本发明属于生物医学信号处理技术领域，具体涉及一种基于分层模块的脑分离与整合平衡状态判定方法。
背景技术：
功能磁共振成像(functionalmagneticresonanceimaging,fmri)是一种较新的医学成像技术，能无损获取人脑的高分辨率结构像，是一种非介入、无创的大脑活体功能研究方法。基于fmri成像，以脑区为节点，脑区之间神经活动时间序列相关性为边，构建大脑动态功能连接网络，是目前脑认知机理研究的前沿手段，在认知能力评价、痛感预测等方面得具有广泛应用。
大脑是由多个功能区组成的复杂网络系统，通过整合感觉、运动、视觉等信息来产生丰富的认知功能。认知功能的形成不仅需要功能系统之间密切的信息交流，即功能性整合，而且还需要功能系统相对独立的神经活动，即功能性分离。研究发现，不同认知功能需要不同程度的功能性分离与整合过程，例如运动执行功能需要更强的分离程度，而工作记忆需要更强的整合作用。一般认为，大脑在静息态时处于功能性分离与整合平衡的临界状态。从动力学角度来说，大脑必须随时随刻为认知任务做好准备，而动力学的临界平衡状态为大脑提供了一种灵活性，可以随时切换到分离或者整合状态，从而满足不同认知功能的需求。尽管这一假设得到了众多科学家的支持，但全脑尺度的功能性分离与整合的平衡尚缺少直接证据。
近年来，以脑区为节点，脑区之间神经活动时间序列相关性为边构建的大脑功能连接网络，可以作为大脑的潜在“指纹”，在认知机理研究方面得到越来越多的关注。大脑功能连接网络中具有相似功能特性的脑区会聚集在一起，构成模块化结构，是功能网络的显著特征。在模块内部，功能区之间具有较强的功能连接，而不同模块间的功能连接相对较弱，从而能描述功能性的分离过程；同时，模块之间又需要足够强的功能连接来支撑信息在全脑的有效流动，产生功能性的整合。基于模块化的测量是目前研究功能性分离与整合过程的主要手段，并且基于模块化的特征与多种认知能力有关。然而，目前的工作都是基于单个测量指标刻画相对的分离与整合过程，尚无功能性分离与整合平衡的精确定义，极大地限制了对大脑分离与整合平衡的认识及其与认知行为关系的进一步探索。
事实上，大脑功能网络具有显著的分层模块化结构，而经典的模块化方法都是在单层网络上进行划分，不能描述功能网络的分层模块化特征，这有可能是目前无法精确定义功能性分离与整合平衡的主要原因。
技术实现要素：
本发明的目的在于提供一种基于分层模块的脑分离与整合平衡状态判定方法，以解决现有技术中脑功能连接网络指标是基于单层的功能连接矩阵，无法准确判断分离与整合平衡状态的问题。
本发明提供一种基于分层模块的脑分离与整合平衡状态判定方法，包括如下步骤：
步骤1：提取大脑fmri图像数据的时间序列
采集q位健康被试者的大脑fmri图像数据，每个被试者都需完成为期两天的测试，每天完成2次mri扫描，重复时间tr＝0.72s，每次扫描持续864s，也就是1200个时间点；
首先将被试者大脑fmri图像数据经过最小化预处理；然后将预处理后的大脑fmri图像数据转化为cifti格式；最后将大脑fmri图像数据划分为360个脑区，在每个脑区内，将所有体素信号进行叠加平均，得到该脑区的fmri时间序列；
步骤2：构建稳态功能连接网络
首先将每个被试者4次扫描的fmri时间序列进行串联，每个脑区包含4800个时间点；然后将所有被试者的fmri时间序列依次进行串联，得到每个脑区长时间的fmri时间序列，包含q×4800个时间点；以fmri时间序列长度l1＝q×4800，计算i和j两个脑区fmri时间序列的稳态皮尔逊相关系数
将稳态皮尔森相关系数
将稳态功能连接网络记为fc，其元素
步骤3：构建静态功能连接网络
将每个被试者4次扫描的fmri时间序列进行串联，得到每个脑区包含4800个时间点的fmri时间序列；以fmri时间序列长度l2＝4800，针对每个被试者计算i和j两个脑区fmri时间序列的静态皮尔逊相关系数
将每个被试者的静态功能连接网络记为sc，其元素
步骤4：特征模态分解
每个功能连接网络c都能分解为c＝uλut，其中u为特征向量，λ为特征值，ut为特征向量的转置；采用λ2刻画特征模态对功能连接网络的贡献度，按照贡献度从大到小的顺序，对特征模态进行排序；将负特征值设为0；
所述的功能连接网络为稳态功能连接网络或静态功能连接网络；
步骤5：对稳态功能连接网络进行分层模块划分；
步骤6：对静态功能连接网络进行分层模块划分；
步骤7：大脑分层分离与整合指标
在分层模块化结构中，每一层支持了模块内部的整合及模块之间的分离，并且随着阶次的增加，模块数量逐渐增加，支持了更高的分离过程；再者，随着阶次的增加，伴随着对功能连接网络贡献度的下降；尤其是具有最高模块数量的层数支持了完全的分离过程，具有较小的贡献度；
功能连接网络第f层的分离与整合成分定义为：
其中，
n＝360为模块划分的层数，也是特征模态的阶数；将模块数量mf归一化在[0,1]之间；
f为稳态功能连接网络或静态功能连接网络的层数；
mf为稳态功能连接网络或静态功能连接网络第f层的模块数量；
hf为稳态功能连接网络或静态功能连接网络第f层的分离与整合成分；
采用hf描述多尺度水平下的分层分离和整合过程；
另外，每层分离和整合成分需要根据模块尺寸的异质性进行校正，校正因子为pf：
其中，
n＝360为脑区数量；
mo为稳态功能连接网络或静态功能连接网络第f层第o个模块的尺寸；
校正因子pf反映了在第f层，模块尺寸与最优模块尺寸之间的偏差；因此，hf被校正为：
在第一层，功能连接网络只有一个模块，包含了所有脑区一起激发产生全局的功能性整合，因此用来计算全脑整合成分hin：
由于功能连接网络的第一层只包括一个模块，第1层的校正因子p1＝0，所以全脑整合成分不需要校正；h1为功能连接网络第1层的分离与整合成分；λ12为功能连接网络第1层的贡献度；m1为功能连接网络第一层的模块数量；n＝360为模块划分的层数，也为特征模态的阶数；n＝360为脑区数量；
功能连接网络的全脑分离成分hse来源于多尺度的分离过程，f为2～n层：
进一步定义分离成分与整合成分之间的竞争指标hb：
hb＝hin-hse
hb＜0表明大脑功能连接网络处于分离状态，hb＞0表明大脑功能连接网络处于整合状态，hb＝0表明了分离与整合的平衡；
所述的功能连接网络为稳态功能连接网络或静态功能连接网络；
步骤8：稳态功能连接网络分离与整合的平衡
根据步骤2、5和7，计算稳态功能连接网络fc的分离成分
步骤9：个体静态功能连接网络分离与整合成分的修正
在个体静态功能连接网络分离与整合成分计算过程中，fmri时间序列长度l2会给静态功能连接网络带来更多的分离成分
具体修正方法为，
比较个体被试者在单次扫描数据与4次扫描数据下
结果表明：每个脑区的fmri时间序列长度主要影响分离成分
由于静息态大脑在稳态功能连接网络中会近似达到分离和整合的平衡，因此，将静态功能连接网络的分离成分
采用比例修正，q位被试者的静态功能连接网络的整合成分和分离成分向量分别为
结果表明：修正后的
上述步骤5中，对稳态功能连接网络进行分层模块划分的具体方法为，
1)在第一阶模态，所有脑区具有相同的正特征向量值或负特征向量值；所以，所有脑区以相同的方向激活，表明了所有脑区共同参与的激活模式；因此，第一阶特征模态反映了稳态功能连接网络的第一层，第一层稳态功能连接网络即原始稳态功能连接网络，包含所有脑区；
2)在第二阶模态，特征向量在脑区中具有负值和正值；特征向量值为正的脑区具有相同的激活模式，划分为第一稳态模块；剩余脑区具有负的特征向量值，划分为第二稳态模块；因此，第二阶特征模态作为稳态功能连接网络的第二层；也就是说，稳态功能连接网络的第二层由第一稳态模块和第二稳态模块组成；然后，对脑区进行重新排序以获得具有两个显著模块的新的功能连接矩阵，模块内的脑区随机排序；
3)基于第三阶特征向量中脑区成分的正负，将第二层中的每个模块进一步划分为两个子模块，具体为：第一稳态模块中特征向量值为正的脑区划分为第三稳态模块，第一稳态模块中特征向量值为负的脑区划分为第四稳态模块，第二稳态模块中特征向量值为正的脑区划分为第五稳态模块，第二稳态模块中特征向量值为负的脑区划分为第六稳态模块；从而生成稳态功能连接网络的第三层；也就是说，稳态功能连接网络的第三层由第三稳态模块、第四稳态模块、第五稳态模块和第六稳态模块组成；
4)依次在更高阶的特征模态中进行进一步的模块划分；直到每个模块仅包含一个脑区时，划分过程停止；在分层模块划分过程中，得到稳态功能连接网络每一层的模块数量
上述步骤6中，对静态功能连接网络进行分层模块划分的具体方法为，
1)在第一阶模态，所有脑区具有相同的正特征向量值或负特征向量值；所以，所有脑区以相同的方向激活，表明了所有脑区共同参与的激活模式；因此，第一阶特征模态反映了静态功能连接网络的第一层，第一层静态功能连接网络即原始静态功能连接网络，包含所有脑区；
2)在第二阶模态，特征向量在脑区中具有负值和正值；特征向量值为正的脑区具有相同的激活模式，划分为第一静态模块；剩余脑区具有负的特征向量值，划分为第二静态模块；因此，第二阶特征模态作为静态功能连接网络的第二层；也就是说，静态功能连接网络的第二层由第一静态模块和第二静态模块组成；然后，对脑区进行重新排序以获得具有两个显著模块的新的功能连接矩阵，模块内的脑区随机排序；
3)基于第三阶特征向量中脑区成分的正负，将第二层中的每个模块进一步划分为两个子模块，具体为：第一静态模块中特征向量值为正的脑区划分为第三静态模块，第一静态模块中特征向量值为负的脑区划分为第四静态模块，第二静态模块中特征向量值为正的脑区划分为第五静态模块，第二静态模块中特征向量值为负的脑区划分为第六静态模块；从而生成静态功能连接网络的第三层；也就是说，静态功能连接网络的第三层由第三静态模块、第四静态模块、第五静态模块和第六静态模块组成；
4)依次在更高阶的特征模态中进行进一步的模块划分，直到每个模块仅包含一个脑区时，划分过程停止；在分层模块划分过程中，得到静态功能连接网络每一层的模块数量
本发明的积极效果：
(1)针对现有技术中单层功能网络分析无法准确刻画大脑分离与整合平衡状态的问题，本发明采用特征模态对大脑功能连接网络进行分层模块划分，提取相互独立的分层分离与整合成分，提出准确刻画分离与整合平衡的网络指标。
(2)针对当前fmri信号采集时间短，不能真实反映大脑认知状态这一不足，本发明提出根据将多个被试者的fmri时间序列进行拼接，得到稳态功能连接网络，根据稳态功能连接网络修正个体功能网络指标的策略，结果不仅能够证明健康年轻人(22-36周岁)群的大脑整体靠近平衡状态，而且在个体差异中，能够准确判定处于平衡状态的大脑，有助于对大脑功能模式更加综合和全面的认识以及为临床上精神疾病的进一步研究和评估提供指导方法。
附图说明
图1是本发明步骤2中，根据第一阶特征向量得到第一层稳态功能连接网络的模块划分图，即原始稳态功能连接网络图；
图2是本发明步骤3中，根据第一阶特征向量得到第一层静态功能连接网络的模块划分图，即原始静态功能连接网络图；
图3是本发明步骤5中，原始稳态功能连接网络的前4阶特征向量图；
图4是本发明步骤5中，第二层稳态功能连接网络的模块划分图；
图5是本发明步骤5中，在第二阶特征向量中进行第二层稳态功能连接网络的模块划分图；
图6是本发明步骤5中，第三层稳态功能连接网络的模块划分图；
图7是本发明步骤5中，在第三阶特征向量中进行第三层稳态功能连接网络的模块划分图；
图8是本发明步骤5中，稳态功能连接网络的分层模块化网络图；
图9是本发明步骤5中，稳态功能连接网络的分层模块划分完毕后，模块在前四阶特征向量中的划分图；
图10是本发明步骤6中，原始静态功能连接网络的前4阶特征向量图；
图11是本发明步骤6中，第二层静态功能连接网络的模块划分图；
图12是本发明步骤6中，在第二阶特征向量中进行第二层静态功能连接网络的模块划分图；
图13是本发明步骤6中，第三层静态功能连接网络的模块划分图；
图14是本发明步骤6中，在第三阶特征向量中进行第三层静态功能连接网络的模块划分图；
图15是本发明步骤6中，静态功能连接网络的分层模块化网络图；
图16是本发明步骤6中，静态功能连接网络的分层模块划分完毕后，模块在前四阶特征向量中的划分图；
图17是本发明步骤7中，不同层数的功能模态与功能连接网络(稳态功能连接网络或静态功能连接网络)贡献度
图18是本发明步骤7中，不同层数的功能模态与归一化模块数量mf的关系图；
图19是本发明步骤7中，校正前不同层数的功能模态与分离与整合成分hf的关系图；
图20是本发明步骤7中，不同层数的功能模态与异质性模块尺寸校正因子pf的关系图；
图21是本发明步骤7中，校正后不同层数的功能模态与分离与整合成分hf的关系图；
图22是本发明步骤7中，不同fmri时间序列长度下，功能连接网络(稳态功能连接网络或静态功能连接网络)整合成分hin的变化图；
图23是本发明步骤7中，不同fmri时间序列长度下，功能连接网络(稳态功能连接网络或静态功能连接网络)分离成分hse的变化图；
图24是本发明步骤9中，不同被试者在一次扫描和四次扫描下，
图25是本发明步骤9中，不同被试者在一次扫描和四次扫描下，
图26是本发明步骤9中，991个被试者修正前静态功能连接网络的分离成分与整合成分示意图；
图27是本发明步骤9中，991个被试者的静态功能连接网络分离与整合成分竞争指标
具体实施方式
本发明提供一种基于分层模块的脑分离与整合平衡状态判定方法，主要采用特征模态的方法来探测静息态脑功能连接网络的分层模块化结构，提出功能性分离与整合平衡的指标，并进一步针对实际脑成像数据采集时间有限的缺点，对个体分离与整合平衡指标进行修正，准确判定处于平衡状态的个体大脑。
本发明提供一种基于分层模块的脑分离与整合平衡状态判定方法，包括如下步骤：
步骤1：提取大脑fmri图像数据的时间序列
本发明采用991个健康被试者的大脑fmri图像数据(女性528名，男性463名，年龄在22～36之间)，这991个健康被试者的大脑fmri图像数据来源于人类脑计划(hcp，http://www.humanconnectome.org/study/hcp-young-adult)。每个被试者都需完成为期两天的测试，每天完成2次高分辨率的mri扫描，重复时间tr＝0.72s，每次扫描持续864s(为1200个时间点)。
首先，将上述大脑fmri图像数据经过最小化预处理(minimalpreprocessingpipelines)，具体最小化预处理流程参见https://doi.org/10.1016/j.neuroimage.2013.04.127；然后将预处理后的大脑fmri图像数据转化为cifti格式，cifti格式的大脑fmri图像数据由91285个体素所组成，分辨率为2mm。由于在fmri波动的整体成分与潜在的神经活动紧密相关，在预处理过程中并未去除全局全脑信号，但同时不可避免的包含脑脊液、白质等冗杂信号。
接着，采用multimodalparcellation(mmp)脑区模板将大脑fmri图像数据划分为360个脑区。在每个脑区内，将所有体素信号进行叠加平均，得到该脑区的fmri时间序列。在提取脑区时间序列的过程中，采用0.01hz-0.1hz的带通滤波器过滤掉由仪器扫描引起的低频漂移信号或高频噪声。
步骤2：构建稳态功能连接网络
首先将每个被试者4次扫描的fmri时间序列进行串联，每个脑区包含4800个时间点；然后将所有被试者的fmri时间序列依次进行串联，得到每个脑区长时间的fmri时间序列，包含991×4800＝4756800个时间点(约951.36h)。以fmri时间序列长度l1＝4756800，计算i和j两个脑区fmri时间序列的稳态皮尔逊相关系数
将稳态皮尔森相关系数
将稳态功能连接网络记为fc，其元素
步骤3：构建静态功能连接网络
将每个被试者4次扫描的fmri时间序列进行串联，得到每个脑区包含4800个时间点的fmri时间序列；以fmri时间序列长度l2＝4800，针对每个被试者计算i和j两个脑区fmri时间序列的静态皮尔逊相关系数
将每个被试者的静态功能连接网络记为sc，其元素
步骤4：特征模态分解
每个功能连接网络c(即fc或者sc)都能分解为c＝uλut，其中u为特征向量，λ为特征值，ut为特征向量的转置。在特征空间中，特征值λ通常用来表示每阶模态对功能连接网络的贡献程度，总贡献度
上述功能连接网络为稳态功能连接网络或静态功能连接网络。
步骤5：对稳态功能连接网络进行分层模块划分
1)在第一阶模态，所有脑区具有相同的正特征向量值或负特征向量值，如图3所示；所以，所有脑区以相同的方向激活，表明了所有脑区共同参与的激活模式；因此，第一阶特征模态反映了稳态功能连接网络的第一层，第一层稳态功能连接网络即原始稳态功能连接网络，包含所有脑区，如图1所示。
2)在第二阶模态，特征向量在脑区中具有负值和正值；特征向量值为正的脑区具有相同的激活模式，划分为第一稳态模块；剩余脑区具有负的特征向量值，划分为第二稳态模块，如图5所示；因此，第二阶特征模态作为稳态功能连接网络的第二层；也就是说，稳态功能连接网络的第二层由第一稳态模块和第二稳态模块组成；然后，对脑区进行重新排序以获得具有两个显著模块的新的功能连接矩阵，(模块内的脑区随机排序)，如图4所示。
3)基于第三阶特征向量中脑区成分的正负，将第二层中的每个模块进一步划分为两个子模块，具体为：第一稳态模块中特征向量值为正的脑区划分为第三稳态模块，第一稳态模块中特征向量值为负的脑区划分为第四稳态模块，第二稳态模块中特征向量值为正的脑区划分为第五稳态模块，第二稳态模块中特征向量值为负的脑区划分为第六稳态模块；从而生成稳态功能连接网络的第三层，如图7所示；也就是说，稳态功能连接网络的第三层由第三稳态模块、第四稳态模块、第五稳态模块和第六稳态模块组成，如图6所示。
4)依次在更高阶的特征模态中进行进一步的模块划分，如图9所示。直到每个模块仅包含一个脑区时，划分过程停止；在分层模块划分过程中，得到稳态功能连接网络每一层的模块数量
步骤6：对静态功能连接网络进行分层模块划分
1)在第一阶模态，所有脑区具有相同的正特征向量值或负特征向量值，如图10所示；所以，所有脑区以相同的方向激活，表明了所有脑区共同参与的激活模式；因此，第一阶特征模态反映了静态功能连接网络的第一层，第一层静态功能连接网络即原始静态功能连接网络，包含所有脑区，如图2所示。
2)在第二阶模态，特征向量在脑区中具有负值和正值；特征向量值为正的脑区具有相同的激活模式，划分为第一静态模块；剩余脑区具有负的特征向量值，划分为第二静态模块，如图12所示；因此，第二阶特征模态作为静态功能连接网络的第二层；也就是说，静态功能连接网络的第二层由第一静态模块和第二静态模块组成；然后，对脑区进行重新排序以获得具有两个显著模块的新的功能连接矩阵，(模块内的脑区随机排序)，如图11所示。
3)基于第三阶特征向量中脑区成分的正负，将第二层中的每个模块进一步划分为两个子模块，具体为：第一静态模块中特征向量值为正的脑区划分为第三静态模块，第一静态模块中特征向量值为负的脑区划分为第四静态模块，第二静态模块中特征向量值为正的脑区划分为第五静态模块，第二静态模块中特征向量值为负的脑区划分为第六静态模块；从而生成静态功能连接网络的第三层，如图14所示；也就是说，静态功能连接网络的第三层由第三静态模块、第四静态模块、第五静态模块和第六静态模块组成，如图13所示。
4)依次在更高阶的特征模态中进行进一步的模块划分，如图16所示，直到每个模块仅包含一个脑区时，划分过程停止；在分层模块划分过程中，得到静态功能连接网络每一层的模块数量
步骤7：大脑分层分离与整合指标
模块划分在单层网络中进行，其支持了模块之间的分离过程与模块内部的整合过程。更大的模块数量表明更高的分离过程。在分层模块化结构中，每一层支持了模块内部的整合及模块之间的分离，并且随着阶次的增加，模块数量逐渐增加，如图18所示，支持了更高的分离过程；再者，随着阶次的增加，伴随着对功能连接网络(稳态功能连接网络或静态功能连接网络)贡献度(即特征值)的下降，如图17所示。尤其是具有最高模块数量的层数支持了完全的分离过程，具有较小的贡献度(特征值)。
综合考虑模块数量mf与贡献度
其中，
n＝360为模块划分的层数(即特征模态的阶数)，将模块数量mf归一化在[0,1]之间；
f为稳态功能连接网络或静态功能连接网络的层数；在步骤5和步骤6中，f1＝f2；f＝f1＝f2；
mf为稳态功能连接网络或静态功能连接网络第f层的模块数量；
hf为稳态功能连接网络或静态功能连接网络第f层的分离与整合成分；
在层数较低时(如第f层)，模块数量mf较小，贡献度
然而，由于模块尺寸具有异质性，模块数量不能单独且正确地反映嵌套的分离和整合过程。比如：稳态功能连接网络或静态功能连接网络的第二层由两个模块组成，当模块尺寸分别为一个脑区和n-1个脑区时，该层会产生很弱的分离和近乎全脑的整合过程；如果模块尺度更均匀，即m2＝n/m2，该层将会产生两个模块之间很强的分离过程。其中，m2为稳态功能连接网络或静态功能连接网络第二层模块的尺寸；m2为稳态功能连接网络或静态功能连接网络第二层的模块数量；n＝360为模块划分的层数(即特征模态的阶数)。
因此，每层分离和整合成分需要根据模块尺寸的异质性进行校正，校正因子为pf：
其中，
n＝360为脑区数量；
mo为稳态功能连接网络或静态功能连接网络第f层第o个模块的尺寸。
如图20所示为每层模块的校正因子，校正因子pf反映了在第f层，模块尺寸与最优模块尺寸之间的偏差。因此，hf被校正为：
该校正的目的是反映模块尺寸对分离与整合过程的影响。如果模块尺寸与最优模块尺寸之间的偏差较大，相应的校正效应将会变的较大，如图21所示。
在第一层，功能连接网络(稳态功能连接网络或静态功能连接网络)只有一个模块，包含了所有脑区一起激发产生全局的功能性整合，能使信息在整个大脑中进行有效的交流，因此用来计算全脑整合成分hin：
进一步通过脑区数量n进行标准化，得到与功能网络尺寸无关的度量，由于功能连接网络第一层只包括一个模块，第1层的校正因子p1＝0，所以全脑整合成分不需要校正。h1为功能连接网络第1层的分离与整合成分；λ12为功能连接网络第1层的贡献度；m1为功能连接网络第一层的模块数量；n＝360为模块划分的层数(即特征模态的阶数)；n＝360为脑区数量。
图22中显示了在不同的fmri时间序列长度下，功能连接网络(稳态功能连接网络或静态功能连接网络)整合成分hin的变化，表明了fmri时间序列长度对全脑整合成分hin的影响较小。
功能连接网络(稳态功能连接网络或静态功能连接网络)的全脑分离成分hse来源于多尺度的分离过程(即从2～n层)：
图23中显示了在不同的fmri时间序列长度下，功能连接网络(稳态功能连接网络或静态功能连接网络)分离成分hse的变化，表明了fmri时间序列长度对分离成分hse的影响较大。
进一步定义分离成分与整合成分之间的竞争指标hb：
hb＝hin-hse
hb＜0表明大脑功能连接网络处于分离状态，hb＞0表明大脑功能连接网络处于整合状态，hb＝0表明了分离与整合的平衡。
上述功能连接网络为稳态功能连接网络或静态功能连接网络。
步骤8：稳态功能连接网络分离与整合的平衡
根据步骤2、5和7，计算稳态功能连接网络fc的分离成分
由于稳态功能连接网络通过拼接不同扫描时间和个体间的fmri信号来近似得到长时间的神经活动时间序列，不能真实反映一个大脑长时间的神经活动；另外，大脑fmri图像数据预处理过程未去除全局全脑信号，不可避免的包含脑脊液、白质等冗杂信号，都会给神经系统带来更多的分离成分；所以要对稳态功能连接网络进行分离与整合的平衡。
上述结果表明：健康年轻人(22～36周岁)的大脑在静息态时靠近分离与整合的平衡状态(
步骤9：个体静态功能连接网络分离与整合成分的修正
在个体静态功能连接网络分离与整合成分计算过程中，发现较短的fmri时间序列长度(l2＝4800)会给静态功能连接网络带来更多的分离成分
具体修正方法为，
比较个体被试者在单次扫描数据与4次扫描数据下
由于静息态大脑在稳态功能连接网络中会近似达到分离和整合的平衡，因此，将静态功能连接网络的分离成分
采用比例修正，假设991个被试者的静态功能连接网络的整合成分和分离成分向量分别为
如图26所示，在修正前，在第863个被试者处于分离与整合的平衡状态(纵向虚线处)，大部分被试者处于分离状态(纵向虚线左侧)，只有很少数量被试者处于整合状态(纵向虚线右侧)；具体见图26，根据整合成分由小到大排序，纵向虚线处的被试者处于分离与整合的平衡状态，虚线左侧被试者处于分离状态，虚线右侧被试者处于整合状态。
如图27所示，在修正后，在第506个被试者处于分离与整合的平衡状态(纵向虚线处)，且处于分离状态和整合状态的被试者数量近似相等。具体见图27，通过对991个被试者修正前后的静态功能连接网络的分离与整合成分竞争指标
因此，采用本发明提出的刻画分离与整合平衡指标hb以及针对较短fmri时间序列长度l2的修正方法，能够准确判定被试者处于分离、整合或者平衡状态。
1.基于分层模块的脑分离与整合平衡状态判定方法，其特征在于，包括如下步骤：
步骤1：提取大脑fmri图像数据的时间序列
采集q位健康被试者的大脑fmri图像数据，每个被试者都需完成为期两天的测试，每天完成2次mri扫描，重复时间tr＝0.72s，每次扫描持续864s，也就是1200个时间点；
首先将被试者大脑fmri图像数据经过最小化预处理；然后将预处理后的大脑fmri图像数据转化为cifti格式；最后将大脑fmri图像数据划分为360个脑区，在每个脑区内，将所有体素信号进行叠加平均，得到该脑区的fmri时间序列；
步骤2：构建稳态功能连接网络
首先将每个被试者4次扫描的fmri时间序列进行串联，每个脑区包含4800个时间点；然后将所有被试者的fmri时间序列依次进行串联，得到每个脑区长时间的fmri时间序列，包含q×4800个时间点；以fmri时间序列长度l1＝q×4800，计算i和j两个脑区fmri时间序列的稳态皮尔逊相关系数
将稳态皮尔森相关系数
将稳态功能连接网络记为fc，其元素
步骤3：构建静态功能连接网络
将每个被试者4次扫描的fmri时间序列进行串联，得到每个脑区包含4800个时间点的fmri时间序列；以fmri时间序列长度l2＝4800，针对每个被试者计算i和j两个脑区fmri时间序列的静态皮尔逊相关系数
将每个被试者的静态功能连接网络记为sc，其元素
步骤4：特征模态分解
每个功能连接网络c都能分解为c＝uλut，其中u为特征向量，λ为特征值，ut为特征向量的转置；采用λ2刻画特征模态对功能连接网络的贡献度，按照贡献度从大到小的顺序，对特征模态进行排序；将负特征值设为0；
所述的功能连接网络为稳态功能连接网络或静态功能连接网络；
步骤5：对稳态功能连接网络进行分层模块划分；
步骤6：对静态功能连接网络进行分层模块划分；
步骤7：大脑分层分离与整合指标
在分层模块化结构中，每一层支持了模块内部的整合及模块之间的分离，并且随着阶次的增加，模块数量逐渐增加，支持了更高的分离过程；再者，随着阶次的增加，伴随着对功能连接网络贡献度的下降；尤其是具有最高模块数量的层数支持了完全的分离过程，具有较小的贡献度；
功能连接网络第f层的分离与整合成分定义为：
其中，
n＝360为模块划分的层数，也是特征模态的阶数；将模块数量mf归一化在[0,1]之间；
f为稳态功能连接网络或静态功能连接网络的层数；
mf为稳态功能连接网络或静态功能连接网络第f层的模块数量；
hf为稳态功能连接网络或静态功能连接网络第f层的分离与整合成分；
采用hf描述多尺度水平下的分层分离和整合过程；
另外，每层分离和整合成分需要根据模块尺寸的异质性进行校正，校正因子为pf：
其中，
n＝360为脑区数量；
mo为稳态功能连接网络或静态功能连接网络第f层第o个模块的尺寸；
校正因子pf反映了在第f层，模块尺寸与最优模块尺寸之间的偏差；因此，hf被校正为：
在第一层，功能连接网络只有一个模块，包含了所有脑区一起激发产生全局的功能性整合，因此用来计算全脑整合成分hin：
由于功能连接网络的第一层只包括一个模块，第1层的校正因子p1＝0，所以全脑整合成分不需要校正；h1为功能连接网络第1层的分离与整合成分；λ12为功能连接网络第1层的贡献度；m1为功能连接网络第一层的模块数量；n＝360为模块划分的层数，也为特征模态的阶数；n＝360为脑区数量；
功能连接网络的全脑分离成分hse来源于多尺度的分离过程，f为2～n层：
进一步定义分离成分与整合成分之间的竞争指标hb：
hb＝hin-hse
hb＜0表明大脑功能连接网络处于分离状态，hb＞0表明大脑功能连接网络处于整合状态，hb＝0表明了分离与整合的平衡；
所述的功能连接网络为稳态功能连接网络或静态功能连接网络；
步骤8：稳态功能连接网络分离与整合的平衡
根据步骤2、5和7，计算稳态功能连接网络fc的分离成分
步骤9：个体静态功能连接网络分离与整合成分的修正
在个体静态功能连接网络分离与整合成分计算过程中，fmri时间序列长度l2会给静态功能连接网络带来更多的分离成分
具体修正方法为，
比较个体被试者在单次扫描数据与4次扫描数据下
结果表明：每个脑区的fmri时间序列长度主要影响分离成分
由于静息态大脑在稳态功能连接网络中会近似达到分离和整合的平衡，因此，将静态功能连接网络的分离成分
采用比例修正，q位被试者的静态功能连接网络的整合成分和分离成分向量分别为
结果表明：修正后的
2.根据权利要求1所述的基于分层模块的脑分离与整合平衡状态判定方法，其特征在于：所述步骤5中，对稳态功能连接网络进行分层模块划分的具体方法为，
1)在第一阶模态，所有脑区具有相同的正特征向量值或负特征向量值；所以，所有脑区以相同的方向激活，表明了所有脑区共同参与的激活模式；因此，第一阶特征模态反映了稳态功能连接网络的第一层，第一层稳态功能连接网络即原始稳态功能连接网络，包含所有脑区；
2)在第二阶模态，特征向量在脑区中具有负值和正值；特征向量值为正的脑区具有相同的激活模式，划分为第一稳态模块；剩余脑区具有负的特征向量值，划分为第二稳态模块；因此，第二阶特征模态作为稳态功能连接网络的第二层；也就是说，稳态功能连接网络的第二层由第一稳态模块和第二稳态模块组成；然后，对脑区进行重新排序以获得具有两个显著模块的新的功能连接矩阵，模块内的脑区随机排序；
3)基于第三阶特征向量中脑区成分的正负，将第二层中的每个模块进一步划分为两个子模块，具体为：第一稳态模块中特征向量值为正的脑区划分为第三稳态模块，第一稳态模块中特征向量值为负的脑区划分为第四稳态模块，第二稳态模块中特征向量值为正的脑区划分为第五稳态模块，第二稳态模块中特征向量值为负的脑区划分为第六稳态模块；从而生成稳态功能连接网络的第三层；也就是说，稳态功能连接网络的第三层由第三稳态模块、第四稳态模块、第五稳态模块和第六稳态模块组成；
4)依次在更高阶的特征模态中进行进一步的模块划分；直到每个模块仅包含一个脑区时，划分过程停止；在分层模块划分过程中，得到稳态功能连接网络每一层的模块数量
3.根据权利要求1所述的基于分层模块的脑分离与整合平衡状态判定方法，其特征在于：所述步骤6中，对静态功能连接网络进行分层模块划分的具体方法为，
1)在第一阶模态，所有脑区具有相同的正特征向量值或负特征向量值；所以，所有脑区以相同的方向激活，表明了所有脑区共同参与的激活模式；因此，第一阶特征模态反映了静态功能连接网络的第一层，第一层静态功能连接网络即原始静态功能连接网络，包含所有脑区；
2)在第二阶模态，特征向量在脑区中具有负值和正值；特征向量值为正的脑区具有相同的激活模式，划分为第一静态模块；剩余脑区具有负的特征向量值，划分为第二静态模块；因此，第二阶特征模态作为静态功能连接网络的第二层；也就是说，静态功能连接网络的第二层由第一静态模块和第二静态模块组成；然后，对脑区进行重新排序以获得具有两个显著模块的新的功能连接矩阵，模块内的脑区随机排序；
3)基于第三阶特征向量中脑区成分的正负，将第二层中的每个模块进一步划分为两个子模块，具体为：第一静态模块中特征向量值为正的脑区划分为第三静态模块，第一静态模块中特征向量值为负的脑区划分为第四静态模块，第二静态模块中特征向量值为正的脑区划分为第五静态模块，第二静态模块中特征向量值为负的脑区划分为第六静态模块；从而生成静态功能连接网络的第三层；也就是说，静态功能连接网络的第三层由第三静态模块、第四静态模块、第五静态模块和第六静态模块组成；
4)依次在更高阶的特征模态中进行进一步的模块划分，直到每个模块仅包含一个脑区时，划分过程停止；在分层模块划分过程中，得到静态功能连接网络每一层的模块数量
