基于GCN-LSTM模型静息态fMRI多频段分析系统
本项目为前几天收费帮学妹做的一个项目，在工作环境中基本使用不到，但是很多学校把这个当作编程入门的项目来做，故分享出本项目供初学者参考
一、项目描述
基于GCN-LSTM模型静息态fMRI多频段分析系统
二、项目功能
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
三、运行环境
开发环境 pycharm
运行环境：python3.8
(此配置为本人调试所用，仅供参考)
四、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
