技術(shù)特征：

1.一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法，其特征在于，包含以下步驟：

(1)對EEG信號處理，包括：去除梯度偽跡和心電偽跡；降采樣；高通濾波；電極重參考；壞數(shù)據(jù)段去除；采用獨(dú)立成分分析算法將EEG信號分解為源信號，識別并去除噪聲成分；分別計(jì)算delta、theta、alpha、beta、gamma五個(gè)頻段內(nèi)EEG的帶限能量變化(BLP)；將BLP變化信號與血氧響應(yīng)函數(shù)卷積，分別構(gòu)建五個(gè)頻段的EEG回歸項(xiàng)；

(2)對fMRI信號處理，包括：采用SPM工具包將DICOM格式文件轉(zhuǎn)換為NIFTI格式；去除前十個(gè)時(shí)間點(diǎn)采集的圖像；對圖像進(jìn)行時(shí)間層校正；頭動校正；空間標(biāo)準(zhǔn)化；去線性漂移；通過濾波去除低頻噪聲；采用AAL圖譜將大腦灰質(zhì)分為90個(gè)區(qū)域，對每個(gè)腦區(qū)中所有體素的時(shí)間序列求平均，得到各腦區(qū)的血氧水平依賴(BOLD)信號；

(3)設(shè)BOLD信號為X₁，EEG回歸項(xiàng)為X₂，對X₁和X₂分別進(jìn)行主成分分析，利用特征值的累計(jì)貢獻(xiàn)率分別得出其主成分，用P₁，P₂表示；

(4)對P₁，P₂進(jìn)行典型相關(guān)分析，得到典型相關(guān)變量S₁和S₂，S₁和S₂的對應(yīng)列視為一對典型相關(guān)變量，設(shè)定閾值，選擇大于該閾值的典型相關(guān)變量對，分別構(gòu)成矩陣S’₁與S’₂；

(5)將S’₁與X₁求相關(guān)，相關(guān)系數(shù)較大的腦區(qū)為激活最明顯腦區(qū)，它們共同構(gòu)成一個(gè)功能網(wǎng)絡(luò)；將S’₂與X₂求相關(guān)，分別對五個(gè)頻帶內(nèi)相關(guān)系數(shù)的絕對值求平均，頻帶相關(guān)系數(shù)越大，其貢獻(xiàn)越大。利用本發(fā)明提出的建模方法得到了七個(gè)主要的腦功能網(wǎng)絡(luò)，并且得到各個(gè)網(wǎng)絡(luò)對應(yīng)的EEG信號與腦區(qū)。

2.根據(jù)權(quán)利要求1所述的一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法，其特征在于，使用自適應(yīng)偽跡相減法(AAS)去除梯度偽跡和心電偽跡；使用ADJUST工具包對獨(dú)立成分進(jìn)行分析來去除噪聲成分。

3.根據(jù)權(quán)利要求1所述的一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法，其特征在于，fMRI信號中每個(gè)圖像層數(shù)為32，TR為1.94s，掃描順序?yàn)榻敌?，參考層為?6層；設(shè)定當(dāng)頭在某個(gè)方向的平移大于0.5毫米或旋轉(zhuǎn)角度超過1度時(shí)，認(rèn)為被試在這一時(shí)刻頭動較大，去除這一時(shí)刻數(shù)據(jù)；使用EPI模板進(jìn)行空間標(biāo)準(zhǔn)化。

4.根據(jù)權(quán)利要求1所述的一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法，其特征在于，BOLD信號X₁矩陣的行代表時(shí)間，列代表腦區(qū)；EEG回歸項(xiàng)X₂矩陣的行代表時(shí)間，列由獨(dú)立成分的5個(gè)頻帶串聯(lián)得到。