CN104207778B - 心理健康评估分类器的静息态功能磁共振数据处理方法 - Google Patents

Abstract

本发明公开了一种心理健康评估分类器的静息态功能磁共振数据处理方法，该方法包含以下步骤：步骤1、结合结构像和功能像的定位方法进行感兴趣区的精确定位；步骤2、进行相关的生物特征的提取与选择；步骤3、利用双重支持向量机方法进行心理健康评估分类器的学习。本发明依据心理健康不良状况会表现为大脑功能网络活动异常的特性，利用功能磁共振成像技术和支持向量机方法对大脑静息态数据进行分析，实现心理健康评估分类器的优化学习。

Description

心理健康评估分类器的静息态功能磁共振数据处理方法

技术领域

本发明涉及一种基于静息态功能磁共振成像技术和支持向量机算法的，对心理健康评估分类器的数据处理方法。

背景技术

个人的身心健康不仅影响自身的生活、学习和工作，也对家庭和社会带来不容忽视的作用。然而随着生活节奏的加快和工作压力的增大，个人在工作、学习、生活、人际关系和自我意识方面可能遇到心理失衡现象。基于现有的医学基础，针对个人的器质性病变，较为容易进行诊断和治疗。然而对于一些精神或心理健康不良的亚健康状况，它们还没有表现为严重的心理疾病或造成器质性病变，传统的医学诊断和心理调查方法多是定性分析，很难做到准确把握。尤其对于一些特殊职业，由于缺乏关注或缺少诊断相关的先验知识，对其从业人员的心理健康评估工作更是困难，也尤为重要。例如海员群体，若存在心理不良状况，则会影响自己的身心健康，同时也可能对航海作业造成极大的安全隐患。目前海员的心理问题虽已引起了航运界人士的普遍关注，但国内外至今仍鲜有定量性的有效的心量健康评估方法。大量研究表明一些精神或心理疾病患者的部分脑区自发性神经活动会发生异常，因此如何运用技术手段对大脑功能网络活动进行检测、分析，将对促进心理健康评估的发展起到重要作用。

发明内容

本发明的目的在于提供一种数据处理方法，能够基于静息态功能磁共振成像技术和支持向量机算法对大脑静息态数据进行分析，实现心理健康评估分类器的优化学习。

为了达到上述目的，本发明的技术方案是提供一种数据处理方法，其包含以下过程：

步骤1、构造结构像和功能像相结合的感兴趣区定位模板，将其分别应用于健康被试组及被评估人员的静息态功能磁共振数据，对所关注的脑网络进行精确定位以获得相应的感兴趣区；

步骤2、对感兴趣区进行相关的生物特征的提取与选择；

步骤3、利用双重支持向量机方法进行心理健康评估分类器的学习。

优选地，所述步骤1中进一步包含以下步骤：

步骤1.1、利用解剖学脑区定位模板，定位默认网络各脑区，构成默认网络各脑区结构像模板；

步骤1.2、利用独立成分分析方法对静息态功能磁共振数据进行处理，获取默认网络功能像模板；

步骤1.3、将默认网络各脑区结构像模板分别覆盖到默认网络功能像模板上，读取相应脑区上设定范围内的体素组成默认网络各脑区的感兴趣区，实现精确定位。

优选地，所述步骤2中，对健康被试组和被评估人员的静息态功能磁共振数据，进行局部一致性、低频震荡特性以及各区域间功能连通性的生物特征指标提取，并选取默认网络各感兴趣区间的相关系数作为分类器训练特征。

优选地，所述的步骤3中进一步包含以下步骤：

步骤3.1、将健康被试组数据作为训练集，用一分类支持向量机方法进行分类器学习，获取初始分类器；

步骤3.2、利用初始分类器进行异常人员数据检测，并将检测到的异常数据与健康被试者数据放在一起作为训练集，运用二分类支持向量机方法进行评估分类器的优化学习，循环执行该步骤，直至评估分类器性能稳定。

本发明提供的心理健康评估分类器的静息态功能磁共振数据处理方法，与现有技术相比具有以下优点：本发明构造的结构像和功能像相结合的感兴趣区定位模板，可以对所关注的脑网络进行精确定位，在缺乏先验知识的情况下利用一分类支持向量机方法初始化分类器，之后再利用二分类支持向量机方法优化分类器。

附图说明

图1为本发明所述数据处理方法的流程图。

图2为本发明所述数据处理方法的整体流程图。

具体实施方式

本发明提供一种数据处理方法，基于静息态功能磁共振成像(fMRI)技术和支持向量机算法。本发明通过结合结构像和功能像的定位方法，构造更为精准的感兴趣区定位模板；进行感兴趣区相关特征的提取与选择，并利用双重支持向量机方法进行心理评估分类器的学习。

其中，功能磁共振成像技术是20世纪90年代发展起来的一项新技术，是目前人们掌握的唯一无侵入、无创伤、可精确定位的研究手段，具有较高的时间和空间分辨率，目前已被广泛应用于神经或精神异常等方面的临床和基础研究中。基于结构风险最小化的支持向量机算法在处理小样本和高维数据上具有独特优势，已被广泛应用于神经影像学的研究中。传统的二分类支持向量机方法多用于基于先验知识的模识识别问题中，然而，鉴于海员或其他人员的心理健康评估问题缺乏先验知识的特殊性，本发明提出双重支持向量机方法，运用一分类支持向量机方法初始化分类器，再结合二分类支持向量机方法进行分类器优化。

以下结合附图，对本发明应用于海员心理健康状况评估检测的一个具体实施例做进一步阐述。

如图1、图2所示，本发明提供的一种数据处理方法，包含以下步骤：

步骤1、结合结构像和功能像的定位方法进行感兴趣区的精确定位；其中，进一步包含以下步骤：

步骤1.1、根据解剖学脑区定位模板(如AAL模板)，利用wfu_pickatlas工具包提取出默认网络各脑区，主要包括：内侧前额叶、顶叶(主要包括后扣带回、楔前叶和双侧顶下小叶)、颞叶和枕叶等，构成默认网络各脑区结构像模板。

步骤1.2、利用独立成分分析方法对健康对照被试组的静息态功能磁共振数据(以下亦简称为静息态fMRI数据)进行处理，分别获取每位健康被试者的默认网络，对所有健康被试者的默认网络求平均，再对平均结果进行Z-Score(z分数)转换，得到一个功能像的默认网络模板。

所述的独立成分分析方法最早应用于盲源信号分离，其理论思想是从一组混合的观测信号中分离出独立信号，本发明中应用该方法来从获取的四维静息态fMRI数据中分离出默认网络。本发明中具体是利用SPM8工具，对健康对照组的静息态fMRI数据分别进行以下的预处理：时间层矫正，头动矫正，空间标准化和平滑处理。

步骤1.3、将步骤1.1中所获得的默认网络各脑区结构像模板，分别覆盖到步骤1.2中得到的功能像默认网络模板上，提取相应脑区中z>2.0的体素组成默认网络各个子脑区的感兴趣区(其中z为步骤1.2中经Z-score变换后，某体素对应的z-value值，表明该体素激活程度的强弱)，从而得到较为精确的默认网络感兴趣区。

步骤2、进行相关的生物特征的提取与选择；

例如，可以获取感兴趣区的局部一致性、低频震荡特性以及各区域间功能连通性等生物特征指标，从其中选择合适的生物特征指标用于分类器的训练。

所述的功能连通性，指的是空间上相分离的脑区在神经生理活动上的相关性，可由脑区间相关系数反应出来。默认网络与个人内部的自我反省及对外部情景的感知这些高级认知活动有着密切的联系，默认网络功能连通性的异常可能导致该网络所执行功能的异常。在此，选取默认网络各感兴趣区间的相关系数作为分类器训练特征。

本发明中同样包含将以结构像和功能像定位方法(即，利用独立成分分析方法对所获取的健康组静息态功能磁共振数据进行处理，获取感兴趣的功能网络；然后利用解剖学的AAL模板标记的相关的区域覆盖到由独立成分分析方法获取的功能网络上)构建得到的感兴趣区定位模板，运用到预处理后的海员静息态fMRI数据上得到精确定位的感兴趣区，并对其进行特征提取与选择的相关过程，在该过程中，结构像和功能像模板的构建仅依赖于健康对照组数据。该过程与步骤1～步骤2描述的内容类似，不再赘述。

步骤3、利用双重支持向量机方法进行心理健康评估分类器的学习。本步骤中以步骤2得到的生物特征作为分类器训练特征，且在分类器训练过程中所需参数可由网格搜索算法或粒子群优化算法等获得。

步骤3中利用双重支持向量机方法进行心理健康评估分类器的学习，进一步包含以下步骤：

步骤3.1、将健康被试者数据作为训练集，用一分类支持向量机方法进行分类器学习，获取初始分类器。

所述的一分类支持向量机算法，用于解决缺乏负类样本或异常样本的分类问题。对于给定的训练样本x₁,x₂…x_i∈X，x_i∈R^N，代表一个N维的特征向量。对于非线性问题，通过非线性映射将原始数据映射到高维空间χ，使得在此通过引入径向基核函数且其中γ为核参数，控制了函数的径向作用范围，最终在高维空间寻求一个分隔超平面可以最大化训练样本和原点之间的间隔ρ/||w||，其中w和ρ为决定超平面的待求参数，w为超平面的方向向量。

分隔超平面可由下述优化问题解得：

最小化满足

其中ξ_i≥0为松弛变量，v∈(01)，vn表示分类错误率的上界，全部支持向量率的下界，对原问题的拉格朗日对偶型问题进行计算，得到最终决策函数，其中α_i为引入的拉格朗日乘子：

步骤3.2、利用初始分类器进行异常海员数据检测，并将检测到的异常数据与健康被试者的数据放在一起作为训练集，运用二分类支持向量机方法进行分类器的优化学习，循环执行该步骤，直至分类器性能稳定，即无新的异常数据被检测到为止。

所述的二分类支持向量机算法，描述如下：对于某一个给定的训练集{(x_i,y_i),i＝1…n},x_i∈R^N,y_i∈{-1,1},其中x_i代表一个N维的特征向量，y_i代表样本所属的类标签，其目的在于寻找一个可以最大化分类间隔的分隔超平面。图2所示在分类器的训练过程中，类标签“+1”指代健康对照组样本，类标签“-1”指通过分类器预测到的与健康对照相比，默认网络功能异常的海员样本。

本发明中最大化分类间隔2/||w||，使其满足y_i((x_i·w)+b)≥1，其中w和b决定了分隔超平面(w·x)+b＝0，其中w和b为决定超平面的待求参数，w为超平面的方向向量。分隔超平面可由下述优化问题解得：

最小化满足y_i((x_i·x)+b)≥1-ξ_i

其中C是惩罚参数，平衡分类超平面的复杂性和训练错误。对原问题的拉格朗日对偶型问题进行计算，得到最终的决策函数，其中α_i为引入的拉格朗日乘子：

$f\left(x\right)=\mathrm{sgn}\left({\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i{y}_{i}k\right(x,x_i)+b).$

综上所述，本发明提供的一种数据处理方法，依据心理健康不良状况会表现为大脑功能网络活动异常的特性，利用功能磁共振成像技术和支持向量机方法对大脑静息态数据进行分析，实现心理健康评估分类器的优化学习。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.一种心理健康评估分类器的静息态功能磁共振数据处理方法，其特征在于，包含以下过程：

步骤1、构造结构像和功能像相结合的感兴趣区定位模板，将其分别应用于健康被试组及被评估人员的静息态功能磁共振数据，对所关注的脑网络进行精确定位以获得相应的感兴趣区；

步骤2、对感兴趣区进行相关的生物特征的提取与选择；

步骤3、利用双重支持向量机方法进行心理健康评估分类器的学习，进一步包含以下步骤：

步骤3.1、将健康被试组数据作为训练集，用一分类支持向量机方法进行分类器学习，获取初始分类器；

步骤3.2、利用初始分类器进行异常人员数据检测，并将检测到的异常数据与健康被试者数据放在一起作为训练集，运用二分类支持向量机方法进行评估分类器的优化学习，循环执行该步骤，直至评估分类器性能稳定；

其中，步骤3.1所述的一分类支持向量机方法中，对于给定的一个N维特征向量的训练样本x₁,x₂…x_i∈X，x_i∈R^N，通过非线性映射将原始数据映射到高维空间χ，使得引入径向基核函数：且其中，γ为核参数；在高维空间寻求一个能够最大化训练样本和原点之间的间隔ρ/||w||的分隔超平面w·φ(x_i)-ρ＝0，w和ρ为待求参数，w表示超平面的方向向量；

通过求解下列优化问题得到分隔超平面：

最小化满足ξ_i≥0，

其中，ξ_i≥0为松弛变量，v∈(0 1)，vn表示分类错误率的上界，全部支持向量率的下界，得到最终决策函数，其中α_i为拉格朗日乘子：

$f\left(x\right)=sgn\left({\mathrm{\Σ}}_{i=1}^n{\mathrm{\α}}_{i}k\right(x,x_i)-\mathrm{\ρ});$

步骤3.2所述的二分类支持向量机方法中，对于一个给定的训练集{(x_i,y_i),i＝1…n},x_i∈R^N,y_i∈{-1,1},其中x_i代表一个N维的特征向量，y_i代表样本所属的类标签，来寻求一个能够最大化分类间隔2/||w||的分隔超平面(w·x)+b＝0，使其满足y_i((x_i·w)+b)≥1；其中w和b为待求参数，w表示超平面的方向向量；

通过求解下列优化问题得到分隔超平面：

最小化满足

其中，C是惩罚参数，得到最终决策函数，其中α_i为拉格朗日乘子：

$f\left(x\right)=sgn\left({\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i{y}_{i}k\right(x,x_i)+b).$

2.如权利要求1所述心理健康评估分类器的静息态功能磁共振数据处理方法，其特征在于，

所述步骤1中进一步包含以下步骤：

步骤1.1、利用解剖学脑区定位模板，定位默认网络各脑区，构成默认网络各脑区结构像模板；

步骤1.2、利用独立成分分析方法对静息态功能磁共振数据进行处理，获取默认网络功能像模板；

步骤1.3、将默认网络各脑区结构像模板分别覆盖到默认网络功能像模板上，读取相应脑区上设定范围内的体素组成默认网络各脑区的感兴趣区，实现精确定位。

3.如权利要求2所述心理健康评估分类器的静息态功能磁共振数据处理方法，其特征在于，

所述步骤2中，对健康被试组和被评估人员的静息态功能磁共振数据，进行局部一致性、低频震荡特性以及各区域间功能连通性的生物特征指标提取，并选取默认网络各感兴趣区间的相关系数作为分类器训练特征。