本發(fā)明涉及大腦功能連接網(wǎng)絡(luò)構(gòu)建、模式分類及機(jī)器學(xué)習(xí)，屬于信號(hào)處理與模式識(shí)別技術(shù)領(lǐng)域。

背景技術(shù)：

阿爾茨海默癥是一種常見的神經(jīng)系統(tǒng)退行性疾病，臨床上以記憶障礙、執(zhí)行功能障礙、視空間技能損害、失語等為特征，至今沒有有效的治療措施，嚴(yán)重危害著人們尤其是老年人的身心健康。輕度認(rèn)知障礙(Mild Cognitive Impairment,MCI)作為介于正常衰老和癡呆之間的一種中間狀態(tài)，是發(fā)展為癡呆的高危人群，且僅有少部分人最終能夠轉(zhuǎn)化為正常；因此，如果能在輕度認(rèn)知障礙階段進(jìn)行早期干預(yù)并給與治療，將大大減少癡呆的發(fā)病率，并減緩輕度認(rèn)知障礙患者認(rèn)知功能的減退。然而，輕度認(rèn)知障礙的精確診斷一直是一項(xiàng)具有挑戰(zhàn)性的世界難題，主要原因在于其認(rèn)知功能損害的癥狀并不明顯，很難做定性分析，而構(gòu)建腦網(wǎng)絡(luò)功能連接模型，并從功能連接模型中尋找輕度認(rèn)知障礙與正常人的差異連接成為輔助診斷輕度認(rèn)知障礙的有效措施。過去幾年，功能磁共振成像技術(shù)因其非侵入性、高空間分辨率等優(yōu)點(diǎn)，已被廣泛應(yīng)用于探究大腦神經(jīng)元之間的結(jié)構(gòu)及其功能連接問題，而如何從fMRI數(shù)據(jù)中構(gòu)建有效的腦網(wǎng)絡(luò)功能連接模型已成為熱門研究領(lǐng)域，并逐漸受到了研究者們的重視。

目前，絕大部分腦網(wǎng)絡(luò)構(gòu)建研究主要集中在基于相關(guān)性的方法，即通過估計(jì)相關(guān)性(如Pearson相關(guān)性，偏相關(guān)性)來定義節(jié)點(diǎn)間的關(guān)聯(lián)。Pearson方法計(jì)算每?jī)蓚€(gè)腦區(qū)之間的相關(guān)系數(shù)，以此來構(gòu)建功能連接腦網(wǎng)絡(luò)模型，偏相關(guān)分析計(jì)算兩個(gè)腦區(qū)之間的相關(guān)性，并且剔除其他腦區(qū)的影響來構(gòu)建腦網(wǎng)絡(luò)。已有研究表明，與其他方法相比，基于相關(guān)性的方法能較好地刻畫兩個(gè)腦區(qū)或神經(jīng)元之間的交互，但真實(shí)腦網(wǎng)絡(luò)往往是多個(gè)腦區(qū)或神經(jīng)元集群之間相互連接，因此，基于相關(guān)性的方法并不能真實(shí)地描述腦區(qū)之間的連接模式；另外基于相關(guān)性所構(gòu)建的腦網(wǎng)絡(luò)一般是全連接網(wǎng)絡(luò)，而真實(shí)腦網(wǎng)絡(luò)具有稀疏特性，因此基于相關(guān)性所構(gòu)建的腦網(wǎng)絡(luò)其中必定包含一些冗余和不重要的連接，這給腦網(wǎng)絡(luò)分析帶來一定的困難。

針對(duì)上述構(gòu)建腦網(wǎng)絡(luò)方法的不足，本發(fā)明使用高斯圖模型來構(gòu)建稀疏化的腦網(wǎng)絡(luò)，并通過訓(xùn)練正確率來確定網(wǎng)絡(luò)的稀疏程度，從而使構(gòu)建的網(wǎng)絡(luò)更加真實(shí)地還原腦網(wǎng)絡(luò)內(nèi)部連接情況。

基于高斯圖模型構(gòu)建的功能連接網(wǎng)絡(luò)在表征大腦內(nèi)部不同腦區(qū)之間的相互連接方面表現(xiàn)優(yōu)異，但往往病人與正常人之間存在大量的相同連接，所提特征在表征輕度認(rèn)知障礙與正常人差異方面存在冗余或不相關(guān)。因此，如何找到具有最大區(qū)分能力的差異連接和特征成為關(guān)鍵，為此提出了各種不同的特征選擇方法，其中典型的方法有t檢驗(yàn)、方差分析法、特征加權(quán)算法(ReliefF)、支持向量機(jī)遞歸特征消除法(Support Vector Machine-Recursive Feature Elimination,SVM-RFE)等。t檢驗(yàn)和方差分析法基于統(tǒng)計(jì)的思想檢驗(yàn)特征統(tǒng)計(jì)量在兩類樣本上的差異。ReliefF可以檢驗(yàn)出與類別相關(guān)性較大的特征，且這種相關(guān)性并不局限于線性相關(guān)。上述t檢驗(yàn)法、方差分析法、ReliefF方法都是一種過濾式的特征選擇算法，特征選擇與具體的分類算法無關(guān)，具有計(jì)算簡(jiǎn)單、速度快等特點(diǎn)，但缺乏考慮特征間的相關(guān)性及冗余性。SVM-RFE作為典型的封裝式特征選擇方法，考慮到多個(gè)特征間對(duì)表征樣本差異和模式分類的影響，引用模式分類的指標(biāo)如準(zhǔn)確率來反映特征的重要性，選擇的特征能取得較好的模式分類效果?；谶^濾式和封裝式特征選擇方法，能有效結(jié)合兩類特征選擇方法的優(yōu)勢(shì)，首先能基于過濾式特征選擇方法選取一定程度上表征樣本差異的特征，再基于封裝式特征選擇方法選取使得模式分類效果最優(yōu)的特征子集。

本發(fā)明將高斯圖模型應(yīng)用于輕度認(rèn)知障礙功能磁共振數(shù)據(jù)中，并基于一種組合式特征選擇方法，實(shí)現(xiàn)腦網(wǎng)絡(luò)的精確構(gòu)建、輕度認(rèn)知障礙的自動(dòng)識(shí)別，對(duì)輔助輕度認(rèn)知障礙臨床診斷，減輕醫(yī)生負(fù)擔(dān)提高診斷效率具有重要實(shí)際意義。

技術(shù)實(shí)現(xiàn)要素：

根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明將高斯圖模型方法應(yīng)用于輕度認(rèn)知障礙(MCI)功能磁共振圖像數(shù)據(jù)(fMRI)中，提供了一種構(gòu)建輕度認(rèn)知障礙功能連接網(wǎng)絡(luò)及特征提取的方法，所提特征在輕度認(rèn)知障礙患者與正常對(duì)照之間的模式分類中取得了優(yōu)良的分類效果，并且分類模型具有良好的泛化性能。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了基于高斯圖模型的腦網(wǎng)絡(luò)建模與模式分類方法，包括如下步驟：

1.腦網(wǎng)絡(luò)構(gòu)建：應(yīng)用高斯圖模型估計(jì)功能磁共振數(shù)據(jù)的稀疏逆協(xié)方差矩陣，構(gòu)建腦網(wǎng)絡(luò)功能連接模型；

2.特征構(gòu)建：取腦網(wǎng)絡(luò)中邊的權(quán)重，即稀疏逆協(xié)方差矩陣的下三角矩陣，作為備選特征集S₀；

3.特征選擇：從備選特征集S₀中選取具有良好區(qū)分能力的最優(yōu)特征子集S₁；

4.分類模型：基于最優(yōu)特征子集S₁訓(xùn)練分類器非線性支持向量機(jī)；

5.模式分類：使用分類器對(duì)功能磁共振數(shù)據(jù)進(jìn)行分類，驗(yàn)證特征子集S₁的有效性。

其中，所屬步驟1中，以訓(xùn)練集上具有最大訓(xùn)練正確率的參數(shù)值最終確定測(cè)試樣本和訓(xùn)練樣本的功能連接腦網(wǎng)絡(luò)。

所述步驟2中，取稀疏化的逆協(xié)方差矩陣的下三角矩陣?yán)睒?gòu)成行向量，作為特征。

所述步驟3中，使用一種過濾式和封裝式相組合的特征選擇方法從特征集S₀中選擇最優(yōu)特征子集S₁。

所述步驟4中，選用徑向基函數(shù)(Radial Basis Function,RBF)核函數(shù)的非線性支持向量機(jī)(Support Vector Machine,SVM)作為分類器，并應(yīng)用一種兼顧全局和局部的網(wǎng)格搜索方法確定分類器的最優(yōu)參數(shù)。

本發(fā)明所提供的基于高斯圖模型的腦網(wǎng)絡(luò)建模與模式分類方法的優(yōu)點(diǎn)包括：

1.所構(gòu)建網(wǎng)絡(luò)為稀疏網(wǎng)絡(luò)，能更加真實(shí)表征腦部連接；

2.組合式特征選擇方法，方便快捷，能快速選擇最優(yōu)特征子集；

3.基于本方法所找到的差異連接能夠準(zhǔn)確反映輕度認(rèn)知障礙與正常人之間的差異，為輕度認(rèn)知障礙的輔助診斷提供定量的技術(shù)指導(dǎo)。

附圖說明

圖1為根據(jù)本發(fā)明實(shí)施例的腦網(wǎng)絡(luò)構(gòu)建并進(jìn)行模式分類的流程示意圖。

圖2為基于本發(fā)明實(shí)施例的兩層留一法交叉驗(yàn)證詳細(xì)分類流程圖。

圖3為不同稀疏程度情況下輕度認(rèn)知障礙功能連接腦網(wǎng)絡(luò)圖。

圖4為本發(fā)明中組合式二次過濾特征選擇流程示意圖。

圖5為根據(jù)不同腦網(wǎng)絡(luò)構(gòu)建方法所提特征在輕度認(rèn)知障礙模式分類中的受試者工作特性曲線。

圖6為每次留一交叉驗(yàn)證中，所最終用于構(gòu)建腦網(wǎng)絡(luò)的參數(shù)λ的大小。

圖7(a)和圖7(b)為基于本發(fā)明所提的兩個(gè)最優(yōu)特征的分布圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。

根據(jù)本發(fā)明的一個(gè)實(shí)施例，將高斯圖模型應(yīng)用于功能磁共振數(shù)據(jù)中構(gòu)建腦網(wǎng)絡(luò)，已有研究表明，人類大腦具有稀疏特性，高斯圖模型通過稀疏逆協(xié)方差矩陣的方式，使得逆協(xié)方差矩陣中的一些元素收縮至零，來模擬大腦的稀疏特性，并從稀疏逆協(xié)方差矩陣中提取和識(shí)別表征輕度認(rèn)知障礙的連接，進(jìn)行模式分類。圖1展示了根據(jù)本發(fā)明的一個(gè)實(shí)施例的方法流程圖，包括：

首先，對(duì)功能磁共振數(shù)據(jù)應(yīng)用高斯圖模型得到稀疏化逆協(xié)方差矩陣，構(gòu)建功能連接網(wǎng)絡(luò)(步驟1)；然后，取稀疏逆協(xié)方差矩陣的下三角矩陣作為特征(步驟2)；接著，使用t檢驗(yàn)和SVM-RFE相組合的二次過濾特征選擇方法對(duì)特征集進(jìn)行篩選，得到最優(yōu)特征子集(步驟3)；然后，使用最優(yōu)特征子集訓(xùn)練模式分類器支持向量機(jī)(步驟4)；最后，采用所訓(xùn)練的非線性支持向量機(jī)分類器進(jìn)行模式分類，并驗(yàn)證所選特征的有效性和模型的泛化性能(步驟5)。

圖2進(jìn)一步詳細(xì)展示了基于本發(fā)明的分類流程圖。如圖2所示，本發(fā)明使用兩層交叉驗(yàn)證進(jìn)行模型訓(xùn)練和模式分類。內(nèi)層留一法交叉驗(yàn)證用于尋找最佳腦網(wǎng)絡(luò)模型，即參數(shù)λ的值，并將其賦給外層循環(huán)用于構(gòu)建腦網(wǎng)絡(luò)模型；外層留一法交叉驗(yàn)證基于內(nèi)層最佳參數(shù)構(gòu)建的腦網(wǎng)絡(luò)模型尋找最優(yōu)特征子集S₁，并訓(xùn)練模式分類器SVM，進(jìn)行模式分類。

下面具體介紹根據(jù)本發(fā)明所提供的基于高斯圖模型的腦網(wǎng)絡(luò)建模與模式分類方法的具體步驟：

1.腦網(wǎng)絡(luò)構(gòu)建：應(yīng)用高斯圖模型對(duì)功能磁共振數(shù)據(jù)構(gòu)建腦網(wǎng)絡(luò)功能連接模型；

高斯圖模型通過對(duì)最大似然估計(jì)添加L₁范數(shù)約束項(xiàng)，使得逆協(xié)方差矩陣中一些元素收縮至零，其表達(dá)式如下：

式中：θ為逆協(xié)方差矩陣，為逆協(xié)方差矩陣的估計(jì)，S為樣本協(xié)方差矩陣，λ為正則化參數(shù)，用于調(diào)節(jié)稀疏程度。λ取不同的值，即可得到不同稀疏程度的腦網(wǎng)絡(luò)，λ越大所構(gòu)建網(wǎng)絡(luò)越稀疏。圖3顯示了不同稀疏程度時(shí)，輕度認(rèn)知障礙患者的功能連接腦網(wǎng)絡(luò)。對(duì)于最終用于分類的腦網(wǎng)絡(luò)，即參數(shù)λ值將由步驟4確定。

2.特征構(gòu)建：取腦網(wǎng)絡(luò)中的邊作為備選特征集S₀；

稀疏化逆協(xié)方差矩陣為對(duì)稱矩陣，其中的每一非零項(xiàng)均可看成一條邊，作為兩個(gè)腦區(qū)之間的一個(gè)連接，而每一非零元素的大小，可看成這條邊的“權(quán)重”。本發(fā)明中將邊作為特征，取的下三角矩陣構(gòu)成特征向量，作為備選特征集合S₀。

3.特征選擇：選擇能最大程度表征輕度認(rèn)知障礙與正常人差異的特征子集S₁。

本發(fā)明使用二次過濾的方式來選擇最優(yōu)特征子集S₁，第一次過濾使用t檢驗(yàn)對(duì)特征集合進(jìn)行篩選，選出均值差異最大的特征子集；然后，基于第一次過濾選擇的特征子集，再應(yīng)用SVM-RFE特征選擇算法進(jìn)行第二次過濾，選出最能表征輕度認(rèn)知障礙與正常人差異的特征集S₁。圖4顯示了t檢驗(yàn)和SVM-RFE組合式特征選擇方法的流程。

其中，SVM-RFE特征選擇算法，具體包含如下步驟：

a)初始化特征排序向量U為空；

b)如果特征子集S為空，轉(zhuǎn)至步驟f)；

c)否則，用特征子集S訓(xùn)練SVM分類模型；

d)計(jì)算每個(gè)特征的得分；

e)將得分最低的特征從S移入到排序向量U的首部，返回至步驟b)

f)輸出向量U中前k個(gè)向量作為最優(yōu)特征子集S₁，結(jié)束。

4.分類模型：基于最優(yōu)特征子集和訓(xùn)練數(shù)據(jù)，訓(xùn)練模式分類器SVM

本發(fā)明使用基于RBF核函數(shù)的支持向量機(jī)作為最終的分類模型，并使用網(wǎng)格搜索方法來確定懲罰因子c和核函數(shù)寬度g的最佳組合。即先以較大步長(zhǎng)log(step)＝0.5在一個(gè)較大的范圍(log(c):-8～0，log(g):-8～1)內(nèi)搜索一個(gè)粗略的最優(yōu)組合(c₀,g₀)，再以較小的步長(zhǎng)log(step)＝0.1在(c₀,g₀)的領(lǐng)域范圍內(nèi)(log(c₀)-2～log(c₀)+2，log(g₀)-2～log(g₀)+2)搜索精細(xì)的最優(yōu)組合(c₁,g₁)。

對(duì)于步驟1中每一個(gè)參數(shù)λ值所構(gòu)建的腦網(wǎng)絡(luò)，均可訓(xùn)練出一個(gè)SVM分類器，本發(fā)明中使用在訓(xùn)練集上擁有最大訓(xùn)練正確率的SVM分類器作為最終的分類模型，并以此時(shí)的參數(shù)λ值為測(cè)試樣本構(gòu)建功能連接腦網(wǎng)絡(luò)。

5.模式分類：基于最優(yōu)特征子集訓(xùn)練的分類器進(jìn)行分類，并分析模型的泛化性能

所提特征在表征輕度認(rèn)知障礙與正常人差異程度方面，可由分類效果間接體現(xiàn)，而分類效果可通過正確率(Accuracy)、敏感度(Sensitivity)、特異度(Specificity)、平衡正確率(Balanced Accuracy)和表征模型泛化性能的ROC曲線下面積(Area Under Curve,AUC)等指標(biāo)體現(xiàn)，以上各指標(biāo)越大，表明分類效果越好，所提特征差異更明顯。本發(fā)明使用留一法交叉驗(yàn)證獲得上述各指標(biāo)，原始fMRI數(shù)據(jù)來自美國北卡羅萊羅納州達(dá)勒姆市杜克大學(xué)腦成像和分析中心，包括12名MCI患者和25名正常人。

1).正確率

正確率作為反映一個(gè)分類器分類效果的最基本量，分類器分類效果越好，必然有著越高的分類正確率。在分類問題中，正確率計(jì)算公式如下：

其中，ACC表示正確率，TP表示被正確分類的正樣本數(shù)，TN表示被正確分類的負(fù)樣本數(shù)，F(xiàn)P表示被錯(cuò)誤分類的負(fù)樣本數(shù)，F(xiàn)N表示被錯(cuò)誤分類的正樣本數(shù)。

2).敏感度

敏感度又稱真陽性率，在醫(yī)學(xué)上表示實(shí)際患病(陽性)被診斷出來的百分比。其計(jì)算公式如下：

其中，SEN表示敏感度。

3).特異度

特異度，又稱真陰性率，即實(shí)際無病按診斷標(biāo)準(zhǔn)被正確判為無病的百分比，反映了篩檢實(shí)驗(yàn)確定非病人的能力。其計(jì)算公式如下：

其中，SPE表示特異度。

4).平衡正確率

平衡正確率，考慮了信號(hào)集中正負(fù)樣本數(shù)存在偏態(tài)情況對(duì)正確率的影響，其計(jì)算公式如下：

其中，BAC表示平衡正確率。

5).ROC線下面積

ROC曲線是根據(jù)一系列不同的二分類方式(分界值或決定閾)，以真陽率為縱坐標(biāo)，假陽率為橫坐標(biāo)繪制的曲線?？梢酝ㄟ^ROC曲線，比較不同的診斷實(shí)驗(yàn)對(duì)疾病的自動(dòng)識(shí)別能力。越靠近左上角的ROC曲線所代表的受試者工作越準(zhǔn)確，也可以通過計(jì)算AUC的值進(jìn)行比較，AUC越大，實(shí)驗(yàn)的診斷價(jià)值越高。圖5展示了基于高斯圖模型腦網(wǎng)絡(luò)以及偏相關(guān)和皮爾遜腦網(wǎng)絡(luò)進(jìn)行分類診斷的ROC曲線，從圖中可以看出基于高斯圖模型腦網(wǎng)絡(luò)所訓(xùn)練的SVM分類器對(duì)輕度認(rèn)知障礙具有良好的診斷能力。

針對(duì)來自美國北卡羅萊羅納州杜克大學(xué)腦成像和分析中心的功能磁共振數(shù)據(jù)，表1列出了基于本發(fā)明所構(gòu)建的腦網(wǎng)絡(luò)與皮爾遜腦網(wǎng)絡(luò)以及偏相關(guān)腦網(wǎng)絡(luò)的分類結(jié)果對(duì)比。從表中可以看出基于本發(fā)明所構(gòu)建的腦網(wǎng)絡(luò)，準(zhǔn)確率達(dá)到91.89％，同時(shí)還具有良好的SEN、SPE、BAC、AUC等指標(biāo)，表現(xiàn)出良好的泛化性能，其分類效果明顯優(yōu)于皮爾遜及偏相關(guān)腦網(wǎng)絡(luò)。

表1不同腦網(wǎng)絡(luò)建模方法的模式分類結(jié)果對(duì)比

針對(duì)來自美國北卡羅萊羅納州杜克大學(xué)腦成像和分析中心的功能磁共振數(shù)據(jù)，圖6展式了本發(fā)明37次留一分類中最終用于構(gòu)建腦網(wǎng)絡(luò)模型的參數(shù)λ值大小，可以看出λ＝0.03和0.04出現(xiàn)的頻率最高，說明此時(shí)基于高斯圖模型構(gòu)建的腦網(wǎng)絡(luò)在表征輕度認(rèn)知障礙與正常人之間的差異方面表現(xiàn)更加優(yōu)異。圖7(a)和圖7(b)分別展示了λ＝0.03時(shí)兩個(gè)最優(yōu)的特征，從圖中可以看出輕度認(rèn)知障礙與正常人之間存在明顯的差異。

本發(fā)明所提供的基于高斯圖模型的腦網(wǎng)絡(luò)建模與模式分類方法，主要是為準(zhǔn)確構(gòu)建腦網(wǎng)絡(luò)，輔助輕度認(rèn)知障礙腦疾病的診斷提出的。但顯然，本說明書中所描述的腦網(wǎng)絡(luò)建模分類分析方法也適用于其他腦疾病的診斷分析。

以上對(duì)本發(fā)明所提供的基于高斯圖模型的腦網(wǎng)絡(luò)建模與模式分類方法進(jìn)行了詳細(xì)的說明，但顯然本發(fā)明的范圍并不局限于此。在不脫離所附權(quán)利要求書所限定的保護(hù)范圍的情況下，對(duì)上述實(shí)施例的各種改變都在本發(fā)明的范圍之內(nèi)。