CN104715261A

CN104715261A - fMRI动态脑功能子网络构建及并联SVM加权识别方法

Info

Publication number: CN104715261A
Application number: CN201510133022.XA
Authority: CN
Inventors: 梅雪; 马士林; 黄嘉爽; 李微微
Original assignee: Nanjing Tech University
Current assignee: Nanjing Tech University
Priority date: 2015-03-23
Filing date: 2015-03-23
Publication date: 2015-06-17

Abstract

本发明公开了一种fMRI动态脑功能子网络构建及并联SVM加权识别方法，步骤包括：1)数据预处理；2)提取各脑区的时间序列；3)选取感兴趣的脑部区域；4)构建各个脑部区域的动态脑功能子网络；5)训练各个子网络分类器；6)对各子分类器赋值，形成并联SVM分类器；7)对未知样本进行分类。本发明构建的动态脑功能网络较传统的静态功能网络，增加了脑功能网络在时间维度上的信息；并结合先验知识，对不同的感兴趣脑部区域构建动态子网络，保留有用信息的同时，降低特征维数；对每个子网络训练SVM分类器，通过识别率确定子分类器的权重，形成并联SVM分类器，对脑区整体进行加权分类，使分类器具有更好的鲁棒性。

Description

fMRI动态脑功能子网络构建及并联SVM加权识别方法

技术领域

本发明涉及一种脑部功能性磁共振图像的处理和识别方法，具体涉及fMRI动态脑功能子网络构建及并联SVM加权识别方法；通过数字图像处理、模式识别、机器学习等领域的知识，以及动态网络、主成分分析和支持向量机等处理方法，设计一种功能性磁共振图像数据的识别与特征提取的方法，其处理结果可用于对功能性磁共振图像数据进行分类。

技术背景

近年来，功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI)技术得到研究者的广泛关注。该技术提供了一种非入侵式的获取脑部活动图像的方法，通过探测大脑中血氧饱和水平的变化来观察大脑活动的变化。其中，静息态功能性磁共振图像(Resting state-fMRI，R-fMRI)反映的是占大脑活动90％能量的自发性活动，这些自发性活动被认为与不同的脑部状态有很大的相关性。

随着R-fMRI技术的发展，对大脑脑区之间功能连接的分析正引起着更多的关注。脑功能连接主要是从大脑的空间维度，研究各个脑区在活动上的相关性，其结果易于检验且具有相对合理的生理学解释。传统构建脑功能网络的方法通常使用各脑区的整个时间序列去构建一个静态的网络，忽略了功能连接网络在时间维度上的非稳定特性。然而，越来越多的研究表明，功能连接网络随时间的动态变化附加了更加丰富的脑组织活动信息。本发明采用滑动时间窗处理方法构建动态的功能连接网络，动态功能网络既包含了脑区空间活动的相关信息，又弥补了传统脑功能网络缺少时间维度相关信息的不足，同时，本发明将这类非稳定特性作为fMRI数据的重要特征来进行机器识别。

在解剖学标签模板(Anatomical Automatic Labeling，AAL)中，将人的大脑分为90个脑区，因此，脑功能连接矩阵一般都是超高维数据，无法直接将机器识别技术用于对该类数据的处理，因此诸如PCA、ICA等一些传统的线性降维方法被运用在研究中。以往应用传统降维方法时，仅考虑获取数学意义上的最佳特征，未能根据数据集自身的特点选出适合的分类特征，从而使提取到的特征数据难以全面刻画信息。根据先验知识，不同的脑部状态会导致不同的脑部区域连接异常，因此，仅对感兴趣脑部区域内构成的子网络进行处理和分析，可以大大减少数据量，并且在降低特征维数的同时保留大部分对fMRI数据识别有用的信息。与此同时，不同脑部区域的fMRI数据对脑部状态的识别所起到的作用是不同的，因此本发明分别对感兴趣脑部区域构建的子网络进行分类识别，训练子网络分类器并根据分类效果赋予不同权值，形成带权重的并联分类器，通过并联分类器对脑部fMRI数据进行分类，也可以提高分类器的鲁棒性。

发明内容

1.发明要解决的技术问题

针对现有技术领域中fMRI脑功能网络只包含脑区空间维度上的活动信息，忽略了其时间维度上的非平稳特性，脑功能网络数据维数过高、分类器识别精度不高等问题，本发明提供了一种fMRI动态脑功能子网络构建及并联SVM加权识别方法，运用fMRI动态网络获取更丰富的脑部图像信息，通过并联的SVM分类器对fMRI数据进行分类，解决减少数据维数、有效提取特征的同时也提高了分类器的鲁棒性。

2.技术方案

发明原理：本发明充分利用脑功能连接网络的动态信息，结合先验知识，对感兴趣脑部区域的fMRI时间序列采用滑动时间窗处理方法生成动态功能连接网络，然后，以各脑部区域动态功能子网络经PCA处理后提取到的各个主要成分作为特征，分别训练分类器，并根据子网络分类器的识别效果赋予不同的权值，进而使用子网络分类器分类结果的加权值作为最终分类结果。

本发明是通过以下技术方案来实现的，fMRI动态脑功能子网络构建及并联SVM加权识别方法包括如下步骤：

(1)对获取到的静息态fMRI实验数据进行预处理，消除外界干扰信号并将所有采集到的实验数据标准化到统一的时间和空间域；所述的预处理过程通过SPM8软件实现，包括时间层校准，头动校正，空间标准化和空间平滑；

(2)从预处理后的fMRI数据中提取出相关信息，对照生理学模板(本发明选用Anatomical Automatic Labeling，AAL模板)，将每个实验者大脑90个脑区内的所有体素的时间序列进行平均，获得90个脑区的平均时间序列。对于总长度为n的时间序列，提取出90个脑区中各体素的平均时间序列点，可以获得一个90×n的矩阵：

其中x_u，v为第u个脑区在v时刻的所有体素的平均值；

(3)根据先验知识，选择感兴趣的N组脑区(如默认脑区、视觉区域、听觉区域、运动区域等)，其中第i组脑区包含AAL模板中90个脑区中的k_i(i＝1，2，...，N)(2≤k_i≤90)个不同脑区；

(4)对得到的N组脑区的时间序列，采用滑动时间窗处理方法分别构建动态功能连接网络，形成N个子网络，记为Net₁，Net₂，...，Net_N；

(5)应用若干个已知类别样本的第一个子网络训练分类器，并进行分类识别，所述的分类器选用支持向量机(SVM)，分类特征选用对动态网络序列做主成分分析(PCA)后提取到的主要成分；

(6)以此类推，分别训练N个带权重的分类器，用其他子网络分别训练N个SVM分类器，根据各个分类器分类正确率赋予子网络分类器不同的权值a₁，a₂，...，a_N，形成并联SVM分类器；

(7)对未知类别的样本进行分类识别时，使用并联SVM分类器的子分类器对各个子网络分别进行识别，其分类结果的加权值来作为最后的分类结果。

所述的步骤(4)中，对得到的N组脑区的时间序列构建动态子网络时，我们对一组脑部区域中脑区的fMRI时间序列采用滑动时间窗处理方法生成动态功能连接网络。对脑区时间序列进行滑动时间窗处理时，设定窗口长度为W，滑动步长为S，则从第1个时间点开始到第W个时间点结束，取长度为W的窗口作为第1个时间片段，然后移动S个时刻，从第S+1个时间点开始到第S+W个时间点结束，长度为W的窗口作为第二个时间片段，以此类推，最终将各个脑区的时间序列分为若干个时间片段的序列。则对于序列总长度为n的时间序列，构造的动态功能网络个数m为：

m = \frac{n - W}{S},

即将序列总长度为n的时间序列分为m段。动态功能网络的构造过程中，窗口长度W根据扫描重复时间和单个窗口的采样频率，取W＝1/(f·TR)(其中，f为单个窗口的采样频率，TR为磁共振扫描的重复时间)。

在fMRI数据分析中，脑区之间的相关性用了皮尔逊相关系数来表示，两脑区间的相关系数ρ_x，y为：

ρ_{x, y} = \frac{cov (x, y)}{σ_{x} σ_{y}},

其中，x和y分别表示两个脑区的时间序列，σ_x和σ_y分别表示两个脑区序列x和y的标准差，cov(x，y)为脑区序列x和y的协方差。构建第i组脑区动态功能连接子网络时，将第i组脑区的fMRI矩阵：

X_{i} = [\begin{matrix} x_{1,1}, x_{1,2}, . . . {, x}_{1, n} \\ x_{2,1}, x_{2, 2}, . . ., x_{2, n} \\ . \\ . \\ . \\ x_{k_{i}, 1}, x_{k_{i}, 2}, . . ., x_{k_{i}, n} \end{matrix}],

分成m段，形成m个k_i×W的fMRI矩阵：

{\hat{X}}_{1, i}, {\hat{X}}_{2, i}, . . ., {\hat{X}}_{m, i},

中的k_i个脑区的相关系数组成的矩阵向量化为维的特征向量F_i，则一个被试的第i组脑区的动态功能连接网络为一个的矩阵（F_1，i，F_2，i，...，F_m，i)。

所述的步骤(6)中，分别训练N个SVM分类器，根据各个分类器分类正确率赋予子网络分类器不同的权重a_j(j＝1，2，...，N)，形成并联的SVM分类器。其中，对于第j组子网络对应的SVM分类器，其分类正确率为R_j，则该分类器对应的权重a_j为：

a_{j} = \frac{R_{j}}{Σ_{j = 1}^{N} R_{j}} .

本发明步骤(7)中使用并联的SVM分类器对某一被测样本就行进行分类时，对于第j个子分类器，对被测样本的分类结果C_j表示为：

则该被测样本最终的识别结果ω为：

ω = \{\begin{matrix} 1, & (Σ_{j = 1}^{N} a_{j} C_{j} > 0) \\ - 1, & (Σ_{j = 1}^{N} a_{j} C_{j} \leq 0) \end{matrix} .

3.有益效果

本发明针对现有技术领域中fMRI脑功能网络只包含脑区空间维度上的活动信息，忽略了其时间维度上的非平稳特性等问题，构建动态脑功能网络，提取出的特征包含了静息态fMRI数据中时间维度上的非平稳特性，从而获得更丰富的脑部图像信息；针对脑功能网络数据维数过高、分类器识别精度不高的问题，采用提取感兴趣区域的方法并构建并联的SVM分类器，通过并联的SVM分类器对fMRI数据进行分类，即降低了特征维数又能准确进行分类。针对脑部fMRI数据分类问题，本发明可以获得更丰富的脑部图像信息，并在减少数据维数的同时也提高了分类的鲁棒性。

附图说明

图1是fMRI动态脑功能子网络构建及并联SVM加权识别方法的流程图。

图2是动态子网络构建及子分类器训练过程的示意图。

具体实施方式

以下结合本发明技术方案和附图，详细叙述本发明的一个具体实施例：

1、结合图1中所描述的fMRI数据获取及预处理部分，得到fMRI数据。

首先，获取56名实验参与者的fMRI数据。静息态实验数据获取时，要求实验参与者在静息态扫描过程中保持安静，不能睡着，眼睛不能打转，并保持睁眼状态。进而对获取到的实验数据进行预处理，其目的是去除在数据采集过程中混入的干扰信号，并将实验数据标准化到统一的时间和空间域。这里采用SPM8软件对获取到的fMRI数据进行预处理，其中包括：时间层校准，头动校正，空间标准化和空间平滑。

然后，将预处理后的fMRI数据对照AAL模板，对每个实验者大脑90个脑区内的所有体素的时间序列进行平均，获得90个脑区的平均时间序列。对于序列总长度n＝204的时间序列，提取出90个脑区中各体素的平均时间序列点，可以获得一个90×204的fMRI矩阵：

其中x_u，v为第u个脑区在v时刻的所有体素的平均值。

2、结合附图1中所描述的构建动态子网络部分及图2，构建动态子网络。

第一步，根据先验知识，选择感兴趣的4组脑区(本实例选取的脑部区域包括默认脑区、视觉区域、听觉区域、运动区域)，提取出每一组感兴趣脑区的fMRI数据，每一组脑区包含AAL模板中的不同脑区，其中第i组脑区包含AAL模板中90个脑区中的k_i(i＝1，2，3，4)(2≤k_i≤90)个不同脑区。

第二步，对得到的4组脑区的时间序列，采用滑动时间窗处理方法分别构建动态功能连接网络，形成4个子网络，记为Net₁，Net₂，Net₃，Net₄。在构建任意一个动态子网络时，对脑区时间序列进行滑动时间窗处理，设定窗口长度为W＝35，滑动步长为S＝5，则从第1个时间点开始到第35个时间点结束，取长度为35的窗口作为第1个时间片段，然后移动5个时刻，从第6个时间点开始到第35+5＝40个时间点结束，长度为35的窗口作为第二个时间片段，以此类推，最终将各个脑区序列总长度为204的时间序列分为35个时间片段的序列。

构建第i组脑区动态功能连接子网络时，将第i组脑区的fMRI矩阵：

X_{i} = [\begin{matrix} x_{1,1}, x_{1,2}, . . ., x_{1,204} \\ x_{2,1}, x_{2,2}, . . ., x_{2,204} \\ . \\ . \\ . \\ x_{k_{i}, 1}, x_{k_{i}, 2}, . . ., x_{k_{i}, 204} \end{matrix}] (i = 1,2,3,4),

分成35段，形成35个k_i×35的fMRI矩阵：

{\hat{X}}_{1, i}, {\hat{X}}_{2, i}, . . ., {\hat{X}}_{35, i} .

对各个脑区时间序列进行滑动时间窗处理后，构建功能连接矩阵时，脑区之间的相关性用了皮尔逊相关系数来表示，两脑区间的相关系数ρ_x，y为：

ρ_{x, y} = \frac{cov (x, y)}{σ_{x} σ_{y}},

其中，x和y分别表示两个脑区的时间序列，σ_x和σ_y分别表示两个脑区序列x和y的标准差，cov(x，y)为脑区序列x和y的协方差。

因此，对中的k_i个脑区两两之间的相关系数组成的上三角矩阵向量化后，形成维的特征向量F_i，则一个被试的第i组脑区的动态功能连接网络为一个的矩阵(F_1，i，F_2，i，...，F_35，i)。

3、结合附图1中所描述的训练SVM分类器和测试样本分类，构建并联的SVM分类器并进行分类。

首先，分别对每个实验者fMRI数据构建的4组动态网络序列做主成分分析(PCA)，获取动态网络序列的主要成分P₁，P₂，P₃，P₄，以获得的主要成分作为特征训练4个SVM分类器。然后，根据各个分类器的识别率赋予子网络分类器不同的权重，形成并联的SVM分类器。对于第j组子网络对应的SVM分类器，其分类正确率为R_j，则该分类器对应的权重a_j为：

a_{j} = \frac{R_{j}}{Σ_{j = 1}^{N} R_{j}} .

最后，对测试样本进行分类时，同样对测试样本fMRI数据构建4组动态子网络，并进行主成分分析，获得主要成分。以此作为测试样本的特征，使用并联SVM分类器对各个子网络进行分类，以各个子分类器分类结果的加权值作为最后的分类结果。其中使用并联的SVM分类器对某一被测样本就行进行分类时，对于第j个子分类器，对被测样本的分类结果C_j表示为：

则该被测样本最终的识别结果ω为：

ω = \{\begin{matrix} 1, & (Σ_{j = 1}^{N} a_{j} C_{j} > 0) \\ - 1, & (Σ_{j = 1}^{N} a_{j} C_{j} \leq 0) \end{matrix} .

Claims

1.一种fMRI动态脑功能子网络构建及并联SVM加权识别方法，包括如下步骤：

(2)从预处理后的fMRI数据中提取出相关信息，对照生理学模板(本发明选用Anatomical Automatic Labeling，AAL模板)，将每个实验者大脑90个脑区内的所有体素的时间序列进行平均，获得90个脑区的平均时间序列。对于总长度为n的时间序列，提取出90个脑区中各体素的平均时间序列点，可以获得一个90×n的矩阵；

(3)根据先验知识选择感兴趣的N组脑区，其中第i组脑区包含AAL模板中90个脑区中的k_i个不同脑区；

(5)应用若干个已知类别样本的第一个子网络训练分类器，并进行分类识别，所述的分类器选用支持向量机，分类特征选用对动态网络序列做主成分分析后提取到的主要成分；

2.根据权利要求1所述的fMRI动态脑功能子网络构建及并联SVM加权识别方法，其特征在于，所述步骤(2)中的生理学模板为AAL模板。

3.根据权利要求1所述的fMRI动态脑功能子网络构建及并联SVM加权识别方法，其特征在于，所述步骤(4)中构建动态功能连接网络是指：对脑区时间序列进行滑动时间窗处理时，设定窗口长度为W，滑动步长为S，则从第1个时间点开始到第W个时间点结束，取长度为W的窗口作为第1个时间片段，然后移动S个时刻，从第S+1个时间点开始到第S+W个时间点结束，长度为W的窗口作为第二个时间片段，以此类推，最终将各个脑区的时间序列分为若干个时间片段的序列；则对于序列总长度为n的时间序列，构造的动态功能网络个数m为：

m = \frac{n - W}{S},

即将序列总长度为n的时间序列分为m段；动态功能网络的构造过程中，窗口长度W根据扫描重复时间和单个窗口的采样频率，取W＝1/(f·TR)。

4.根据权利要求1所述的fMRI动态脑功能子网络构建及并联SVM加权识别方法，其特征在于，所述步骤(5)中分类特征选用对动态网络序列做主成分分析后提取到的主要成分是指：对于构建动态网络形成的m个时间片段序列，使用主成分分析法进行特征提取，提取出序列的主要成分作为分类器的分类特征。

5.根据权利要求1所述的fMRI动态脑功能子网络构建及并联SVM加权识别方法，其特征在于，所述步骤(6)中分别训练N个带权重的分类器是指：根据各个分类器分类正确率赋予子网络分类器不同的权重a_j，形成并联的SVM分类器；其中，对于第j组子网络对应的SVM分类器，其分类正确率为R_j，则该分类器对应的权重a_j为：

a_{j} = \frac{R_{j}}{Σ_{j = 1}^{N} R_{j}};

对未知类别样本进行分类时，以各子分类器识别结果的加权和作为最终分类结果。