《一种基于互样本熵的肥胖病人功能影像分析方法.pdf》由会员分享，可在线阅读，更多相关《一种基于互样本熵的肥胖病人功能影像分析方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104207775A43申请公布日20141217CN104207775A21申请号201410387786722申请日20140807A61B5/055200601G06T11/0020060171申请人西安电子科技大学地址710071陕西省西安市西沣路兴隆段266号72发明人张毅姚建亮刘菊张官胜王婧罗回春蔡伟伟朱强刘道民田捷刘一军74专利代理机构北京世誉鑫诚专利代理事务所普通合伙11368代理人郭官厚54发明名称一种基于互样本熵的肥胖病人功能影像分析方法57摘要本发明公开了一种基于互样本熵的肥胖病人功能影像分析方法，其特征在于，包括以下步骤采集大脑的静息态功能磁共振数据；。
2、挑选出感兴趣区域；提取每个感兴趣区域中体素的时间序列，对每个体素的时间序列进行上采样，然后计算任意两个感兴趣区域的互样本熵值；将肥胖病人的任意两个感兴趣区域的互样本熵值与正常被试者相应的两个感兴趣区域的互样本熵值进行比较，确定肥胖发生或加重的原因。本发明的有益之处在于以静息态的成像方式从肥胖病人生理基线水平入手，能够准确反映病人大脑生理活动的改变；把构建EEG信号脑网络的方法应用到了FMRI中，并利用上采样的方法克服了FMRI时间分辨率不高的问题；互样本熵克服了互近似熵计入自身匹配的问题。51INTCL权利要求书2页说明书7页附图2页19中华人民共和国国家知识产权局12发明专利申请权利要求书2。
3、页说明书7页附图2页10申请公布号CN104207775ACN104207775A1/2页21一种基于互样本熵的肥胖病人功能影像分析方法，其特征在于，包括以下步骤步骤一用磁共振仪器以静息态扫描模式采集大脑的功能磁共振数据；步骤二得到肥胖病人与正常被试者在静息态下大脑功能的差异区，挑选出与饮食肥胖相关的大脑核团，将所述大脑核团定义为感兴趣区域；步骤三提取每个感兴趣区域中体素的时间序列，并对每个感兴趣区域的体素的时间序列进行上采样，然后利用上采样后的时间序列计算任意两个感兴趣区域的互样本熵值；步骤四将肥胖病人的任意两个感兴趣区域的互样本熵值与正常被试者相应的两个感兴趣区域的互样本熵值进行比较，当二。
4、者的互样本熵值不相等时，则确定肥胖病人的该两个感兴趣区域代表的两个回路之间的相互作用关系发生了改变，这两个回路之间的相互作用关系的改变就是肥胖发生或加重的原因。2根据权利要求1所述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，步骤三的具体过程为1从所有感兴趣区域中任意选出两个区域组成一对，分别记为感兴趣区域X、感兴趣区域Y，假设感兴趣区域X由I个体素组成，则每个体素分别记为体素X1、体素X2、体素X3、体素XI，假设感兴趣区域Y由J个体素组成，则每个体素分别记为体素Y1、体素Y2、体素Y3、体素YJ；2分别提取体素X1和体素Y的时间序列，然后对提取的时间序列进行上采样，上采样后的时间序。
5、列分别记为时间序列X1T、时间序列Y1T、时间序列Y2T、时间序列Y3T、时间序列YJT；3计算体素X1的上采样后的时间序列X1T与感兴趣区域Y之间的互样本熵值Q1Y分别计算时间序列X1T与时间序列Y1T、时间序列Y2T、时间序列Y3T、时间序列YJT之间的互样本熵值，分别计作互样本熵值Q11、互样本熵值Q12、互样本熵值Q13、互样本熵值Q1J；将互样本熵值Q11、互样本熵值Q12、互样本熵值Q13、互样本熵值Q1J求和，然后求出平均值，该平均值即为时间序列X1T与感兴趣区域Y之间的互样本熵值，记为互样本熵值Q1Y；4用同样的方法计算感兴趣区域X中其他体素的上采样后的时间序列与感兴趣区域Y之。
6、间的互样本熵值，该互样本熵值分别记为互样本熵值Q2Y、互样本熵值Q3Y、互样本熵值QIY；5计算感兴趣区域X与感兴趣区域Y之间的互样本熵值将互样本熵值Q2Y、互样本熵值Q3Y、互样本熵值QIY求和，然后求出平均值，该平均值即为感兴趣区域X与感兴趣区域Y之间的互样本熵值，记为互样本熵值QXY。3根据权利要求1所述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，在步骤一中，还包括对所述数据进行预处理分析的过程，所述预处理分析包括1对采集到的大脑功能磁共振数据进行时间矫正；2对时间矫正后的数据进行头动矫正；3对头动矫正后的数据使用EPI模板进行空间标准化；4对空间标准化后的数据进行空间平滑。4。
7、根据权利要求3所述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，权利要求书CN104207775A2/2页3对头动矫正后的数据进行空间标准化的过程包括以下步骤将头动矫正后的数据采用12个参数的仿射变换配准到MNI标准模板中；将配准得到的图像重切为3MM3MM3MM的体素，并将MNI坐标变换到TALAIRACH坐标系中。5根据权利要求1或3所述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，在步骤二中，获得肥胖病人与正常被试者在静息态下大脑功能的差异区的过程为1对获得的数据进行低频幅度慢波震荡分析处理；2计算得到低频幅度慢波震荡数值；3对得到的低频幅度慢波震荡数值进行基于体素的双样。
8、本T检验，从而得到肥胖病人与正常被试者在静息态下大脑功能的差异区。6根据权利要求5所述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，对预处理后的数据进行低频幅度慢波震荡分析处理的过程包括以下步骤对预处理后的数据进行去线性漂移处理；对去线性漂移后的数据进行频率范围为001HZ008HZ的带通滤波。权利要求书CN104207775A1/7页4一种基于互样本熵的肥胖病人功能影像分析方法技术领域0001本发明涉及一种影像分析方法，具体涉及一种基于互样本熵的肥胖病人功能影像分析方法，属于医学图像处理与分析技术领域。背景技术0002目前，脑网络的研究已经成为了脑科学研究领域的一个热点。大脑网络连接。
9、可分为结构性脑网络、功能性脑网络和因效性脑网络。结构性脑网络主要基于MRI和DTI等能反映脑的生理结构的影像手段来研究，而功能性脑网络和因效性脑网络主要基于EEG、MEG和FMRI等能反映大脑功能成像的手段进行研究。其中，功能性脑网络是一种无向网络，而因效性脑网络是一种特殊的功能性脑网络，其功能性连接是有向的。0003基于EEG的脑网络的功能性研究已经开展了很多，也取得了许多成果。如对癫痫病人的EEG信号研究发现对应于癫痫发作前发作中发作后这3个阶段，病人的功能性脑网络一次表现出趋向于随机网路趋向于规则网络趋向于随机网络的特性，也即功能性脑网络的拓扑特性表现出随患病状态而变化的动力学行为。在A。
10、DALZHEIMERDISEASE，阿尔茨海默病病理研究中，STAM等人基于EEG信号构建网路发现AD病人在波段构建的脑网络最短路径显著大于正常对照。在精神分裂症的研究中发现精神分裂症病人的节点连接度减小，脑网络聚类系数也减小，最短路径增加，并且这些脑网络参数的变异与精神分裂症病人的病程长短密切相关。在研究过程中，构建功能性脑网络的许多不同的方法也得到了利用，例如相位同步、互相关、互信息熵、互近似熵等。0004与此同时，基于FMRI的功能性脑网络也有很多成果。例如对AD的研究发现病人脑网络的全局和局部两个海马区聚类水平都显著下降，这意味着病人大脑的功能性连接出现全局性紊乱。另一项报道指出精神分。
11、裂症病人相对于正常对照者呈现出增大的功能性连接。0005目前，世界各国都面临肥胖这一全球性难题，它被世界卫生组织WHO定义为疾病，是继心血管病和癌症之后对人类健康最具威胁的第三大因素，全球肥胖人数已超过4亿约占总人口的6，超重者人数约16亿约占总人口的24，WHO预测到2015年将有23亿成人超重和7亿的肥胖者，而2008年底，我国肥胖人群已突破9000万，超重人数超过2亿；预计未来十年我国肥胖人口将远远超过2亿，超重人口将超过65亿。肥胖带来的疾病危害主要有型糖尿病、冠心病、高血压、脂肪肝、中风、消化道疾病、骨关节炎和癌症结肠癌、直肠癌、乳腺癌、子宫癌等，此外，肥胖严重影响人们的生活质量，使。
12、社会接受性降低，收入减少，心理负担加重，并增加公共健康系统的负担。0006通过上面的介绍可以发现，很多在EEG使用的方法在FMRI中还没有得到应用。同时，功能性脑网络的研究主要是针对脑疾病开展的，而像肥胖这样的非脑疾病的应用在FMRI中还没有展开。发明内容说明书CN104207775A2/7页50007本发明的目的在于提供一种基于互样本熵的肥胖病人功能影像分析方法，旨在解决现在尚未了解的肥胖病人脑网络变化的问题，该方法可用于核团间相互连接作用关系的描述，从而为肥胖的生理机制研究提供影像学证据。0008为了实现上述目标，本发明采用如下的技术方案0009一种基于互样本熵的肥胖病人功能影像分析方法，。
13、其特征在于，包括以下步骤0010步骤一用磁共振仪器以静息态扫描模式采集大脑的功能磁共振数据；0011步骤二得到肥胖病人与正常被试者在静息态下大脑功能的差异区，挑选出与饮食肥胖相关的大脑核团，将前述大脑核团定义为感兴趣区域；0012步骤三提取每个感兴趣区域中体素的时间序列，并对每个感兴趣区域的体素的时间序列进行上采样，然后利用上采样后的时间序列计算任意两个感兴趣区域的互样本熵值；0013步骤四将肥胖病人的任意两个感兴趣区域的互样本熵值与正常被试者相应的两个感兴趣区域的互样本熵值进行比较，当二者的互样本熵值不相等时，则确定肥胖病人的该两个感兴趣区域代表的两个回路之间的相互作用关系发生了改变，这两个。
14、回路之间的相互作用关系的改变就是肥胖发生或加重的原因。0014前述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，步骤三的具体过程为00151从所有感兴趣区域中任意选出两个区域组成一对，分别记为感兴趣区域X、感兴趣区域Y，假设感兴趣区域X由I个体素组成，则每个体素分别记为体素X1、体素X2、体素X3、体素XI，假设感兴趣区域Y由J个体素组成，则每个体素分别记为体素Y1、体素Y2、体素Y3、体素YJ；00162分别提取体素X1和体素Y的时间序列，然后对提取的时间序列进行上采样，上采样后的时间序列分别记为时间序列X1T、时间序列Y1T、时间序列Y2T、时间序列Y3T、时间序列YJT；0017。
15、3计算体素X1的上采样后的时间序列X1T与感兴趣区域Y之间的互样本熵值Q1Y0018分别计算时间序列X1T与时间序列Y1T、时间序列Y2T、时间序列Y3T、时间序列YJT之间的互样本熵值，分别计作互样本熵值Q11、互样本熵值Q12、互样本熵值Q13、互样本熵值Q1J；0019将互样本熵值Q11、互样本熵值Q12、互样本熵值Q13、互样本熵值Q1J求和，然后求出平均值，该平均值即为时间序列X1T与感兴趣区域Y之间的互样本熵值，记为互样本熵值Q1Y；00204用同样的方法计算感兴趣区域X中其他体素的上采样后的时间序列与感兴趣区域Y之间的互样本熵值，该互样本熵值分别记为互样本熵值Q2Y、互样本熵值Q。
16、3Y、互样本熵值QIY；00215计算感兴趣区域X与感兴趣区域Y之间的互样本熵值0022将互样本熵值Q2Y、互样本熵值Q3Y、互样本熵值QIY求和，然后求出平均值，该平均值即为感兴趣区域X与感兴趣区域Y之间的互样本熵值，记为互样本熵值QXY。0023前述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，在步骤一中，还说明书CN104207775A3/7页6包括对前述数据进行预处理分析的过程，前述预处理分析包括00241对采集到的大脑功能磁共振数据进行时间矫正；00252对时间矫正后的数据进行头动矫正；00263对头动矫正后的数据使用EPI模板进行空间标准化；00274对空间标准化后的数据进。
17、行空间平滑。0028前述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，对头动矫正后的数据进行空间标准化的过程包括以下步骤0029将头动矫正后的数据采用12个参数的仿射变换配准到MNI标准模板中；0030将配准得到的图像重切为3MM3MM3MM的体素，并将MNI坐标变换到TALAIRACH坐标系中。0031前述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，在步骤二中，获得肥胖病人与正常被试者在静息态下大脑功能的差异区的过程为00321对获得的数据进行低频幅度慢波震荡分析处理；00332计算得到低频幅度慢波震荡数值；00343对得到的低频幅度慢波震荡数值进行基于体素的双样本T检验，。
18、从而得到肥胖病人与正常被试者在静息态下大脑功能的差异区。0035前述的基于互样本熵的肥胖病人功能影像分析方法，其特征在于，对预处理后的数据进行低频幅度慢波震荡分析处理的过程包括以下步骤0036对预处理后的数据进行去线性漂移处理；0037对去线性漂移后的数据进行频率范围为001HZ008HZ的带通滤波。0038本发明的有益之处在于00391、以静息态的成像方式，从肥胖病人生理基线水平入手，能够准确反映病人身体内在大脑生理活动的改变；00402、本方法把构建EEG信号脑网络的方法应用到了功能磁共振成像FMRI中，并利用上采样的方法克服了FMRI相对于EEG信号时间分辨率不够高的问题，同时利用了FM。
19、RI空间分辨率高的优点；00413、借鉴样本熵和互近似熵的方法设计出了互样本熵，并用其构建网络，从而克服了互近似熵计入自身匹配的问题。附图说明0042图1是本发明基于互样本熵的肥胖病人功能影像分析方法的主要流程图；0043图2是本发明的方法中ALFF分析和互样本熵分析的子流程图。具体实施方式0044为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施例对本发明作具体的介绍。0045参照图1，本发明的基于互样本熵的肥胖病人功能影像分析方法包括以下步骤0046步骤一采集数据0047用磁共振仪器以静息态扫描模式采集肥胖病人和正常被试者大脑的功能磁共振说明书CN104207775A4。
20、/7页7数据。0048为了使结果更加精准，对采集到的数据进行预处理分析，该预处理分析包括00491、对采集到的大脑功能磁共振数据进行时间矫正0050由于数据采集的时间点差异，所以需要对采集到的大脑功能磁共振数据进行时间矫正，通过时间矫正可以减少该差异。0051时间矫正就是矫正1个VOLUME中层与层之间的采集时间的差异，从而有效保证各层都是从相同的时间得到的。00522、对时间矫正后的数据进行头动矫正0053由于磁共振成像实验持续时间比较长，被试者的呼吸、血流、脉动等生理因素在所难免的会造成头部运动，所以需要对经时间矫正过的数据进行头动矫正。0054头动矫正就是将一个序列的每一帧图像都和这个序。
21、列的第一帧图像进行配准，配准到同一坐标系下，以矫正头动，然后再对头动矫正后的数据进行人工检查，如果平移超过1MM、旋转超过1，那么就排除该经时间矫正过的数据，不予分析。00553、对头动矫正后的数据进行空间标准化0056由于实验中存在多个被试者，而被试者间的大脑形状又存在一定的差异，为了后续的统计分析，须进行大脑形状的归一化，将被试者的大脑配准归一化到标准的大脑模板上，即须对头动矫正后的数据进行空间标准化处理。0057对头动矫正后的数据进行空间标准化处理主要过程包括以下步骤00581、将头动矫正后的数据采用12个参数的仿射变换配准到MNIMONTREALNEUROLOGICALINSTITUT。
22、E，蒙特利尔神经学研究所标准模板中。00592、将配准后的大脑图像重切为3MM3MM3MM的体素，并将MNI坐标变换到TALAIRACH坐标系中。00604、对空间标准化后的数据进行空间平滑0061为了达到降低噪声、提高信噪比及消除不同被试脑结构之间的细微差别的目的，空间标准化采用6毫米半高全宽FWHM,FULLWIDTHATHALFMAXIMUM的高斯核函数对空间标准化后的数据进行平滑。0062步骤二挑选出感兴趣区域0063参照图2，挑选感兴趣区域主要包括以下步骤00641、对获得的数据进行低频幅度慢波震荡分析0065基于MATLABMATRIXLAB，矩阵实验室平台的RESTRESTING。
23、STATESTATISTICTOOLKIT，静息态分析软件包软件，对获得的数据进行低频幅度慢波震荡分析处理，简称ALFFAMPLITUDEOFLOWFREQUENCYFLUCTUATION分析处理。0066ALFF分析处理的过程主要包括以下步骤00671、对获得的数据进行去线性漂移处理；00682、对去线性漂移后的数据进行频率范围为001HZ008HZ的带通滤波，用以去除低频漂移和高频噪声的影响。00692、计算得到低频幅度慢波震荡数值，即ALFF值0070每一个体素的ALFF值的计算过程如下00711将滤波结果进行快速傅立叶变化后得到功率谱；说明书CN104207775A5/7页800722。
24、将功率谱开方；00733计算001008HZ内的功率谱的平均值，该平均值即为ALFF值；00744将ALFF值除以全脑所有体素的平均ALFF值即得到标准化的ALFF值MALFF。0075在2004年，电生理学研究显示低频振荡的产生可能是由于自发的神经元活动，这种自发的神经元活动是具有生理意义的，体现为脑区通过与之有连接的脑区间的信息交互产生自身节律性活动模式，所以有理由认为ALFF值可以作为一个反应大脑活动的特征。00763、挑选感兴趣区域0077对得到的低频幅度慢波震荡数值，在SPM5STATISTICPARAMETERMAPPING5统计参数映射软件平台上，进行基于体素的双样本T检验，比较。
25、肥胖病人与正常被试者ALFF值的差异，从而得到肥胖病人与正常被试者在静息态下大脑功能的差异区。0078从具有显著差异的区域中，挑选出与饮食肥胖相关的大脑核团，将该大脑核团定义为感兴趣区域，该感兴趣区域用于后续肥胖病人和正常被试者的互样本熵分析。0079步骤三计算互样本熵0080提取每个感兴趣区域中体素的时间序列，并对每个感兴趣区域的体素的时间序列进行上采样，然后利用上采样后的时间序列计算任意两个感兴趣区域的互样本熵值。具体过程如下00811、从所有感兴趣区域中任意选出两个区域组成一对，分别记为感兴趣区域X、感兴趣区域Y，将组成感兴趣区域X的体素记为体素X，假设感兴趣区域X由I个体素组成，则每个。
26、体素分别记为体素X1、体素X2、体素X3、体素XI；同样，将组成感兴趣区域Y的体素记为体素Y，假设感兴趣区域Y由J个体素组成，则每个体素分别记为体素Y1、体素Y2、体素Y3、体素YJ。00822、分别提取体素X1和体素Y包括体素Y1、体素Y2、体素Y3、体素YJ的时间序列，然后对提取的时间序列进行上采样，上采样后的时间序列分别记为时间序列X1T、时间序列Y1T、时间序列Y2T、时间序列Y3T、时间序列YJT。00833、两个感兴趣区域之间的互样本熵值能够反映两个感兴趣区域间时间序列的相似程度、表征两个感兴趣区域的连接紧密度，所以利用一阶自回归模型，从时域计算感兴趣区域X和感兴趣区域Y之间的互样。
27、本熵值QXY，从而表征两个感兴趣区域的连接紧密度，该过程具体如下00841分别计算体素X1的上采样后的时间序列X1T与感兴趣区域Y中每个体素的上采样后的时间序列之间的互样本熵值0085计算感兴趣区域X中的时间序列X1T与感兴趣区域Y中的时间序列Y1T之间的互样本熵值，该互样本熵值记为Q11；0086计算感兴趣区域X中的时间序列X1T与感兴趣区域Y中的时间序列Y2T之间的互样本熵值，该互样本熵值记为Q12；0087计算感兴趣区域X中的时间序列X1T与感兴趣区域Y中的时间序列Y3T之间的互样本熵值，该互样本熵值记为Q13；0088以此类推，直至计算出感兴趣区域X中的时间序列X1T与感兴趣区域Y中的。
28、时间序列YJT之间的互样本熵值，该互样本熵值记为Q1J。00892计算体素X1的上采样后的时间序列X1T与感兴趣区域Y之间的互样本熵值说明书CN104207775A6/7页9Q1Y0090将互样本熵值Q11、互样本熵值Q12、互样本熵值Q13、互样本熵值Q1J求和，然后求出平均值，该平均值即为时间序列X1T与感兴趣区域Y之间的互样本熵值，记为互样本熵值Q1Y。00913用同样的方法计算感兴趣区域X中其他体素包括体素X2、体素X3、体素X4、体素XI的上采样后的时间序列包括时间序列X2T、时间序列X3T、时间序列XIT与感兴趣区域Y之间的互样本熵值，分别记为互样本熵值Q2Y、互样本熵值Q3Y、互。
29、样本熵值QIY。00924计算感兴趣区域X与感兴趣区域Y之间的互样本熵值0093将互样本熵值Q2Y、互样本熵值Q3Y、互样本熵值QIY求和，然后求出平均值，该平均值即为感兴趣区域X与感兴趣区域Y之间的互样本熵值，记为互样本熵值QXY。0094按照上述方法，遍历所有感兴趣区域，获得任意两个感兴趣区域的互样本熵值。0095步骤四基于互样本熵确定肥胖发生或加重的原因0096将肥胖病人的任意两个感兴趣区域的互样本熵值与正常被试者相应的两个感兴趣区域的互样本熵值进行比较，当二者的互样本熵值不相等时，则确定肥胖病人的该两个感兴趣区域代表的两个回路之间的相互作用关系发生了改变，这两个回路之间的相互作用关系的。
30、改变就是肥胖发生或加重的原因。0097两个感兴趣区域之间的互样本熵值可以反映两个感兴趣区域间时间序列的相似程度，从而表征两者的连接紧密度，因此，可以用两个感兴趣区域之间的互样本熵值来研究肥胖病人的脑网络变化。具体见下面的两个例子。0098例一肥胖病人OFCORBITOFRONTALCORTEX眶额叶皮质和VTAVENTRALTEGMENTALAREA腹侧被盖区这两个区域之间的互样本熵值Q肥胖的大小为03527，而正常被试者的OFC和VTA这两个区域之间的互样本熵值Q正常的大小为02948，互样本熵值Q肥胖比互样本熵值Q正常在P值小于005的情况下高出23180099肥胖病人的互样本熵值升高，说。
31、明肥胖病人比起正常人OFC和VTA两个感兴趣区域之间的连接紧密度降低。0100OFC是大脑额叶区域的一部分，在BRODMAN分区中属于10、11和47，主要负责驱动作用，属于驱动回路的一部分。而VTA是奖赏回路中的重要组成部分，在调控人体的摄食行为中起着至关重要的作用。0101由于长期的大量进食，肥胖病人相对于正常人的神经生理机制发生了变化，驱动回路对奖赏回路的驱动力度降低，使得奖赏回路在静息状态下活性降低，对食物摄取的满意度降低，需要更多的进食才能达到正常水平的满意度，因此肥胖病人会加大摄食量，从而导致肥胖加剧。0102例二肥胖病人CAUDATE尾状核和PUTAMEN壳核两个区域之间的互样本。
32、熵值Q肥胖的大小为03279，正常被试者CAUDATE和PUTAMEN两个区域之间的互样本熵值Q正常的大小为03358，互样本熵值Q肥胖比互样本熵值Q正常在P值小于005的情况下降低235说明书CN104207775A7/7页100103肥胖病人的互样本熵值降低，说明肥胖病人比起正常人CAUDATE和PUTAMEN两个感兴趣区域之间的连接紧密度增大。0104从神经生理的角度来看，CAUDATE是腹侧纹状体的一部分，属于大脑的奖赏回路。而PUTAMEN是大脑学习记忆回路的重要组成部分。0105以前研究说明，基于静息态下与正常人对照相比，肥胖病人的奖赏回路活动水平降低，这表明主要是因为肥胖病人的奖。
33、赏回路发生异常，在相同的饮食控制条件下，肥胖病人由于奖赏回路活动的水平较低，不容易达到满足状态，因此通过增加摄食来满足，最终导致肥胖。在本次试验中发现肥胖病人CAUDATE和PUTAMEN之间的相互作用有所加强，在对成瘾机制的研究中发现，成瘾病人对上瘾的东西例如毒品、游戏、食物等的学习记忆的能力加强了。这些都表明在生理机制的角度上，肥胖病人对食物学习记忆能力的增加导致对食物的需求量的增加，从而驱使奖赏回路对获得食物后表达相应的满足感。0106例一、例二中互样本熵应用于肥胖病人大脑核团变化与以往的皮尔逊相关、GRANGER因果分析方法具有一致性，证明了互样本熵方法不仅可以用于EEG信号的研究，也可以成功应用于FMRI数据处理和分析中。0107由此可见，本发明的方法为肥胖的生理机制的研究提供了影像学的证据。0108另外，本发明的方法不仅利用上采样克服了FMRI相对于EEG信号时间分辨率不够高的问题，而且用互样本熵构建网络克服了互近似熵计入自身匹配的问题。0109需要说明的是，上述实施例仅用以解释本发明，其不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。说明书CN104207775A101/2页11图1说明书附图CN104207775A112/2页12图2说明书附图CN104207775A12。