本發(fā)明實(shí)施例涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種數(shù)據(jù)分析方法及裝置。

背景技術(shù)：

隨著生命科學(xué)的飛速發(fā)展，生命科學(xué)界對人體最復(fù)雜和精密的器官，腦，的研究越來越重視。傳統(tǒng)的研究方式通常是，通過磁共振成像技術(shù)和功能磁共振成像技術(shù)獲取人腦的圖像數(shù)據(jù)，以所獲取的圖像數(shù)據(jù)為基礎(chǔ)，確定待研究的腦分區(qū)，并計(jì)算待研究的腦分區(qū)與其他分區(qū)的關(guān)系，從而得到該腦分區(qū)的研究數(shù)據(jù)。

基于傳統(tǒng)的研究方式可知，現(xiàn)有的腦數(shù)據(jù)分析方法，將所確定的待研究腦分區(qū)作為核心對腦數(shù)據(jù)進(jìn)行計(jì)算，因此，所得到的研究數(shù)據(jù)也更偏重于體現(xiàn)待研究腦分區(qū)的特征，從而導(dǎo)致所得到的數(shù)據(jù)結(jié)果相對較為片面，進(jìn)而，對技術(shù)人員研究全腦的功能和狀態(tài)構(gòu)成限制。

有鑒于此，本領(lǐng)域技術(shù)人員急需一種全面分析腦數(shù)據(jù)的方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種數(shù)據(jù)分析方法及裝置，以解決現(xiàn)有技術(shù)得到的數(shù)據(jù)結(jié)果較為片面的問題。

第一方面，本發(fā)明實(shí)施例提供了一種數(shù)據(jù)分析方法，該方法包括：

在接收到n個(gè)全腦影像數(shù)據(jù)組時(shí)，對所述n個(gè)全腦影像數(shù)據(jù)組中的每個(gè)全腦影像數(shù)據(jù)執(zhí)行預(yù)處理操作，得到n個(gè)全腦基礎(chǔ)數(shù)據(jù)組；其中，n是大于或者等于2的正整數(shù)，且每個(gè)所述全腦影像數(shù)據(jù)組包括若干個(gè)全腦影像數(shù)據(jù)；

根據(jù)所述n個(gè)全腦基礎(chǔ)數(shù)據(jù)組中的每個(gè)全腦基礎(chǔ)數(shù)據(jù)，計(jì)算每個(gè)全腦預(yù)先劃分的若干個(gè)腦分區(qū)之間的特征連接值，得到n個(gè)特征連接值組；

計(jì)算所述n個(gè)特征連接值組之間的組間效應(yīng)量；

按照所述組間效應(yīng)量將每個(gè)特征連接值分類，并建立分類模型。

結(jié)合第一方面，在第一方面第一種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述n個(gè)全腦基礎(chǔ)數(shù)據(jù)組中的每個(gè)全腦基礎(chǔ)數(shù)據(jù)，計(jì)算每個(gè)全腦預(yù)先劃分的若干個(gè)腦分區(qū)之間的特征連接值包括：

按照預(yù)設(shè)的標(biāo)準(zhǔn)模板將全腦劃分為若干個(gè)腦分區(qū)；

分別從每個(gè)全腦基礎(chǔ)數(shù)據(jù)中獲取相應(yīng)腦分區(qū)對應(yīng)的基礎(chǔ)數(shù)據(jù)；

對所述腦分區(qū)對應(yīng)的基礎(chǔ)數(shù)據(jù)執(zhí)行pearson’s相關(guān)；

對pearson’s相關(guān)后的數(shù)據(jù)執(zhí)行fisher’sz變換，得到所述腦分區(qū)之間的特征連接值a，其中，

其中，所述i和所述j表示所述腦分區(qū)之間的功能連接數(shù)值，所述n表示所述腦分區(qū)的數(shù)量。

結(jié)合第一方面，在第一方面第二種可能的實(shí)現(xiàn)方式中，所述計(jì)算所述n個(gè)特征連接值組之間的組間效應(yīng)量包括：

當(dāng)計(jì)算兩個(gè)特征連接值組之間的組間效應(yīng)量時(shí)，使用公式：

其中，所述是所述兩個(gè)特征連接值組中每個(gè)特征連接值組的樣本平均值；所述spool是所述兩個(gè)特征連接值的樣本合并標(biāo)準(zhǔn)差，

其中，所述s是所述兩個(gè)特征連接值組中每個(gè)特征連接值組的樣本標(biāo)準(zhǔn)差。

結(jié)合第一方面，在第一方面第三種可能的實(shí)現(xiàn)方式中，所述計(jì)算所述n個(gè)特征連接值組之間的組間效應(yīng)量統(tǒng)計(jì)所述包括：

當(dāng)計(jì)算多個(gè)特征連接值組之間的組間效應(yīng)量時(shí)，使用公式：

其中，所述η²是一個(gè)統(tǒng)計(jì)量，表示因素a在總體變異中所占的比例，

其中，所述ssa代表因素a產(chǎn)生的所述多個(gè)特征連接值組組間變異，所述sstotal為總方差，

ssa＝∑nj(yj-yt)²

sstotal＝∑(yij-yj)²

其中，所述nj為所述多個(gè)特征連接值組中特征連接值的總數(shù)，所述yj為所述多個(gè)特征連接值組中每組的平均值，所述yt為所述多個(gè)特征連接值組的總平均值，所述yij為所述多個(gè)特征連接值組中的每一個(gè)數(shù)值。

結(jié)合第一方面，在第一方面第四種可能的實(shí)現(xiàn)方式中，所述對所述n個(gè)全腦影像數(shù)據(jù)組中的每個(gè)全腦影像數(shù)據(jù)執(zhí)行預(yù)處理操作，包括：

將所述影像數(shù)據(jù)從醫(yī)學(xué)數(shù)字成像和通信dicom格式轉(zhuǎn)換為nifti格式；

去除nifti格式數(shù)據(jù)中前10個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，得到剩余數(shù)據(jù)；

對所述剩余數(shù)據(jù)執(zhí)行時(shí)間層矯正和頭動矯正；

按照預(yù)設(shè)標(biāo)準(zhǔn)模板對矯正后的數(shù)據(jù)執(zhí)行空間標(biāo)準(zhǔn)化；

對所述空間標(biāo)準(zhǔn)化的數(shù)據(jù)執(zhí)行高斯平滑、去線性漂移、濾波和去除協(xié)變量的操作。

第二方面，本發(fā)明實(shí)施例還提供了一種數(shù)據(jù)分析裝置，該裝置包括用于執(zhí)行第一方面及第一方面各實(shí)現(xiàn)方式的中方法步驟的模塊，具體的，本發(fā)明實(shí)施例此處不再贅述。

為了解決現(xiàn)有技術(shù)得到的數(shù)據(jù)結(jié)果較為片面的問題，本方案在接收到n個(gè)全腦影像數(shù)據(jù)組，并對該n個(gè)全腦影像數(shù)據(jù)組中的每個(gè)全腦影像數(shù)據(jù)執(zhí)行預(yù)處理操作，得到n個(gè)全腦基礎(chǔ)數(shù)據(jù)組之后，可以首先按照預(yù)設(shè)的標(biāo)準(zhǔn)模板將全腦劃分為多個(gè)腦分區(qū)，然后，根據(jù)該n個(gè)全腦基礎(chǔ)數(shù)據(jù)組中的每個(gè)全腦基礎(chǔ)數(shù)據(jù)，計(jì)算每個(gè)全腦的若干個(gè)腦分區(qū)之間的特征連接值，得到n個(gè)特征連接值組，進(jìn)而計(jì)算n個(gè)特征連接值組之間的組間效應(yīng)量，并將部分組間效應(yīng)量作為分類閾值，建立分類模型。由此可見，本方案在將全腦劃分多個(gè)腦分區(qū)后，計(jì)算腦分區(qū)之間的特征連接值，并以每個(gè)全腦的特征連接值參考數(shù)據(jù)，對多組全腦數(shù)據(jù)進(jìn)行分析，從而能夠?qū)δX數(shù)據(jù)進(jìn)行全局分析，進(jìn)而能夠得到腦分區(qū)之間的功能連接和網(wǎng)絡(luò)。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的數(shù)據(jù)分析方法的方法流程圖；

圖2為本發(fā)明實(shí)施例提供的特征曲線示例圖；

圖3為本發(fā)明實(shí)施例提供的數(shù)據(jù)分析裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

參見圖1，圖1為本發(fā)明實(shí)施例提供的數(shù)據(jù)分析方法的方法流程圖，圖1所示的數(shù)據(jù)分析方法能夠?qū)δX數(shù)據(jù)進(jìn)行全局分析，進(jìn)而能夠得到腦分區(qū)之間的功能連接和網(wǎng)絡(luò)。所述方法包括以下步驟：

步驟s101，對n個(gè)全腦影像數(shù)據(jù)組中的每個(gè)全腦影像數(shù)據(jù)執(zhí)行預(yù)處理操作。

其中，本實(shí)施例中，n是大于或者等于2的正整數(shù)。

本發(fā)明實(shí)施例由n組具有不同癥狀的受試對象提供全腦數(shù)據(jù)，并通過核磁共振設(shè)備采集每位受試對象的全腦影像數(shù)據(jù)，其中，每組受試對象包括多個(gè)人。具體的，可以通過功能磁共振成像技術(shù)采集每位受試對象的全腦影像數(shù)據(jù)。其中，需要指出的是，為了保證數(shù)據(jù)的準(zhǔn)確性，所采集的每位受試對象的全腦時(shí)間序列數(shù)據(jù)不少于180個(gè)，并且，在采集影像數(shù)據(jù)時(shí)，每組受試對象保持相同的精神狀態(tài)，例如，同為清醒，或自然睡眠，或鎮(zhèn)靜下睡眠狀態(tài)。其中，清醒狀態(tài)下進(jìn)行影像數(shù)據(jù)采集時(shí)，受試對象睜眼或閉眼狀態(tài)保持一致；自然睡眠狀態(tài)下進(jìn)行影像數(shù)據(jù)采集時(shí)，入睡后開始數(shù)據(jù)采集時(shí)間保持一致；鎮(zhèn)靜后睡眠狀態(tài)下進(jìn)行影像數(shù)據(jù)采集時(shí)，每位受試對象服用鎮(zhèn)靜藥物、劑型以及給藥方式保持一致，并且入睡后開始數(shù)據(jù)采集時(shí)間保持一致。

由于執(zhí)行本方案的裝置設(shè)置于計(jì)算機(jī)中，因此，核磁共振設(shè)備采集到受試對象的全腦影像數(shù)據(jù)之后，將全腦影像數(shù)據(jù)輸入到計(jì)算機(jī)，而計(jì)算機(jī)對全腦影像數(shù)據(jù)執(zhí)行分析操作。

具體的，作為原始數(shù)據(jù)，不但全腦影像數(shù)據(jù)的數(shù)據(jù)格式計(jì)算機(jī)無法識別，而且，全腦影像數(shù)據(jù)的其他屬性也有待調(diào)整，基于此，計(jì)算機(jī)在接收到核磁共振設(shè)備輸入的全腦影像數(shù)據(jù)之后，需要對每個(gè)全腦影像數(shù)據(jù)進(jìn)行預(yù)處理。其中，對每個(gè)全腦影像數(shù)據(jù)進(jìn)行預(yù)處理，具體執(zhí)行為：

首先將dicom(digitalimagingandcommunicationsinmedicine，醫(yī)學(xué)數(shù)字成像和通信)格式的影像數(shù)據(jù)轉(zhuǎn)換為nifti格式。然后，由于在數(shù)據(jù)開始采集時(shí)，核磁共振設(shè)備的性能和受試對象的狀態(tài)可能不穩(wěn)定，因此，去除nifti格式數(shù)據(jù)中前10個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，得到剩余數(shù)據(jù)。進(jìn)而，由于在影像數(shù)據(jù)采集時(shí)，全腦被分成若干層進(jìn)行掃描，因此，在每一次掃描全腦時(shí)，掃描第一層和掃描最后一層時(shí)存在時(shí)間差，而本方案在后續(xù)計(jì)算時(shí)，需要將同一掃描周期的每一層數(shù)據(jù)矯正為同一時(shí)間層，所以，本方案可以將時(shí)間層面的中間層作為參考層，將其他層面的腦影像矯正到參考層的狀態(tài)。此外，受試對象在進(jìn)行影像數(shù)據(jù)采集時(shí)要經(jīng)歷一段時(shí)間，而在此期間，受試對象可能會有輕微頭動，導(dǎo)致影像數(shù)據(jù)對應(yīng)的位置發(fā)生變化，從而影響后續(xù)數(shù)據(jù)分析，因此，本方案還可以將同一位受試對象的所有全腦影像矯正到同一位置。下一步，由于各個(gè)受試對象的大腦形狀會存在差異，因此，可以按照需求確定全腦的標(biāo)準(zhǔn)模板，并將每位受試對象的大腦影像統(tǒng)一映射到該標(biāo)準(zhǔn)模板，實(shí)現(xiàn)數(shù)據(jù)的空間標(biāo)準(zhǔn)化。最后，對空間標(biāo)準(zhǔn)化的數(shù)據(jù)執(zhí)行高斯平滑、去線性漂移、濾波和去除協(xié)變量等處理，得到n個(gè)全腦基礎(chǔ)數(shù)據(jù)組。

需要指出的是，上述預(yù)處理的每個(gè)執(zhí)行過程均為本領(lǐng)域技術(shù)人員所熟知的過程，本發(fā)明此處不再詳述。

步驟s102，計(jì)算每個(gè)全腦預(yù)先劃分的若干個(gè)腦分區(qū)之間的特征連接值。

其中，根據(jù)上述步驟的描述可知，計(jì)算機(jī)將每個(gè)人的全腦影像映射到了標(biāo)準(zhǔn)模板上，而預(yù)先確定的標(biāo)準(zhǔn)模板對應(yīng)設(shè)置有多個(gè)分區(qū)，因此，本步驟中，在將全腦影像映射到該標(biāo)準(zhǔn)模板上之后，還可以，按照該標(biāo)準(zhǔn)模板將全腦劃分為多個(gè)腦分區(qū)，進(jìn)而，可以分別從每個(gè)全腦基礎(chǔ)數(shù)據(jù)中獲取相應(yīng)腦分區(qū)對應(yīng)的基礎(chǔ)數(shù)據(jù)。

進(jìn)一步的，對應(yīng)每個(gè)全腦，本方案可以對其腦分區(qū)對應(yīng)的基礎(chǔ)數(shù)據(jù)執(zhí)行pearson’s相關(guān)，然后，對pearson’s相關(guān)后的數(shù)據(jù)執(zhí)行fisher’sz變換，得到該全腦腦分區(qū)之間的特征連接值a，其中，a是表示該全腦的功能連接矩陣，具體可以表現(xiàn)為下述公式：

在該公式中，i和j表示腦分區(qū)之間的功能連接數(shù)值，n表示腦分區(qū)的數(shù)量。而對于任一受試對象，其基礎(chǔ)數(shù)據(jù)中包括m個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，因此，該受試對象的全腦時(shí)間序列候選特征值矩陣為m×a，并且，其實(shí)際待選特征連接數(shù)為(n×n–n)/2個(gè)。

步驟s103，計(jì)算n個(gè)特征連接值組之間的組間效應(yīng)量。

其中，在上述描述的基礎(chǔ)上，n個(gè)全腦基礎(chǔ)數(shù)據(jù)組可以對應(yīng)得到n個(gè)特征連接值組，而該特征連接值組可以作為全腦數(shù)據(jù)分析的參數(shù)，具體的，可以計(jì)算n個(gè)特征連接值組之間的組間效應(yīng)量。

本步驟具體執(zhí)行為：當(dāng)計(jì)算兩個(gè)特征連接值組之間的組間效應(yīng)量時(shí)，使用公式：

其中，是兩個(gè)特征連接值組中每個(gè)特征連接值組的樣本平均值；spool是兩個(gè)特征連接值的樣本合并標(biāo)準(zhǔn)差，

其中，s是兩個(gè)特征連接值組中每個(gè)特征連接值組的樣本標(biāo)準(zhǔn)差。

此外，當(dāng)計(jì)算多個(gè)特征連接值組之間的組間效應(yīng)量時(shí)，使用公式：

其中，η²是一個(gè)統(tǒng)計(jì)量，表示因素a在總體變異中所占的比例，

其中，ssa代表因素a產(chǎn)生的多個(gè)特征連接值組組間變異，sstotal為總方差，

ssa＝∑nj(yj-yt)²

sstotal＝∑(yij-yj)²

其中，nj為多個(gè)特征連接值組中特征連接值的總數(shù)，yj為多個(gè)特征連接值組中每組的平均值，yt為多個(gè)特征連接值組的總平均值，yij為多個(gè)特征連接值組中的每一個(gè)數(shù)值。

步驟s104，建立分類模型。

在上述步驟的基礎(chǔ)上，可以將組間效應(yīng)量作為閾值，對特征連接值進(jìn)行分類，具體的，cohen’sd為0.2時(shí)，可以視為較小的效應(yīng)量，cohen’sd為0.5時(shí)，可以視為中等程度的效應(yīng)量，cohen’sd為0.8時(shí)，可以視為較高的效應(yīng)量。cohen’sf為0.1時(shí)，可以視為較小的效應(yīng)量，cohen’sf為0.25時(shí)，可以視為中等程度的效應(yīng)量，cohen’sf為0.4時(shí)，可以視為較高的效應(yīng)量。

本方案中，可以預(yù)先建立分類模型，然后，將不同閾值下提取出的連接特征值作為輸入樣本，可以采用隨機(jī)森林、近鄰取樣、支持向量機(jī)或者樸素貝葉斯等算法，確定分類模型的參數(shù)。進(jìn)而，在后續(xù)治療過程中，可以通過分類模型輸出結(jié)果，并通過結(jié)果統(tǒng)計(jì)真陽性(truepositive，tp)，真陰性(truenegative,tn)，假陰性(falsenegative,fn)和假陽性(falsepositive,fp)，并可以進(jìn)一步對準(zhǔn)確性(accuracy)、敏感性(sensitivity)、特異性(specificity)和精確性(precision)進(jìn)行計(jì)算。其中，

需要指出的是，閾值可以根據(jù)分析需要選擇一定的cohen’s區(qū)間以及間隔，在不同閾值下，可以篩選出不同數(shù)量的特征連接值進(jìn)行進(jìn)一步分類模型的建立。

此外，還可根據(jù)真陽性率和假陽性率繪制受試對象的工作特征曲線，用構(gòu)圖法揭示敏感性和特異性的相互關(guān)系，其曲線下面積越大，分類的準(zhǔn)確性越高。

對于多組間受試對象進(jìn)行分類的評價(jià)指標(biāo)，可將其簡化為若干組二分類問題，即為每一組受試對象與其他組(此時(shí)所有其他組視作一個(gè)整體)受試對象進(jìn)行分類后的評估數(shù)值得分，多組分類的總體敏感性、特異性和精確性為各二分類問題評價(jià)結(jié)果的加權(quán)平均值。

下面結(jié)合一個(gè)實(shí)例對建立分類模型進(jìn)行描述。

參見圖2，圖2為本發(fā)明實(shí)施例提供的特征曲線示例圖，在圖2所示的示例中，在效應(yīng)量在0.7閾值下，提取出145個(gè)最優(yōu)腦功能連接特征數(shù)值，及其受試對象工作特征曲線。該實(shí)施例中，區(qū)分兩組受試對象的準(zhǔn)確性為95.88％，敏感性為98.70％，特異性為85.11％，精確性為96.20％，roc曲線的曲線下面積為0.9838。其中，模型建立采用支持向量機(jī)的線性核以及留一交叉驗(yàn)證算法，使用基于python語言的scikit-learn工具箱。具體的，本發(fā)明實(shí)施例此處不再詳述。

由此可見，本方案在將全腦劃分多個(gè)腦分區(qū)后，計(jì)算腦分區(qū)之間的特征連接值，并以每個(gè)全腦的特征連接值參考數(shù)據(jù)，對多組全腦數(shù)據(jù)進(jìn)行分析，從而能夠以大數(shù)據(jù)為基礎(chǔ)，并從多個(gè)維度對人腦進(jìn)行全局分析。

與上述實(shí)現(xiàn)方法相對應(yīng)的，本發(fā)明實(shí)施例還提供了一種數(shù)據(jù)分析裝置，參見圖3，圖3為本發(fā)明實(shí)施例提供的數(shù)據(jù)分析裝置的結(jié)構(gòu)示意圖，所述裝置用于執(zhí)行圖1和圖2所對應(yīng)的數(shù)據(jù)分析方法。

所述裝置包括：執(zhí)行模塊11、計(jì)算模塊12和建立模塊13，其中，執(zhí)行模塊11，用于在接收到n個(gè)全腦影像數(shù)據(jù)組時(shí)，對所述n個(gè)全腦影像數(shù)據(jù)組中的每個(gè)全腦影像數(shù)據(jù)執(zhí)行預(yù)處理操作，得到n個(gè)全腦基礎(chǔ)數(shù)據(jù)組；其中，n是大于或者等于2的正整數(shù)，且每個(gè)所述全腦影像數(shù)據(jù)組包括若干個(gè)全腦影像數(shù)據(jù)；計(jì)算模塊12，用于根據(jù)所述n個(gè)全腦基礎(chǔ)數(shù)據(jù)組中的每個(gè)全腦基礎(chǔ)數(shù)據(jù)，計(jì)算每個(gè)全腦預(yù)先劃分的若干個(gè)腦分區(qū)之間的特征連接值，得到n個(gè)特征連接值組；在本實(shí)施例中，計(jì)算模塊12，還用于計(jì)算所述n個(gè)特征連接值組之間的組間效應(yīng)量；建立模塊13，用于按照所述組間效應(yīng)量將每個(gè)特征連接值分類，并建立分類模型。

在上述實(shí)施例的基礎(chǔ)上，在一個(gè)具體實(shí)施例中，計(jì)算模塊12，具體用于按照預(yù)設(shè)的標(biāo)準(zhǔn)模板將全腦劃分為若干個(gè)腦分區(qū)；分別從每個(gè)全腦基礎(chǔ)數(shù)據(jù)中獲取相應(yīng)腦分區(qū)對應(yīng)的基礎(chǔ)數(shù)據(jù)；對所述腦分區(qū)對應(yīng)的基礎(chǔ)數(shù)據(jù)執(zhí)行pearson’s相關(guān)；對pearson’s相關(guān)后的數(shù)據(jù)執(zhí)行fisher’sz變換，得到所述腦分區(qū)之間的特征連接值a，其中，

其中，所述i和所述j表示所述腦分區(qū)之間的功能連接數(shù)值，所述n表示所述腦分區(qū)的數(shù)量。

在另一個(gè)具體實(shí)施例中，當(dāng)計(jì)算兩個(gè)特征連接值組之間的組間效應(yīng)量時(shí)，計(jì)算模塊12，用于使用公式：

其中，所述是所述兩個(gè)特征連接值組中每個(gè)特征連接值組的樣本平均值；所述spool是所述兩個(gè)特征連接值的樣本合并標(biāo)準(zhǔn)差，

其中，所述s是所述兩個(gè)特征連接值組中每個(gè)特征連接值組的樣本標(biāo)準(zhǔn)差。

當(dāng)計(jì)算多個(gè)特征連接值組之間的組間效應(yīng)量時(shí)，計(jì)算模塊12，用于使用公式：

其中，所述η²是一個(gè)統(tǒng)計(jì)量，表示因素a在總體變異中所占的比例，

其中，所述ssa代表因素a產(chǎn)生的所述多個(gè)特征連接值組組間變異，所述sstotal為總方差，

ssa＝∑nj(yi-yt)²

sstotal＝∑(yij-yj)²

其中，所述nj為所述多個(gè)特征連接值組中特征連接值的總數(shù)，所述yj為所述多個(gè)特征連接值組中每組的平均值，所述yt為所述多個(gè)特征連接值組的總平均值，所述yij為所述多個(gè)特征連接值組中的每一個(gè)數(shù)值。

此外，執(zhí)行模塊11，具體用于將所述影像數(shù)據(jù)從醫(yī)學(xué)數(shù)字成像和通信dicom格式轉(zhuǎn)換為nifti格式；去除nifti格式數(shù)據(jù)中前10個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，得到剩余數(shù)據(jù)；對所述剩余數(shù)據(jù)執(zhí)行時(shí)間層矯正和頭動矯正；按照預(yù)設(shè)標(biāo)準(zhǔn)模板對矯正后的數(shù)據(jù)執(zhí)行空間標(biāo)準(zhǔn)化；對所述空間標(biāo)準(zhǔn)化的數(shù)據(jù)執(zhí)行高斯平滑、去線性漂移、濾波和去除協(xié)變量的操作。

綜上，為了解決現(xiàn)有技術(shù)得到的數(shù)據(jù)結(jié)果較為片面的問題，本方案在接收到n個(gè)全腦影像數(shù)據(jù)組，并對該n個(gè)全腦影像數(shù)據(jù)組中的每個(gè)全腦影像數(shù)據(jù)執(zhí)行預(yù)處理操作，得到n個(gè)全腦基礎(chǔ)數(shù)據(jù)組之后，可以首先按照預(yù)設(shè)的標(biāo)準(zhǔn)模板將全腦劃分為多個(gè)腦分區(qū)，然后，根據(jù)該n個(gè)全腦基礎(chǔ)數(shù)據(jù)組中的每個(gè)全腦基礎(chǔ)數(shù)據(jù)，計(jì)算每個(gè)全腦的若干個(gè)腦分區(qū)之間的特征連接值，得到n個(gè)特征連接值組，進(jìn)而計(jì)算n個(gè)特征連接值組之間的組間效應(yīng)量，并將部分組間效應(yīng)量作為分類閾值，建立分類模型。由此可見，本方案在將全腦劃分多個(gè)腦分區(qū)后，計(jì)算腦分區(qū)之間的特征連接值，并以每個(gè)全腦的特征連接值參考數(shù)據(jù)，對多組全腦數(shù)據(jù)進(jìn)行分析，從而能夠?qū)δX數(shù)據(jù)進(jìn)行全局分析，進(jìn)而能夠得到腦分區(qū)之間的功能連接和網(wǎng)絡(luò)。

盡管已描述了本發(fā)明的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實(shí)施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。