CN110232332A - 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统 - Google Patents

动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统 Download PDF

Info

Publication number
CN110232332A
CN110232332A CN201910434841.6A CN201910434841A CN110232332A CN 110232332 A CN110232332 A CN 110232332A CN 201910434841 A CN201910434841 A CN 201910434841A CN 110232332 A CN110232332 A CN 110232332A
Authority
CN
China
Prior art keywords
brain
feature
dynamic function
function
dynamic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910434841.6A
Other languages
English (en)
Inventor
沈辉
杨玉园
胡德文
曾令李
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910434841.6A priority Critical patent/CN110232332A/zh
Publication of CN110232332A publication Critical patent/CN110232332A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统，提取方法包括采集静息状态下的功能磁共振成像数据，将其预处理后通过脑模板提取各个脑区的平均时间序列信号，使用滑动时间窗口计算构建动态功能连接矩阵并作为待处理的高维大脑动态描述原始数据，使用局部线性嵌入算法对动态功能连接矩阵进行流形学习得到低维流形的子空间模型，提取所述低维流形的子空间模型中的特征部分得到动态功能连接局部线性嵌入特征。本发明特征的提取方法计算迅速，数据处理效果理想，可构建显著的人群特征描述，不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良，可方便地利用机器学习模型实现脑状态分类。

Description

动态功能连接局部线性嵌入特征的提取及脑状态分类方法和 系统
技术领域
本发明涉及基于功能磁共振成像(functional magnetic resonance imaging，fMRI)数据的大脑状态分类技术，具体涉及一种基于动态功能连接局部线性嵌入的脑状态分类方法与系统。
背景技术
功能磁共振成像的原理是通过磁振造影量测神经元活动引起的血液动力的改变。例如：刺激某些感官时，大脑皮层具体的某些脑功能区激活，这些激活的脑区发出神经信号，利用磁振造影获得神经信号，得到一系列图像。人们执行运动、感觉、高级认知等各种复杂的任务时，会激起脑内某些神经信号，这种生理性的大脑活动引起局部脑血流、脑血容、能量代谢的变化，从而导致组织磁性的变化。fMRI作为一种活体脑功能成像技术，因其具有非侵入性，时空分辨率优良等优点，因而迅速成为脑神经科学研究最常用的脑成像技术。
动态功能连接(dynamic functional connectivity，dFC)研究的是在空间区域上相互隔离的两个脑区之间，其神经活动序列在时间域上的相关性呈现出瞬时动态变化的特性。在之前的研究中，静态功能连接的方法被广泛使用，研究者使用扫描时间内所有信息，构建矩阵，用来获得大脑状态。最近，功能连接(functional connectivity，FC)已被证实随时间波动性变化，这意味着使用静息态扫描时间内的所有信息的静态的方法可能太过于简单，无法捕捉到静息态活动的全部状态。动态功能连接认为在一个扫描时间内，功能连接性在网络节点、连接方向和连接强度上随时间在变化，如图1所示，表现出功能连接的动态性。同时，关于静息态功能连接的波动性与行为之间潜在的相关性结果，表明功能连接的波动性在一定程度上来源于神经活动，并且可能和认知或警觉状态的转换有关，而一些疾病的功能连接动态特性的改变也表明了连接波动性的生理意义，同时也表明功能连接的时域动态特性在一定程度上可以作为疾病诊断的生物学标记。
为了探索高维脑磁共振数据中的客观规律和有用信息，需要对数据集进行维数约简(dimensionality reduction)，即寻找高维测量空间信息的约简表示。传统的线性降维方法如主成分分析法(Principle Component Analysis，PCA)和独立成分分析法(Independent Component Analysis，ICA)一般基于数据的统计特征来寻找高维空间中线性模型的特征向量，它们假设成分间是正交的或统计独立的。现实中脑活动模式大多是非线性的，采用线性方法的最大缺陷是不能够有效地发现数据中的非线性结构特征。为了从高维脑磁共振数据中获取隐藏的模式信息，一个合理的思路就是使用最新的研究方法，来对数据中隐含的功能连接模式进行学习，从而提取出功能连接的结构和特征。
同时在过去二十年中，一些研究项目致力于检测fMRI脑功能网络的功能连接。一些研究者使用流形学习算法：局部线性嵌入算法和局部保持投影算法得到静态功能连接从高维空间到低维空间的解析映射关系，使用重构的子空间模型来研究精神分裂症患者和健康被试者之间的大脑差异，结合C-均值分类设计训练分类器，来从静息fMRI数据中解码疾病的行为症状或者其他感兴趣变量。目前功能连接的动态行为越来越受到重视，除了自发性fMRI信号波动的相关性模式之外，不同大脑区域之间的连接性在典型的静息状态fMRI实验中表现出了具有显著意义的变化。针对动态功能连接的评估和表征，有相当多的工作来确定相关的FC波动，使用各种方法来描述静息状态下功能连接波动的丰富和复杂的结构以及在各个分布式的脑区中引起的连续波动，通过探索大脑的不同区域间的特定连接特性和一些功能连接状态的驻留时间属性，来分析不同脑部疾病出现的典型的功能连接现象，可以确定的是，只有动态功能连接能够捕捉到FC改变的内在动态性质。
因此，基于动态功能连接的理论，使用更适用于大脑生理结构的流形学习方法来捕捉大脑的动态功能网络特征，结合使用全脑动态功能连接低维嵌入和谱聚类算法，设计一种数据驱动的方法来从fMRI数据中提取疾病人群或任务态人群下的低维模式，并将其用于疾病病人与正常被试者之间的分类或是不同任务态被试的分类，将有助于我们探索更好的研究动态功能连接的工具和方法。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统，本发明的特征提取方法计算迅速，数据处理效果理想，可构建显著的人群特征描述，不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良，可方便地利用机器学习模型实现脑状态分类。
为了解决上述技术问题，本发明采用的技术方案为：
一种动态功能连接局部线性嵌入特征的提取方法，实施步骤包括：
1)采集静息状态下的功能磁共振成像数据；
2)针对所述功能磁共振成像数据进行预处理；
3)选择包含大脑皮层功能分区的脑模板；
4)将预处理后的功能磁共振成像数据在脑模板中的单个脑区看成网络中的节点，提取每个脑区的平均时间序列信号；
5)使用滑动窗口分析方法，对各个节点的平均时间序列信号计算连接相关性，得到动态功能连接矩阵；
6)将动态功能连接矩阵作为待处理的高维大脑动态描述原始数据，使用局部线性嵌入算法将高维大脑动态描述原始数据映射为低维空间得到特征提取结果。
优选地，步骤5)的详细步骤包括：
5.1)将全部n位被试的所有R个不同的脑区的时间序列信号矩阵作为输入数据，每次取单个被试的大脑信号矩阵，矩阵规模为R×M，其中M为时间序列的采样时间点总个数；
5.2)基于窗口长度W以及时间长度T的滑动步长，分别针对输入数据包含的滑动时间窗迭代计算目标脑区和各个感兴趣区域在时间序列上的连接相关性直至最后窗口滑动到包含整个输入数据的末端部分，最终每个被试获得(M×2-W+1)/T个脑区连接性时间序列矩阵，每个脑区连接性时间序列矩阵的规模为R×R且为实对称矩阵；
5.3)取脑区连接性时间序列矩阵的上三角数据得每个时间窗口规模为R×(R-1)/2的功能连接性向量，将所有被试的动态脑区连接向量放入动态功能连接矩阵，则最终获得的行数为n×(M×2-W+1)/T、列数为R×(R-1)/2的动态功能连接矩阵。
优选地，步骤5.2)中计算目标脑区和各个感兴趣区域在时间序列上的连接相关性包括：首先计算目标脑区和各个感兴趣区域在时间序列上的Pearson相关系数，然后将Pearson相关系数通过fisher-z变换转变为z值作为最终的连接相关性的计算结果。
优选地，所述Pearson相关系数的计算函数表达式如式(5-1)所示；所述通过fisher-z变换转变为z值的计算函数表达式如式(5-2)所示；
式(5-1)中，s(t)为目标脑区的时间序列，为目标脑区的时间序列的平均时间序列信号，r(t)为感兴趣区域的时间序列，为感兴趣区域的时间序列的平均时间序列信号，t＝1，2，…，n，n为时间序列信号的数量；
式(5-2)中，r为Pearson相关系数。
优选地，步骤6)的详细步骤包括：
6.1)针对所述动态功能连接矩阵，使用k近邻算法得到动态功能连接矩阵中每个时间窗口下的功能连接性向量的k近邻点；
6.2)采用式(6-2)所示的函数表达式求解功能连接性向量中每个数据值的权重得到权重系数矩阵；
式(6-2)中，W为根据每个样本点的近邻点计算得到的局部重建系数矩阵，维度为N×N，N为样本点总个数，Ni＝[xi1，xi2，...，xik]是一个D×k的矩阵，xi表示第i个功能连接性向量，k表示k近邻点的数量，xji表示输入的功能连接性向量的数据值，wji表示功能连接性向量中数据值xji的权重，s.t表示整个求解过程中要满足的约束条件，表示要求得以W为自变量的损失代价函数最小化；
6.3)将动态功能连接矩阵作为待处理的高维大脑动态描述原始数据，使用式(6-3)所示局部线性嵌入算法将高维大脑动态描述原始数据的功能连接性向量映射为低维空间的流形子空间模型中的降维后的低维空间中的功能连接性向量Y，并将降维后的低维空间中的功能连接性向量Y作为最终提取得到的特征提取结果；
式(6-3)中，Y＝[y1，y2，...，yN]为降维后的低维空间中的功能连接性向量，维度为d×N；Ψ(Y)表示d维坐标下yi的局部线性重构误差之和，N为样本点总个数，yi表示映射后的样本点在d维流形空间中的低维嵌入向量，k表示k近邻点的数量，yji表示低维嵌入向量中的数据值，wji为yji的权重，Id×d为d×d维的单位矩阵，s.t.表示整个求解过程中需要满足的约束条件，表示要求得以Y为自变量的损失代价函数的最小值。
优选地，步骤6.1)中使用k近邻算法得到动态功能连接矩阵中每个时间窗口下的功能连接性向量的k近邻点的函数表达式如式(6-1)所示；
式(6-1)中，KNN表示使用的k近邻算法，Ni表示第i个功能连接性向量的近邻点，xi表示第i个功能连接性向量，k表示k近邻点的数量。
本发明还提供一种动态功能连接局部线性嵌入特征的提取系统，包括计算机设备，该计算机设备被编程或配置以执行所述动态功能连接局部线性嵌入特征的提取方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行所述动态功能连接局部线性嵌入特征的提取方法的计算机程序。
本发明还提供一种基于动态功能连接局部线性嵌入特征的脑状态分类方法，步骤包括：
S1)分别选择多个脑功能异常病人以及多个正常人作为被试，针对每一个被试采用所述动态功能连接局部线性嵌入特征的提取方法提取得到对应的动态功能连接局部线性嵌入特征，并根据其脑功能异常病人或正常人的分类标签属性构建脑功能异常病人以及正常人两个群体的数据样本；
S2)将两个群体的数据样本使用N折交叉验证法分为训练集与测试集，构建机器学习分类模型并使用训练集与测试集完成机器学习分类模型的训练；
S3)针对被检测对象，采用所述动态功能连接局部线性嵌入特征的提取方法提取得到对应的动态功能连接局部线性嵌入特征，并将动态功能连接局部线性嵌入特征作为机器学习分类模型的输入，得到被检测对象的动态功能连接局部线性嵌入特征的分类结果。
本发明还提供一种基于动态功能连接局部线性嵌入特征的脑状态分类系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于动态功能连接局部线性嵌入特征的脑状态分类方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行所述基于动态功能连接局部线性嵌入特征的脑状态分类方法的计算机程序。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述动态功能连接局部线性嵌入特征的提取方法的计算机程序；或者该计算机可读存储介质上存储有被编程或配置以执行所述基于动态功能连接局部线性嵌入特征的脑状态分类方法的计算机程序。
和现有技术相比，本发明动态功能连接局部线性嵌入特征的提取方法具有下述优点：
1、本发明计算迅速，数据处理效果理想，可构建显著的人群特征描述。
2、本发明使用局部线性嵌入来描述的大脑不同区域之间的动态功能连接特征不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良。
本发明动态功能连接局部线性嵌入特征的提取系统为本发明动态功能连接局部线性嵌入特征的提取方法对应的系统，同样也具有本发明动态功能连接局部线性嵌入特征的提取方法的前述优点，故在此不再赘述。
和现有技术相比，本发明基于动态功能连接局部线性嵌入特征的脑状态分类方法具有下述优点：本发明基于动态功能连接局部线性嵌入特征的脑状态分类方法通过本发明动态功能连接局部线性嵌入特征的提取方法提取动态功能连接局部线性嵌入特征，同样也具有本发明动态功能连接局部线性嵌入特征的提取方法的前述优点，而且本发明利用机器学习模型即可实现脑状态分类，能够通过大脑不同区域之间的动态相关性刻画脑功能网络状态，以揭示动态功能连接与大脑发育及人群特征规律，具有原理简单、计算迅速、数据处理效果理想、分类判别性能优良的优点。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中使用功能连接方法后得到的动态功能连接结果示意图。
图3为本发明实施例中局部线性嵌入方法作用于动态功能连接的流程示意图。
图4为本发明实施例中得到的不同人群的动态功能连接局部线性嵌入特征描述的状态结果示意图。
具体实施方式
如图1所示，本实施例动态功能连接局部线性嵌入特征的提取方法的实施步骤包括：
1)采集静息状态下的功能磁共振成像数据；
2)针对功能磁共振成像数据进行预处理；
3)选择包含大脑皮层功能分区的脑模板；
4)将预处理后的功能磁共振成像数据在脑模板中的单个脑区看成网络中的节点，提取每个脑区的平均时间序列信号；
5)使用滑动窗口分析方法，对各个节点的平均时间序列信号计算连接相关性，得到动态功能连接矩阵；
6)将动态功能连接矩阵作为待处理的高维大脑动态描述原始数据，使用局部线性嵌入算法将高维大脑动态描述原始数据映射为低维空间得到特征提取结果。
本实施例步骤1)中，采集静息状态(resting state)下的功能磁共振成像(functional magnetic resonance imaging，简称fMRI)数据时，使用的设备为核磁共振扫描仪，且选择快速梯度回波方式，扫描前需要设定扫描周期、层厚、层数、扫描矩阵、扫描视野等扫描参数，扫描过程中要求被试保持头部不动，闭上眼睛放松，但保持清醒。
本实施例中，步骤2)包括：
2.1)去除功能磁共振成像数据的前指定数量帧的图像；本实施例中，步骤2.1)中去除前5帧图像。
2.2)剔除功能磁共振成像数据中在头部位移幅度超过指定阈值的被试；
2.3)针对功能磁共振成像数据进行层间时间校正；
2.4)针对功能磁共振成像数据进行头动校正；
2.5)针对功能磁共振成像数据进行空间标准化处理；
2.6)利用指定大小半高宽的高斯核函数对功能磁共振成像数据进行空间平滑处理；本实施例中，步骤2.6)中指定大小半高宽具体十字6mm的半宽高。
2.7)利用指定频率区间对功能磁共振成像数据进行时域滤波；本实施例中，步骤2.7)中指定频率区间具体是指0.01～0.08Hz。
2.8)针对功能磁共振成像数据进行回归全脑平均信号、白质、脑积液平均信号和头动参数以降低硬件噪声。
本实施例中，步骤2.2)～2.8)具体为通过使用Human connectome preprocessingtoolkit软件(HCPT)实现，通过上述处理，能够提高功能磁共振成像数据的准确度。
脑模板是前人研究得到以及任务态激活区检测等方法确定的大脑皮层功能分区，本实施例中步骤3)选择包含大脑皮层功能分区的脑模板为Montreal NeurologicalInstitute(MNI)机构提供的Anatomical Automatic Labeling(AAL)模板，它一共包含116个脑区。此外，也可以根据需要选择其他公认较稳定的脑模板。
本实施例中，步骤5)的详细步骤包括：
5.1)将全部n位被试的所有R个不同的脑区的时间序列信号矩阵作为输入数据，每次取单个被试的大脑信号矩阵，矩阵规模为R×M，其中M为时间序列的采样时间点总个数；
5.2)基于窗口长度W以及时间长度T的滑动步长，分别针对输入数据包含的滑动时间窗迭代计算目标脑区和各个感兴趣区域在时间序列上的连接相关性直至最后窗口滑动到包含整个输入数据的末端部分，最终每个被试获得(M×2-W+1)/T个脑区连接性时间序列矩阵，每个脑区连接性时间序列矩阵的规模为R×R且为实对称矩阵；
5.3)取脑区连接性时间序列矩阵的上三角数据得每个时间窗口规模为R×(R-1)/2的功能连接性向量，将所有被试的动态脑区连接向量放入动态功能连接矩阵，则最终获得的行数为n×(M×2-W+1)/T、列数为R×(R-1)/2的动态功能连接矩阵。
作为一种优选的实施方式，本实施例步骤5.2)中计算目标脑区和各个感兴趣区域在时间序列上的连接相关性包括：首先计算目标脑区和各个感兴趣区域在时间序列上的Pearson相关系数(皮尔逊系数)，然后将Pearson相关系数通过fisher-z变换转变为z值作为最终的连接相关性的计算结果。)选择用参数化的时间窗的窗口长度W，在其包含的从时间t＝1到时间t＝W的时间窗口内计算Pearson相关系数；将时间窗口向后滑动一个时间长度T的滑动步长，并且在时间区间[1+T，W+T]上重复相同的计算新时间窗口内计算Pearson相关系数(皮尔逊系数)，迭代进行直至最后时间窗口滑动到包含整个时间序列的末端部分，最终得到每个被试获得(M×2-W+1)/T个脑区连接性时间序列矩阵，每个矩阵的规模为R×R，其中R为预设的区域常数；本实施例中，窗口长度W优选40s～60s范围的的较优参数，本实施例中具体使用W＝40s，滑动步长(时间长度T)优选1～5个采样周期的较优参数，本实施例中具体使用T＝2s。预设的区域常数R可取为116，160和176。计算过程得到的记录每个窗口的脑区连接性信息的矩阵为实对称矩阵，取矩阵的上三角数据，得每个时间窗口的功能连接性向量规模为R×(R-1)/2，将所有被试的动态脑区连接向量放入一个动态功能连接结果矩阵，最终获得规模为行数n×(M×2-W+1)/T、列数R×(R-1)/2的动态功能连接矩阵，其中R为预设的区域常数。动态功能连接矩阵被称为在检测的时间间隔期间，脑区域的连接性模式的描述矩阵，可以重现全脑功能连接性的时间变化过程。本实施例中得到的动态功能连接结果如图2所示。
本实施例中，Pearson相关系数的计算函数表达式如式(5-1)所示；通过fisher-z变换转变为z值的计算函数表达式如式(5-2)所示；
式(5-1)中，s(t)为目标脑区的时间序列，为目标脑区的时间序列的平均时间序列信号，r(t)为感兴趣区域的时间序列，为感兴趣区域的时间序列的平均时间序列信号，t＝1，2，…，n，n为时间序列信号的数量；从式(5-1)可以看出，Pearson相关系数是由两个变量的时间序列的协方差与标准差相除得到，衡量的是两个时间序列的密切程度。假设目标脑区的时间序列是s(t)，t＝1，2，…，n，某ROI的时间序列是r(t)，t＝1，2，…，n，则目标脑区与某ROI在时间序列上的Pearson相关系数可由式(5-1)计算得到。
式(5-2)中，r为Pearson相关系数。为了使功能连接值服从正态分布以便后续统计分析，本实施例通过式(5-2)fisher-z变换将r值转变为z值，从而能够便于后续统计分析。
本实施例中，步骤5.2)中计算Pearson相关系数之后还包括采用式(2)转变为z值的步骤；
式(2)中，z表示转变为z值后的Pearson相关系数，r表示原始的Pearson相关系数。为了使功能连接值服从正态分布以便后续统计分析，本实施例通过式(2)fisher-z变换将r值转变为z值，从而能够便于后续统计分析。
步骤6)将使用滑动窗口分析方法得到的动态功能连接矩阵看作待处理的高维大脑动态描述原始数据，使用局部线性嵌入方法，对动态功能连接矩阵进行流形学习，得到低维的流形子空间模型和动态功能连接的流形拓扑结构特征描述。
本实施例中，步骤6)的详细步骤包括：
6.1)针对所述动态功能连接矩阵，使用k近邻算法得到动态功能连接矩阵中每个时间窗口下的功能连接性向量的k近邻点；
6.2)采用式(6-2)所示的函数表达式求解功能连接性向量中每个数据值的权重得到权重系数矩阵；
式(6-2)中，W为根据每个样本点的近邻点计算得到的局部重建系数矩阵，维度为N×N，N为样本点总个数，Ni＝[xi1，xi2，...，xik]是一个D×k的矩阵，xi表示第i个功能连接性向量，k表示k近邻点的数量，xji表示输入的功能连接性向量的数据值，wji表示功能连接性向量中数据值xji的权重，s.t表示整个求解过程中要满足的约束条件，表示要求得以W为自变量的损失代价函数最小化；
6.3)将动态功能连接矩阵作为待处理的高维大脑动态描述原始数据，使用式(6-3)所示局部线性嵌入算法将高维大脑动态描述原始数据的功能连接性向量映射为低维空间的流形子空间模型中的降维后的低维空间中的功能连接性向量Y，并将降维后的低维空间中的功能连接性向量Y作为最终提取得到的特征提取结果；
式(6-3)中，Y＝[y1，y2，...，yN]为降维后的低维空间中的功能连接性向量，维度为d×N；Ψ(Y)表示d维坐标下yi的局部线性重构误差之和，N为样本点总个数，yi表示映射后的样本点在d维流形空间中的低维嵌入向量，k表示k近邻点的数量，yji表示低维嵌入向量中的数据值，wji为yji的权重，Id×d为d×d维的单位矩阵，s.t.表示整个求解过程中需要满足的约束条件，表示要求得以Y为自变量的损失代价函数的最小值。
本实施例中，步骤6.1)中使用k近邻算法得到动态功能连接矩阵中每个时间窗口下的功能连接性向量的k近邻点的函数表达式如式(6-1)所示；
式(6-1)中，KNN表示使用的k近邻算法，Ni表示第i个功能连接性向量的近邻点，xi表示第i个功能连接性向量，k表示k近邻点的数量。本实施例中，步骤6.1)使用k近邻算法中k值为从5～15中迭代选出的最优值，具体为12。使用的度量距离为Euclidian距离，如式(6-4)所示；
式(6-4)中，Dij表示的样本点xiα与样本点xjα的距离。当p＝1时，表示City-Block距离；p＝2时，表示欧式距离；p＝∞时，表示Dominance距离。
6.3)使用式(3)所示局部线性嵌入算法对动态功能连接矩阵进行流形学习得到低维流形的子空间模型，提取所述低维流形的子空间模型中的特征部分得到动态功能连接局部线性嵌入特征时，所用的降维后的维度d，使用公式(6-5)极大似然估计来计算。
式(6-5)中，表示θ的估计值，l(θ)为θ的似然函数，θ为输入数据的原始维度，N为输入功能连接向量的样本点个数，p(xi|θ)为为在输入功能连接向量在原始维度下的概率密度函数，xi为输入的功能连接向量。
本实施例还提供一种动态功能连接局部线性嵌入特征的提取系统，包括计算机设备，该计算机设备被编程或配置以执行前述动态功能连接局部线性嵌入特征的提取方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行前述动态功能连接局部线性嵌入特征的提取方法的计算机程序。
本实施例还提供一种基于动态功能连接局部线性嵌入特征的脑状态分类方法，步骤包括：
S1)分别选择多个脑功能异常病人以及多个正常人作为被试，针对每一个被试采用前述动态功能连接局部线性嵌入特征的提取方法提取得到对应的动态功能连接局部线性嵌入特征，并根据其脑功能异常病人或正常人的分类标签属性构建脑功能异常病人以及正常人两个群体的数据样本；
S2)将两个群体的数据样本使用N折交叉验证法分为训练集与测试集，构建机器学习分类模型并使用训练集与测试集完成机器学习分类模型的训练；
S3)针对被检测对象，采用前述动态功能连接局部线性嵌入特征的提取方法提取得到对应的动态功能连接局部线性嵌入特征，并将动态功能连接局部线性嵌入特征作为机器学习分类模型的输入，得到被检测对象的动态功能连接局部线性嵌入特征的分类结果。
为了评估基于动态功能连接局部线性嵌入的脑状态分类方法与系统在提取大脑不同区域之间动态功能连接特征的应用功能，本实施例中采用了如下方法来验证：
I、参见图1，本实施例中使用滑动窗口方法框架来捕获大脑皮层中功能连接的状态动态变化，即动态功能连接特征。滑动窗口方法框架是近年来受到神经影像学界的热烈欢迎的动态连接研究方法，反复应用于功能连接的统计测量。该算法基于Pearson系数，通过使用一个滑动窗口来计算窗口时间点内不同脑区之间时间序列信号的相关性，来得到多组脑区域间的动态相关性矩阵，组成动态功能连接的特征描述。本实施例针对精神分裂症病人与正常人分类共120人(正常被试60人，精神分裂症被试60人)，每个被试得到一个6670*26的动态功能连接矩阵，作为对每个被试的动态功能连接的特征描述。根据相关信息设置局部线性嵌入的关键参数，本实施例中采用由Sam T.Roweis和Lawrence K.Saul于2000年提出并发表在《Science》杂志上的局部线性嵌入算法作为算法核心。k近邻算法的k近邻点个数设为12，本征维数使用极大似然法进行估计取整，采用欧式距离作为原始空间中数据点的距离度量参数，学习数据中的流形特征，构造数据的低维子空间模型和流形结构。构造过程和方法如图3所示，将滑动窗口方法框架获得的高维数据连接性矩阵最终通过局部线性嵌入，得到低维子流形。
II、最后将子空间中所得到的两个群体的动态功能连接流形特征使用N折交叉验证法分为训练集与测试集，使用SVM进行训练并在测试集上进行测试，验证整套方法框架在提取大脑动态特征的敏感性、特异性和泛化性。最终获得的低维嵌入结果如图4所示，使用动态功能连接局部线性嵌入的方法可以将两种状态在空间中分开为状态1(state 1)和状态2(state 2)，图四中的四幅子图分别从三维视角、x-y平面、y-z平面和x-z平面显示两个状态在多个视角上的差异。
此外，本实施例还提供一种基于动态功能连接局部线性嵌入特征的脑状态分类系统，包括计算机设备，该计算机设备被编程或配置以执行前述基于动态功能连接局部线性嵌入特征的脑状态分类方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行前述基于动态功能连接局部线性嵌入特征的脑状态分类方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述动态功能连接局部线性嵌入特征的提取方法的计算机程序；或者该计算机可读存储介质上存储有被编程或配置以执行前述基于动态功能连接局部线性嵌入特征的脑状态分类方法的计算机程序。
综上所述，本发明使用人脑连接组预处理和分析软件构建大脑不同区域间的动态功能连接矩阵，并采用局部线性嵌入的流形学习方法重构大脑动态功能连接的特征子空间，重构的子空间模型具有不依赖于数据来源与人群的特征提取特性、可扩展多样本数据、分类判别性能优良的优点。目前对于动态功能连接的研究多为在原始的高维欧式空间进行分析，本实施例基于动态功能连接局部线性嵌入的脑状态分类方法与系统。结合流形学习的定义，探究流形学习的原理，给出了能将高维的欧式空间动态功能连接数据约简至低维的子空间中的方法流程，并从考察度量不同类型人群间的特征差异，进而比较不同人群在原始高维欧式空间中的特征描述和低维的流形子空间中的特征描述，探索在低维空间中人群特征描述的差异性变化，从而研究局部线性嵌入方法在动态功能连接中的作用。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种动态功能连接局部线性嵌入特征的提取方法，其特征为实施步骤包括：
1)采集静息状态下的功能磁共振成像数据；
2)针对所述功能磁共振成像数据进行预处理；
3)选择包含大脑皮层功能分区的脑模板；
4)将预处理后的功能磁共振成像数据在脑模板中的单个脑区看成网络中的节点，提取每个脑区的平均时间序列信号；
5)使用滑动窗口分析方法，对各个节点的平均时间序列信号计算连接相关性，得到动态功能连接矩阵；
6)将动态功能连接矩阵作为待处理的高维大脑动态描述原始数据，使用局部线性嵌入算法将高维大脑动态描述原始数据映射为低维空间得到特征提取结果。
2.根据权利要求1所述的动态功能连接局部线性嵌入特征的提取方法，其特征为，步骤5)的详细步骤包括：
5.1)将全部n位被试的所有R个不同的脑区的时间序列信号矩阵作为输入数据，每次取单个被试的大脑信号矩阵，矩阵规模为R×M，其中M为时间序列的采样时间点总个数；
5.2)基于窗口长度W以及时间长度T的滑动步长，分别针对输入数据包含的滑动时间窗迭代计算目标脑区和各个感兴趣区域在时间序列上的连接相关性直至最后窗口滑动到包含整个输入数据的末端部分，最终每个被试获得(M×2-W+1)/T个脑区连接性时间序列矩阵，每个脑区连接性时间序列矩阵的规模为R×R且为实对称矩阵；
5.3)取脑区连接性时间序列矩阵的上三角数据得每个时间窗口规模为R×(R-1)/2的功能连接性向量，将所有被试的动态脑区连接向量放入动态功能连接矩阵，则最终获得的行数为n×(M×2-W+1)/T、列数为R×(R-1)/2的动态功能连接矩阵。
3.根据权利要求2所述的动态功能连接局部线性嵌入特征的提取方法，其特征为，步骤5.2)中计算目标脑区和各个感兴趣区域在时间序列上的连接相关性包括：首先计算目标脑区和各个感兴趣区域在时间序列上的Pearson相关系数，然后将Pearson相关系数通过fisher-z变换转变为z值作为最终的连接相关性的计算结果。
4.根据权利要求3所述的动态功能连接局部线性嵌入特征的提取方法，其特征为，所述Pearson相关系数的计算函数表达式如式(5-1)所示；所述通过fisher-z变换转变为z值的计算函数表达式如式(5-2)所示；
式(5-1)中，s(t)为目标脑区的时间序列，为目标脑区的时间序列的平均时间序列信号，r(t)为感兴趣区域的时间序列，为感兴趣区域的时间序列的平均时间序列信号，t＝1，2，…，n，n为时间序列信号的数量；
式(5-2)中，r为Pearson相关系数。
5.根据权利要求1所述的动态功能连接局部线性嵌入特征的提取方法，其特征为，步骤6)的详细步骤包括：
6.1)针对所述动态功能连接矩阵，使用k近邻算法得到动态功能连接矩阵中每个时间窗口下的功能连接性向量的k近邻点；
6.2)采用式(6-2)所示的函数表达式求解功能连接性向量中每个数据值的权重得到权重系数矩阵；
式(6-2)中，W为根据每个样本点的近邻点计算得到的局部重建系数矩阵，维度为N×N，N为样本点总个数，Ni＝[xi1，xi2，...，xik]是一个D×k的矩阵，xi表示第i个功能连接性向量，k表示k近邻点的数量，xji表示输入的功能连接性向量的数据值，wji表示功能连接性向量中数据值xji的权重，s.t表示整个求解过程中要满足的约束条件，表示要求得以W为自变量的损失代价函数最小化；
6.3)将动态功能连接矩阵作为待处理的高维大脑动态描述原始数据，使用式(6-3)所示局部线性嵌入算法将高维大脑动态描述原始数据的功能连接性向量映射为低维空间的流形子空间模型中的降维后的低维空间中的功能连接性向量Y，并将降维后的低维空间中的功能连接性向量Y作为最终提取得到的特征提取结果；
式(6-3)中，Y＝[y1，y2，...，yN]为降维后的低维空间中的功能连接性向量，维度为d×N；Ψ(Y)表示d维坐标下yi的局部线性重构误差之和，N为样本点总个数，yi表示映射后的样本点在d维流形空间中的低维嵌入向量，k表示k近邻点的数量，yji表示低维嵌入向量中的数据值，wji为yji的权重，Id×d为d×d维的单位矩阵，s.t.表示整个求解过程中需要满足的约束条件，表示要求得以Y为自变量的损失代价函数的最小值。
6.根据权利要求5所述的动态功能连接局部线性嵌入特征的提取方法，其特征为，步骤6.1)中使用k近邻算法得到动态功能连接矩阵中每个时间窗口下的功能连接性向量的k近邻点的函数表达式如式(6-1)所示；
式(6-1)中，KNN表示使用的k近邻算法，Ni表示第i个功能连接性向量的近邻点，xi表示第i个功能连接性向量，k表示k近邻点的数量。
7.一种动态功能连接局部线性嵌入特征的提取系统，包括计算机设备，其特征为，该计算机设备被编程或配置以执行权利要求1～6中任意一项所述动态功能连接局部线性嵌入特征的提取方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述动态功能连接局部线性嵌入特征的提取方法的计算机程序。
8.一种基于动态功能连接局部线性嵌入特征的脑状态分类方法，其特征为步骤包括：
S1)分别选择多个脑功能异常病人以及多个正常人作为被试，针对每一个被试采用权利要求1～6中任意一项所述动态功能连接局部线性嵌入特征的提取方法提取得到对应的动态功能连接局部线性嵌入特征，并根据其脑功能异常病人或正常人的分类标签属性构建脑功能异常病人以及正常人两个群体的数据样本；
S2)将两个群体的数据样本使用N折交叉验证法分为训练集与测试集，构建机器学习分类模型并使用训练集与测试集完成机器学习分类模型的训练；
S3)针对被检测对象，采用权利要求1～6中任意一项所述动态功能连接局部线性嵌入特征的提取方法提取得到对应的动态功能连接局部线性嵌入特征，并将动态功能连接局部线性嵌入特征作为机器学习分类模型的输入，得到被检测对象的动态功能连接局部线性嵌入特征的分类结果。
9.一种基于动态功能连接局部线性嵌入特征的脑状态分类系统，包括计算机设备，其特征为，该计算机设备被编程或配置以执行权利要求8所述基于动态功能连接局部线性嵌入特征的脑状态分类方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行权利要求8所述基于动态功能连接局部线性嵌入特征的脑状态分类方法的计算机程序。
10.一种计算机可读存储介质，其特征为，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述动态功能连接局部线性嵌入特征的提取方法的计算机程序；或者该计算机可读存储介质上存储有被编程或配置以执行权利要求8所述基于动态功能连接局部线性嵌入特征的脑状态分类方法的计算机程序。
CN201910434841.6A 2019-05-23 2019-05-23 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统 Pending CN110232332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910434841.6A CN110232332A (zh) 2019-05-23 2019-05-23 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910434841.6A CN110232332A (zh) 2019-05-23 2019-05-23 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统

Publications (1)

Publication Number Publication Date
CN110232332A true CN110232332A (zh) 2019-09-13

Family

ID=67861566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910434841.6A Pending CN110232332A (zh) 2019-05-23 2019-05-23 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统

Country Status (1)

Country Link
CN (1) CN110232332A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826633A (zh) * 2019-11-11 2020-02-21 山东建筑大学 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
CN111325288A (zh) * 2020-03-17 2020-06-23 山东工商学院 基于聚类思想的多视角动态脑网络特征维度约减方法
CN111402212A (zh) * 2020-03-04 2020-07-10 上海海事大学 一种海员脑功能网络动态连接活动模式的提取方法
CN111728590A (zh) * 2020-06-30 2020-10-02 中国人民解放军国防科技大学 基于动态功能连接的个体认知能力预测方法和系统
CN112348833A (zh) * 2020-11-06 2021-02-09 浙江传媒学院 基于动态连接的脑功能网络变异识别方法及系统
CN112561888A (zh) * 2020-12-18 2021-03-26 中国科学院深圳先进技术研究院 基于流形优化的用于磁共振动态成像的深度学习方法
CN112612260A (zh) * 2020-12-18 2021-04-06 安阳师范学院 一种基于动态估计的深度自编码网络过程监控方法
CN113768465A (zh) * 2021-09-15 2021-12-10 安徽师范大学 基于卷积网络和长短期记忆网络的脑网络特征提取方法
CN114748053A (zh) * 2022-03-07 2022-07-15 东北大学 一种基于fMRI高维时间序列的信号分类方法及装置
CN115546124A (zh) * 2022-09-21 2022-12-30 电子科技大学 联合ica和功能梯度的小脑-大脑运动功能整合方法
CN117520827A (zh) * 2024-01-04 2024-02-06 小舟科技有限公司 脑电信号的特征提取方法及装置、设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832656A (zh) * 2017-09-18 2018-03-23 天津大学 一种基于动态功能脑网络的大脑功能状态信息处理方法
CN109034259A (zh) * 2018-07-30 2018-12-18 刘杭 肿瘤介入装置的图像控制系统、方法、终端、储存介质
CN109316188A (zh) * 2018-09-30 2019-02-12 上海海事大学 一种偏头痛脑功能连接模式的提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832656A (zh) * 2017-09-18 2018-03-23 天津大学 一种基于动态功能脑网络的大脑功能状态信息处理方法
CN109034259A (zh) * 2018-07-30 2018-12-18 刘杭 肿瘤介入装置的图像控制系统、方法、终端、储存介质
CN109316188A (zh) * 2018-09-30 2019-02-12 上海海事大学 一种偏头痛脑功能连接模式的提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI SHEN 等: "Discriminative analysis of resting-state functional connectivity patterns of schizophrenia using low dimensional embedding of fMRI", 《NEUROIMAGE》 *
王和勇: "《面向大数据的高维数据挖掘技术》", 31 March 2018 *
皇甫浩然 等: "基于fMRI动态功能连接的抑郁症患者分类研究", 《计算机应用研究》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826633A (zh) * 2019-11-11 2020-02-21 山东建筑大学 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
CN111402212A (zh) * 2020-03-04 2020-07-10 上海海事大学 一种海员脑功能网络动态连接活动模式的提取方法
CN111402212B (zh) * 2020-03-04 2023-11-14 上海海事大学 一种海员脑功能网络动态连接活动模式的提取方法
CN111325288B (zh) * 2020-03-17 2022-02-25 山东工商学院 基于聚类思想的多视角动态脑网络特征维度约减方法
CN111325288A (zh) * 2020-03-17 2020-06-23 山东工商学院 基于聚类思想的多视角动态脑网络特征维度约减方法
CN111728590A (zh) * 2020-06-30 2020-10-02 中国人民解放军国防科技大学 基于动态功能连接的个体认知能力预测方法和系统
CN112348833A (zh) * 2020-11-06 2021-02-09 浙江传媒学院 基于动态连接的脑功能网络变异识别方法及系统
CN112348833B (zh) * 2020-11-06 2023-07-11 浙江传媒学院 基于动态连接的脑功能网络变异识别方法及系统
CN112612260A (zh) * 2020-12-18 2021-04-06 安阳师范学院 一种基于动态估计的深度自编码网络过程监控方法
CN112561888A (zh) * 2020-12-18 2021-03-26 中国科学院深圳先进技术研究院 基于流形优化的用于磁共振动态成像的深度学习方法
CN112561888B (zh) * 2020-12-18 2024-04-16 中国科学院深圳先进技术研究院 基于流形优化的用于磁共振动态成像的深度学习方法
CN113768465A (zh) * 2021-09-15 2021-12-10 安徽师范大学 基于卷积网络和长短期记忆网络的脑网络特征提取方法
CN114748053A (zh) * 2022-03-07 2022-07-15 东北大学 一种基于fMRI高维时间序列的信号分类方法及装置
CN115546124A (zh) * 2022-09-21 2022-12-30 电子科技大学 联合ica和功能梯度的小脑-大脑运动功能整合方法
CN115546124B (zh) * 2022-09-21 2023-04-18 电子科技大学 联合ica和功能梯度的小脑-大脑运动功能整合方法
CN117520827A (zh) * 2024-01-04 2024-02-06 小舟科技有限公司 脑电信号的特征提取方法及装置、设备、存储介质
CN117520827B (zh) * 2024-01-04 2024-04-12 小舟科技有限公司 脑电信号的特征提取方法及装置、设备、存储介质

Similar Documents

Publication Publication Date Title
CN110232332A (zh) 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统
Aquino et al. Identifying and removing widespread signal deflections from fMRI data: Rethinking the global signal regression problem
CN113040715B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
CN107944490B (zh) 一种基于半多模态融合特征约简框架的图像分类方法
Glomb et al. Connectome spectral analysis to track EEG task dynamics on a subsecond scale
CN109717833A (zh) 一种基于人体运动姿态的神经疾病辅助诊断系统
JP2009542351A (ja) 時間的尺度を使用した脳パターンの解析
CN112002428B (zh) 以独立成分网络为参照的全脑个体化脑功能图谱构建方法
CN103646183A (zh) 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法
CN111728590A (zh) 基于动态功能连接的个体认知能力预测方法和系统
CN104605845B (zh) 一种基于diva模型的脑电信号处理方法
CN117172294B (zh) 一种稀疏脑网络的构建方法、系统、设备和存储介质
CN101502413A (zh) 神经性精神疾病的显现测试方法
CN115005798A (zh) 一种基于连边功能连接的脑影像特征提取方法
CN108520283A (zh) 一种基于脑区间接关系网络构建的医学图像分类方法
Li et al. Granger causal inference based on dual laplacian distribution and its application to MI-BCI classification
CN108962379B (zh) 一种脑神经系统疾病的手机辅助检测系统
CN112043273A (zh) 一种脑影像数据处理方法、装置、设备以及存储介质
CN115337000B (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
CN114596306A (zh) 基于机器学习诊断帕金森疾病的系统
Xiao et al. Correlation guided graph learning to estimate functional connectivity patterns from fMRI data
WO1999064983A9 (en) Method and apparatus for automatic shape characterization
Liang et al. Shape modeling and clustering of white matter fiber tracts using fourier descriptors
Vadivu et al. An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal
Ma et al. Multi-view Brain Networks Construction for Alzheimer’s Disease Diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190913

RJ01 Rejection of invention patent application after publication