基于GCN-LSTM模型静息态fMRI多频段分析系统

项目描述

基于GCN-LSTM模型静息态fMRI多频段分析系统

项目功能：
关于您上传的数据表
这个数据表描述了7种不同的fMRI(功能性磁共振成像)扫描参数配置，每行代表一种配置：

频段范围：不同的神经振荡频段(从超低频0.01Hz到0.25Hz)

采样率：数据采集的时间分辨率

层数：扫描的脑切片数量

TR(重复时间)：两次完整扫描之间的时间间隔

体素大小：空间分辨率
?时长：扫描持续时间

头动阈值：允许的最大头部运动

主要网络：该频段关联的脑功能网络

频段功能特征：该频段的认知功能关联

关于您的Flask应用程序代码
这是一个用于分析脑功能连接的web应用程序，主要功能包括：

GCN-LSTM模型：结合图卷积网络(GCN)和长短期记忆网络(LSTM)的深度学习模型，用于分析脑区间的动态功能连接

GCN处理脑区之间的空间关系

LSTM处理时间序列的动态变化

?主要路由和功能?：

/：展示前端界面

/analyze：接收JSON格式的脑时间序列数据，进行分析处理

?分析功能?：

带通滤波：根据用户指定的频段过滤信号

计算相关矩阵：反映脑区间的功能连接强度

计算网络指标：全局效率、平均连接强度、模块化指数

结果解释
分析结果会返回以下信息：

?邻接矩阵(adjacency_matrix)??：表示各脑区之间功能连接强度的矩阵

?脑区标签(labels)??：标识各个脑区的名称

?滤波后的时间序列(time_series)??：经过频段滤波后的脑活动信号

?网络指标(metrics)??：

全局效率：衡量信息在整个网络中传递的效率

平均连接强度：所有脑区连接的平均强度

模块化指数：反映网络模块化程度的指标

整体用途
这套系统可以用于：

研究不同频段下脑功能网络的特性

分析脑区间动态功能连接模式

检测与认知功能相关的脑网络变化

可能用于神经精神疾病的生物标记研究

运行环境
开发工具：PyCharm
运行环境：python3.8 此配置为本人调试所用，仅供参考

项目技术：
后端：flask
模型是GCN-LSTM混合模型
最终评估指标:
准确率: 0.9474
加权精确率: 0.9605
加权召回率: 0.9474
F1分数: 0.9474
以上系统源码经过技术整理与调试，确保能正常运行