技術(shù)特征：

1.一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測方法，其特征包括如下步驟：

(1)從腦影像中構(gòu)造出腦連接網(wǎng)絡(luò)；

(2)從腦連接網(wǎng)絡(luò)中提取節(jié)點(diǎn)特征；

(3)從腦連接網(wǎng)絡(luò)中提取并選擇邊特征；

(4)將步驟(1)、(2)中提取到的兩種特征進(jìn)行線性的融合；

(5)使用支持向量回歸機(jī)(Support vector regression，SVR)對腦齡進(jìn)行回歸預(yù)測。

2.根據(jù)權(quán)利要求1所述的一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測的方法，其特征在于，所述步驟(1)中，從腦影像中構(gòu)造出腦連接網(wǎng)絡(luò)。其實(shí)現(xiàn)方法包括：

(21)對采集到的原始數(shù)據(jù)，我們使用Data Processing Assistant for Resting-State fMRI(DPARSF)進(jìn)行切片時間校正(slice timing)，頭動校正(motion correlation)，和空間正則化(spatial normalization)等標(biāo)準(zhǔn)預(yù)處理流程；

(22)根據(jù)Automated Anatomical Labeling(AAL)模板將每個對象的fMRI圖像所對應(yīng)的腦空間分割為90個腦區(qū)(每個腦區(qū)對應(yīng)圖中的一個頂點(diǎn))；

(23)計算每個腦區(qū)的平均時間序列以及腦區(qū)間的Pearson相關(guān)系數(shù)作為腦區(qū)間的連接強(qiáng)度(即為圖中的邊)。

3.根據(jù)權(quán)利要求1所述的一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測的方法，其特征在于，所述步驟(2)中，從腦連接網(wǎng)絡(luò)中提取節(jié)點(diǎn)特征，其實(shí)現(xiàn)方法包括：

(31)首先閾值化功能連接網(wǎng)絡(luò)，設(shè)定一個閾值T，小于閾值T的置為0，大于等于閾值T的置為1；

(32)對于閾值化后的連接網(wǎng)絡(luò)，計算節(jié)點(diǎn)的聚類系數(shù)。

4.根據(jù)權(quán)利要求3所述的從腦連接網(wǎng)絡(luò)中提取節(jié)點(diǎn)特征，其特征在于，所述步驟(32)中，計算節(jié)點(diǎn)的聚類系數(shù)，其實(shí)現(xiàn)方法包括：

(41)對于無權(quán)無項(xiàng)圖G，G中的第i個節(jié)點(diǎn)的聚類系數(shù)的計算公式如下：

$C_i=\frac{2\×E_i}{k_i\×(k_i-1)}$

其中，k_i表示第i個節(jié)點(diǎn)的鄰接點(diǎn)的個數(shù)，E_i表示第i個節(jié)點(diǎn)的k_i個鄰接點(diǎn)之間存在的邊數(shù)；

(42)對每個樣本的腦連接網(wǎng)絡(luò)計算其聚類系數(shù)，作為節(jié)點(diǎn)的特征。

5.根據(jù)權(quán)利要求1所述的一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測的方法，其特征在于，所述步驟(3)中，從腦連接網(wǎng)絡(luò)中提取并選擇邊特征，其實(shí)現(xiàn)方法包括：

(51)對于腦連接網(wǎng)絡(luò)，首先可以簡單的得到網(wǎng)絡(luò)中的邊，將邊拉成向量保存其權(quán)重信息；

(52)使用Lasso算法選擇最具有判別性的邊，作為邊的特征。

6.根據(jù)權(quán)利要求1所述的一種基于腦連接網(wǎng)絡(luò)的腦齡預(yù)測的方法，其特征在于，所述步驟(4)中，將步驟(1)、(2)中提取到的兩種特征進(jìn)行線性的融合，其實(shí)現(xiàn)方法包括：

(61)將提取到的邊的特征和節(jié)點(diǎn)的特征線性的融合在一起。不妨設(shè)節(jié)點(diǎn)的特征矩陣為邊的特征矩陣為則融合后的特征矩陣為其中，n表示樣本個數(shù)，c表示節(jié)點(diǎn)的特征個數(shù)，e表示邊的特征個數(shù)。