑区边时间序列的第t个时间点。EFCNij,uv表示第i和第j个脑区所在序对与第u和第v个脑区所在序对的边功能连接强度。由EFCNij,uv组成的网络即为以边为中心的功能连接网络EFCN，其在结构上与本文所提以边为中心的效应连接网络相对应，大小为 。
[0048] 然后进行边结构连接网络的构建，具体如下：
[0049]
[0050] 其中， SCij表示第i个脑区和第j个脑区的结构连接强度，SCuv表示第u个脑区和第v个脑区的结构连接强度，i, j, u, v均表示脑区索引号。 表示第i和第j个脑区所在序对与第u和第v个脑区所在序对的边结构连接强度，由 组成的网络即为和以边为中心的效应连接网络相对应的边结构连接网络W，W为对称矩阵。为了避免奇异矩阵带来的矩阵不‑3 ‑4可逆性问题，在W中加入了值在[10 ,10 ]之间的噪声，并对W进行对称化处理。
[0051] 为了充分利用多模态脑影像的互补关系，构建更准确的效应连接网络，本实施例基于结构连接网络对功能连接网络之间的抑制关系，创新性地将结构连接网络作为参数矩阵引入格兰杰因果算法中，具体算法如下：
[0052] 设U是多元平稳时间序列：
[0053] ,
[0054]
[0055] 其中，Ut表示第t时刻的多元平稳时间序列，Ut‑i表示第t‑i时刻的多元平稳时间序列， 表示Ut的自协方差矩阵，Ai表示回归系数，q表示模型阶数， 表示误差。由于效应连接网络本质上是功能连接网络，结构连接网络依旧对其有限制作用，引入边结构连接网络得到：
[0056]
[0057]
[0058] 其中， 表示i=0时，多元平稳时间序列Ut的自协方差矩阵；
[0059] 根据Yule‑Walker方程，我们可以得到：
[0060]
[0061] 其中， 均表示多元平稳时间序列的自协方差矩阵，A1…Aq均为回归系数。
[0062] 即：
[0063]
[0064] 具体地，设x, y, z是多元平稳时间序列U中的子集：
[0065]
[0066]
[0067]
[0068] 其中，xt，xt‑i，yt‑i，zt‑i均为平稳时间序列，q为模型阶数， 为模型系数， 为与时间无关的随机误差项。在z条件下(给定z)从y到x的格兰杰因果如下：
[0069]
[0070] 其中， 表示在z的条件下，y对于x的格兰杰因果关系，var表示向量自回归模型，当var(ε1t) > var (ε2t)时候，我们认为在z的条件下，引入y变量使得对x值的预测准确率提升了，此时 ，y对x存在格兰杰原因。当x, y之间的格兰杰因果完全由z介导时候，此时 ， var(ε1t) = var(ε2t)，因此 ，我们认为在条件z下，y不存在对x的格兰杰原因。最后通过F检验来验证因果关系是否有意义。
[0071] 将构建的边时间序列以及边结构连接网络代入改进的格兰杰因果算法中，便可以得到以边为中心的效应连接网络，它的节点表示两个脑区之间的连接，边表示两个脑区之间的连接与另外两个脑区之间连接的因果关系，是有向的，所得到的以边为中心的效应连接网络大小为 。
[0072] 3、特征提取与选择步骤，其包括：
[0073] 将构建的以边为中心的效应连接网络的边权作为特征，并进行特征选择；具体地，在本实施例中，采用最大相关最小冗余算法进行特征选择，具体如下：
[0074] 将构建的以边为中心的效应连接网络的边权作为特征，选定脑区个数为N，则以边为中心的效应连接网络中的节点个数应为N(N‑1)/2，共有 条边。为了解决高维小样本的问题，本实施例基于最大相关最小冗余算法（mRMR）进行特征选择。mRMR可以使用互信息作为一种度量来解决特征冗余和相关性之间的权衡。变量l1、l2之间的互信息为：
[0075]
[0076] 式中， 、 分别为l1、l2的概率密度， 为l1、l2的联合概率密度，结果的值为0至1之间的某数，此值越大，说明两个变量所共同包含的信息越多，互信息越小，则说明两个变量之间的信息交集越小。
[0077] 最大相关性 定义为：
[0078]
[0079] 此处，表示有m个特征的特征集，D是属性子集之间的互信息值，c是类别，表示第i个特征， 表示 与 之间的互信息。
[0080] 最大相关性 所得结果是位于0至1之间的某个值，结果越大，说明特征与分类标签之间的关系越密切，反之则相关度较低。
[0081] 最小冗余度 定义为：
[0082]
[0083] 其中， 表示特征 之间的互信息。最小冗余度所得结果是0至1之间的某个值，结果越大，说明两个特征越相关，之间的冗余度越大，反之则冗余度越小。最终选择相关度量最大与冗余度量最小的特征子集，具体如式：
[0084]
[0085] 4、阿尔茨海默病诊断步骤，其包括：
[0086] 将选择的特征送入预设分类器中，以完成对阿尔茨海默病的识别。
[0087] 具体地，本实施例中，在阿尔茨海默病诊断步骤中，将通过特征提取与特征选择步骤选择出的特征送入预设分类器进行训练优化，进而用于对阿尔茨海默病的分类。其中，本实施例采用的分类器为带径向基核函数的SVM模型，其采用了10折交叉验证策略寻找最优参数，为了减少实验误差，对每种测试进行了200次重复实验，并将平均结果作为最终结果以此验证方法的有效性。
[0088] 综上，本实施例设计了一种基于以边为中心的效应连接网络的阿尔茨海默病诊断方法，可以帮助医生辅助诊断，更早更准确的发现病症。同时，从神经科学的角度来看，本实施例所提出的以边为中心的效应连接网络可以看做传统脑网络的延伸与拓展，它更多的反映了大脑不同区域之间的通信是如何演变的，以及研究它们之间因果关系，这对阿尔茨海默病等疑难脑疾病的病因及机理挖掘，攻克人脑黑盒问题有着很好的启发意义。
[0089] 第二实施例
[0090] 本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0091] 该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0092] 第三实施例
[0093] 本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD‑ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0094] 此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0095] 本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0096] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0097] 还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0098] 最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
