背景
为探究大脑的工作机理以及挖掘神经损伤（或发育障碍）所导致的脑功能连接方面的变化，项目组以静息态功能磁共振数据、脑电数据为研究对象，从不同视角构建高阶脑功能连接网络模型，用于全面表达、模拟多个脑区之间深层次连接关系，为自闭症、抑郁症、老年痴呆等脑疾病的辅助诊断提供技术支持。具体来讲，我们目前主要提出三种高阶脑功能网络，从不同视角表达、描述大脑各个脑区之间的功能连接特性。
内容
A)基于“相关性的相关性”准则，提出多层静态高阶功能网络构建方法（图6）。首先利用皮尔逊相关性，构建静态低阶脑网络连接矩阵（图6.1(b)），然后基于相关性的相关性，构建静态高阶脑网络连接矩阵（见图6.2(c)），最后对静态低阶、高阶网络矩阵进行特征选择和提取、融合，并用于自动判别脑疾病患者。
项目组所提出的静态多层高阶脑网络，弥补了静态低阶脑网络仅能反应任意两个脑区之间的关联特征，无法反映多个脑区之间关联特性的不足。基于实测数据的实验表明，所提取的静态多层高阶脑网络特征，与静态低阶脑网络特征之间，具有较强的互补性，二者的融合，识别性能明显提升。
B)基于“相关性的相关性”准则，提出局部动态高阶功能网络构建方法(图7)，用于反应脑区之间深层次的动态连接关系。首先，利用滑动窗技术，构建动态低阶脑网络（图7(a)）；然后，对动态低阶脑网络的每个子网络，类似方法A)，基于相关性的相关性，构建相应的高阶脑网络，用于反应短时间内多个脑区之间的复杂连接关系，进而得到反应多个脑区动态连接变化的局部高阶动态网络（图7(b)）。进一步，抽取高阶、低阶动态网络特征并用于脑疾病识别。项目组所提出的局部动态高阶脑网络，弥补了动态低阶脑网络仅能反应任意两个脑区之间的动态连接特性，无法反映多个脑区之间深层的动态特性的不足。
C)基于聚类分析，提出全局动态高阶功能网络构建方法（图8），用于反应不同脑区之间深层次的动态连接关系。首先，将不同个体的动态低阶网络首尾连接，进行相似性聚类（见图8(b)）。通过这种聚类方法，可以有效降低数据维度，同时也保持了不同个体之间同类脑区的一致性。其次，将每一类视为一个“脑区”，求每一类脑区连接曲线的均值曲线、方差曲线、三阶中心矩曲线等等，然后求任意两类之间的均值相关性矩阵、类方差相关性矩阵等等（见图8(c)~(d)），用于表达多个脑区之间深层次的连接特性。
项目组所提出的全局动态高阶脑网络，从另外一个视角，弥补了动态低阶脑网络仅能反应任意两个脑区之间的动态连接特性，无法反映了多个脑区之间深层的动态特性的不足。另外，采用聚类方法，能够有效降低基于“相关性的相关性”策略所构建的网络的复杂度。
总之，我们从不同视角提出多种用于反应脑区之间复杂连接关系的模型，期望通过这些网络连接特性分析，能否发现和疾病密切相关的连接差异，为临床诊断提供一些技术支持。在未来的研究工作中，我们一方面将继续探究连接网络模型的构建；另一方面，开展落地化研究，赋能临床诊断。