(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210894641.0 (22)申请日 2022.07.28 (65)同一申请的已公布的文献号 申请公布号 CN 114972340 A (43)申请公布日 2022.08.30 (73)专利权人 中国科学院心理研究所 地址 100101 北京市朝阳区林萃路16号院 (72)发明人 李娟　郑驰垠　 (74)专利代理 机构 北京康思博达知识产权代理 事务所(普通 合伙) 11426 专利代理师 范国锋 (51)Int.Cl. G06T 7/00(2017.01) G16H 50/30(2018.01) G06T 7/10(2017.01)G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) (56)对比文件 CN 113616184 A,2021.1 1.09 CN 113616184 A,2021.1 1.09 CN 109993210 A,2019.07.09 CN 109859189 A,2019.0 6.07 CN 109035250 A,2018.12.18 CN 112561848 A,2021.0 3.26 US 2012185274 A1,2012.07.19 审查员 黄伟峰 (54)发明名称 一种大脑老化预警系统及预警方法 (57)摘要 本发明公开了一种大脑老化预警系统及预 警方法， 该系统及方法中将个体的功能网络连接 强度和灰质结构共同纳入大脑 年龄计算模型， 在 此基础上进一步地构建大脑老化预 警系统， 从而 更充分地利用个体大脑中的信息， 提高大脑年龄 计算的准确性， 另外， 持续记录每个用户的大脑 年龄和PAD， 进而对个体的老化状态进行监测， 在 个体出现PAD的显著增加或PAD超过一定预警值 时， 对用户进行 预警。 权利要求书2页 说明书9页 附图1页 CN 114972340 B 2022.11.18 CN 114972340 B 1.一种大脑老化预警系统， 其特 征在于， 该系统包括： 信息采集模块 （1） ， 其用于收集用户基础信息， 脑成像数据收集模块 （2） ， 其用于收集用户脑部磁共振成像得到的数据和磁共振扫描 的日期， 通过不同的磁共 振扫描的日期来构建获得PAD的变化趋势； 预处理模块 （3） ， 其用于对磁共振成像得到的数据做预处理， 所述预处理模块 （3） 包括 结构像数据处 理子模块 （31） 和静息态数据处 理子模块 （32） ， 在所述结构像数据处理子模块 （31） 中， 使用基于SPM12的CAT12工具包， 对结构像数据 进行分割； 大脑年龄计算模型 （4） ， 其用于基于预处 理后的数据获得用户的大脑年龄， 所述大脑年龄计算模型 （4） 通过如下步骤获得： 步骤1， 收集训练数据， 步骤2， 对训练数据做预处 理， 步骤3， 构建深度神经网络模型， 步骤4， 训练所述深度神经网络； 所述步骤2中的预处理包括使用基于SPM12的CAT12工具包， 对结构像数据进行分割， 分 割得到的结构像经非线性映射， 匹配到 MNI152模板上， 得到1 13×137×113的三维矩阵； 所述步骤2中的预处 理还包括如下子步骤： 子步骤a， 使用dpabi工具包对数据进行时间校准、 头动校准、 配准与标准化、 空间平滑 处理； 子步骤b， 使用AAL模板， 提取属于大脑的90个脑区的体素时间序列， 对于每个体素， 进 行时间维度的平均， 从而提取每 个脑区的平均序列； 子步骤c， 计算各个脑区两两之间的功能连接强度， 从而得到90 ×90的二维对称矩阵， 取其下三角部分进行向量 化， 得到3912维的向量； 报警模块 （5） ， 其用于基于用户的大脑年龄判断是否需要发出 预警信息； 所述报警模块 （5） 包括趋势预警子模块 （51） 和 加速老化警报子模块 （52） ； 其中， 在趋势预警子模块 （51） 中， 持续记录用户的PAD， 并使用一阶线性拟合的方式拟 合用户的PAD变化趋势， 当拟合获得的拟合直线的斜率显著大于0时， 则向用户发出预警， 警 示其大脑有加速老化的趋势； 当时间与PAD 间的相关系数为正值且显著性小于0.05时斜率 显著大于 0； 在加速老化警报子模块 （52） 中， 持续记录用户的PAD， 比较当前的PAD与在先的PAD， 在 当前PAD值超过在先PAD的平均值两个标准差以上时， 则向用户发出警报， 通知用户其大脑 在加速老化； 所述PAD为大脑年龄和实际年龄之间的差值； 所述报警模块 （5） 还包括AD风险评估模型， 实时将获得的PAD代入到该AD风险评估模型 中， 进而获得用户当前罹患AD的风险值， 当该值高于 0.9时， 向用户发出AD警报； 所述AD风险评估 模型的获得 过程包括如下步骤： 步骤a， 下载ADNI数据集中的数据， 包括健康对照的数据和AD患者的数据， 所有数据使 用前述的步骤2中的方法进行 预处理； 步骤b， 使用所述大脑年龄计算模型计算每个大脑的大脑年龄和PAD值， 基于计算结果权　利　要　求　书 1/2 页 2 CN 114972340 B 2和真实年龄， 建立logistics回归模型， 对各个大脑依据来自健康对照和AD患者进行分类， 从而拟合 logistic回归 模型中的参数， 获得AD风险评估 模型。 2.根据权利要求1所述的大脑老化预警系统， 其特 征在于， 分割得到的结构像经非线性映射， 匹配到MNI152模板上， 得到113 ×137×113的三维矩 阵； 在所述静息态数据处 理子模块 （32） 中， 具体执 行如下子步骤： 子步骤1， 使用dpabi工具包对数据进行时间校准、 头动校准、 配准与标准化、 空间平滑 处理； 子步骤2， 使用AAL模板， 提取属于大脑的90个脑区的体素时间序列， 对于每个体素， 进 行时间维度的平均， 从而提取每 个脑区的平均序列； 子步骤3， 计算各个脑区两 两之间的功能连接强度， 从而得到90 ×90的二维矩阵。 3.根据权利要求2所述的大脑老化预警系统， 其特 征在于， 在所述子步骤3中， 通过 下式 （一） 获得 各个脑区两 两之间的功能连接强度： FC=cov(T1， T2)         （一） 其中， cov （ ） 表示皮尔逊相关的计算公式， T1和T2分别表示两个脑区的平均时间序列， FC表示这两个脑区的功能连接强度。 4.根据权利要求1所述的大脑老化预警系统， 其特 征在于， 在所述步骤1中， 从公开数据库中收集健康成年脑成像数据作为训练数据， 所收集得到 的训练数据需包 含结构像数据、 静息态数据、 性别和实际年龄 。 5.根据权利要求1所述的大脑老化预警系统， 其特 征在于， 在所述步骤3中， 所述深度神经网络为采用Pytorch深度学习框架构 建的基于年龄的3 ‑ D卷积神经网络模型， 所述卷积神经网络模型包括两个阶段， 前一个阶段为卷积 阶段， 后一个阶段为全连接 阶段； 所述卷积阶段包含5个卷积模块， 其中， 每个卷积模块都包含一个卷积层， 一个池化层， 一个ReLU激活层和一个批归一 化层； 所述卷积层的卷积核大小为3 ×3×3， 步长为1； 所述池化层使用最大池化， 其卷积核大小为3 ×3×3， 步长为1； 所述全连接阶段有三个， 在第 一个全连接阶段中， 将卷积层的结果输出进行向量化后， 与功能网络连接的数据进行拼接， 得到第一层的输入， 该输入经过一个全连接层和一个 ReLU激活层后， 得到1280层的隐藏层； 在第二个中， 所述1280层的隐藏层与性别标量进行拼接， 经过一个全连接层和一个 ReLU激活层后， 得到25 6层的隐藏层； 在第三个中， 所述256层的隐藏层 经过一个全连接层和一个ReLU激活层， 得到72层的隐 藏层； 所述72层的隐藏层经 过一个全连接层， 输出一标量， 即所述深度神经网络的最终输出。权　利　要　求　书 2/2 页 3 CN 114972340 B 3