CN111783887A - 基于fMRI小世界脑网络计算机分类测谎识别方法 - Google Patents
基于fMRI小世界脑网络计算机分类测谎识别方法 Download PDFInfo
- Publication number
- CN111783887A CN111783887A CN202010630570.4A CN202010630570A CN111783887A CN 111783887 A CN111783887 A CN 111783887A CN 202010630570 A CN202010630570 A CN 202010630570A CN 111783887 A CN111783887 A CN 111783887A
- Authority
- CN
- China
- Prior art keywords
- network
- brain
- fmri
- matrix
- subject
- 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.)
- Granted
Links
Images
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于fMRI小世界脑网络计算机分类测谎识别方法,该方法首先获取预处理后的受试者的fMRI图像,再构建受试者的二元矩阵,然后构建与二元矩阵对应的小世界脑功能网络,利用奇异值分解特征映射的方法对小世界脑功能网络进行特征提取,得到特征数据,再将作为训练样本的受试者的特征数据送入最小二乘支持向量机进行训练,得到训练后的分类器;最后用训练好的分类器对待测样本的特征数据进行分类识别。本发明方法提出了一种利用奇异值分解特征映射从小世界脑网络提取特征数据,并用于训练最小二乘支持向量机分类器的方法,它摒弃了以往既有分类器采用的数据特征类型并优化了分类模型,利用此方法实现测谎识别是一种新的尝试。
Description
技术领域
本发明涉及一种测谎方法,尤其涉及一种基于fMRI小世界脑网络计算机分类测谎识别方法。
背景技术
欺骗/撒谎是人类一种有趣的语言、心理和社会行为。利用神经成像技术识别欺骗的特征对于揭示谎言背后复杂的认知机制至关重要。迄今为止,脑活动无创检测的进展方面显示利用探测脑网络来揭示神经精神疾病和神经紊乱已展示出潜力。尤其是功能磁共振成像,包括静息状态功能磁共振成像,在不同脑认知网络研究上已经是一种理想的候选者。并且,利用功能磁共振成像数据进行的脑功能连接性分析已经运用多种技术和方法进行描述。虽然功能磁共振成像的脑功能网络研究近年才出现,但是大多数脑网络特性研究不能直接作为撒谎状况的脑影像学分类。
相对的,复杂网络理论已经发展成为构建和分析脑网络的有力工具。特别是,小世界分析已被用来探索脑网络节点和边缘的拓扑关系。更重要的是,最近关于脑功能连接的研究表明,认知方面的脑网络也具有小世界的特性。利用小世界网络分析大脑结构和功能是目前神经影像学研究的趋势。
同时,随着机器学习算法的发展,利用模式识别技术对磁共振图像数据进行识别和分类近年来已成为可能。例如,随着统计学习理论的最新进展,支持向量机作为一种基于小样本数据分类的强大工具,它已经被应用于一些功能磁共振方面的研究。为了利用功能磁共振成像数据识别不同的脑认知,需要对使用的机器学习神经网路算法输入特征数据来进行样本分类。因此,有必要选择一种好的特征数据提取方法。
名词解释:
fMRI:functional magnetic resonance imaging,中文为功能磁共振成像。
发明内容
本发明的目的就在于提供一种解决上述问题,用采集的fMRI数据构建小世界脑功能网络后,从小世界脑网络中提取特征数据,并将提取的特征数据作为最小二乘支持向量机的输入样本特征,进行训练,使支持向量机具有判断撒谎的能力,从而提供一种基于fMRI小世界脑网络计算机分类测谎识别方法。
为了实现上述目的,本发明采用的技术方案是这样的:一种基于fMRI小世界脑网络计算机分类测谎识别方法,包括以下步骤:
(1)获取受试者的功能磁共振图像数据;
(11)选定N个受试者,将其中N1个受试者作为训练样本,N2个受试者作为待测样本,且N=N1+N2,N1>>N2;
(12)将N1个训练样本,在撒谎和诚实认知实验下,采集其脑部的fMRI图像,并进行预处理得到预处理后的fMRI图像,所述fMRI图像附带有对应撒谎和诚实的标签类别;
(13)对N2个待测样本,采集其脑部的fMRI图像,并进行预处理得到预处理后的fMRI图像;
(2)构建受试者的二元矩阵;
对每个受试者,将预处理后的fMRI图像映射到解剖自动标记AAL脑模板的90个脑区中,提取每个脑区中所有体素对应的时间序列,将90个脑区作为小世界脑网络的90个节点,对每个节点内所有体素的时间序列进行平均,平均后得到的时间序列作为该节点的时间序列信号;计算90个节点时间序列两两之间的皮尔逊相关系数,得到该受试者的相关系数矩阵,再设置一阈值范围,并在该阈值范围内选择多个阈值对相关系数矩阵进行二元化,每个阈值对应一个二元矩阵,得到该受试者在多个阈值下的二元矩阵;
(3)构建与二元矩阵对应的小世界脑功能网络;
(31)所述小世界脑功能网络的特性指标包括网络的聚类系数Cnet、网络的平均路径长度Lnet、网络的平均节点度Knet和小世界网络指标σ;
其中,计算σ时,先采用马尔可夫链算法生成多个与对应的二元矩阵度匹配的随机网络,计算所有随机网络的聚类系数的均值和平均路径长度的均值并分别作为随机网络的聚类系数Crandom和平均路径长度Lrandom,再根据下式得到σ;
(32)按步骤(31)得到每个受试者所有二元矩阵对应的小世界脑功能网络的特性指标;
(4)提取小世界脑网络特征数据;
(41)生成N个受试者的数据矩阵D={d1,d2,…,dj,…,dN},j=1,2,…,N,其中列向量dj是第j个受试者对应的所有小世界脑功能网络的特性指标;
(5)将Dp中训练样本的特征数据送入最小二乘支持向量机中进行训练,得到训练后的分类器;
(6)将Dp中待测样本的特征数据送入(5)得到的分类器中,识别分类结果。
作为优选:所述步骤(1)中,预处理为:进行时间层校正;进行头动校正去除运动伪影;将功能图像标准化到SPM自带的EPI模板,用8mm的半高宽FWHM对数据进行空间平滑,最后用一个截止频率为1/128Hz的高通滤波器来滤除信号的低频噪声。
作为优选:所述步骤(2)阈值范围满足下述条件:
第一、调用MATLAB中的corrcoef函数来完成皮尔逊相关系数的计算,阈值范围的最小值能使corrcoef函数计算出的具有显著性p<0.05对应的皮尔逊相关系数保留,并排除不显著对应的皮尔逊相关系数;
第二、阈值范围设置最大值要满足网络的平均节点度Knet≥2ln(90);
第三、取全部受试者阈值的最小范围;
得到阈值范围后,在该阈值范围内按步长0.005选择多个阈值。
作为优选:所述步骤(31)中,确定每个受试者的小世界脑功能网络的参数,具体为:
式中,表示第i个和第h个节点序列之间的皮尔逊相关系数,ei,h表示第i个和第h个节点之间的边,M表示节点数,G表示网络中所有节点的集合,Ki是直接连接到节点i的节点数并且被定义为节点i的度,所有节点的度的平均值表示为网络的平均节点度Knet;
式中,min{Li,h}为节点i和h之间的最短路径。
作为优选:所述步骤(43)中,奇异值分解具体为,根据下式构造矩阵的奇异值分解:
Dc=u×s×vT,
得到与Dc有相同维数的对角矩阵s、酉矩阵为u和v,且对角矩阵s具有非负的降序对角元素,Ds的主成分Pc=Ds×u×s-1/2。
作为优选:所述步骤(5)中训练为:将Dp中训练样本的特征数据送入最小二乘支持向量机中进行训练,同时对最小二乘支持向量机的核函数采用径向基函数,对最小二乘支持向量机的正则化参数和核函数采用网格搜索方法寻优,得到训练出的分类器。
需注意的是:
关于受试者:受试者分为两类,一类是训练样本,该类受试者是在在撒谎和诚实认知实验下进行脑部的fMRI图像采集,此时采集到的图像是已知撒谎和诚实的类别的,我们将这些图像打上对应撒谎和诚实的标签;另一类为待测样本,这类受试者被采集的图像不带类别标签,需要利用本发明的分类方法进行分类识别。
关于二元矩阵:先根据本发明步骤(2)得到每个受试者的相关系数矩阵,再在阈值范围中选择多个阈值,得到每个受试者在多个阈值下的二元矩阵,也就是说,每个受试者对应多个二元矩阵,二元矩阵的数量与阈值个数相同。
关于阈值范围:我们调用了MATLAB工具软件的corrcoef函数来完成皮尔逊相关系数的计算。再按三条原则设置一阈值T的范围:第一、阈值范围的最小值满足能够保留corrcoef函数计算出的具有显著性(p<0.05)对应的皮尔逊相关系数,并排除不显著对应的皮尔逊相关系数;第二、最大阈值设置要满足脑网络中节点间连接的基本条件,即,网络的平均节点度Knet≥2ln(90)。第三、取全部受试者阈值的最小范围。然后在该阈值范围内按步长0.005选择多个阈值对相关系数矩阵进行二元化。
关于小世界脑功能网络:小世界脑功能网络的个数,与二元矩阵一一对应,其特性指标包括网络的聚类系数Cnet、网络的平均路径长度Lnet、网络的平均节点度Knet和小世界网络指标σ这四部分。而在计算σ值时,我们需要用马尔可夫链算法生成多个与对应的二元矩阵度匹配的随机网络,计算所有随机网络的聚类系数的均值和平均路径长度的均值分别作为随机网络的聚类系数Crandom和平均路径长度Lrandom,再利用Crandom和Lrandom来计算σ。所以σ值与对应的二元矩阵息息相关。导致小世界脑功能网络的个数与二元矩阵也一一对应。我们一般将同一受试者的所有小世界脑功能网络集合在一起,那么第j个受试者对应的所有小世界脑功能网络的特性指标标记为dj。
关于小世界脑网络特征数据的提取,是本发明的主要改进点,我们利用dj构建数据矩阵D,再转化为Ds,再利用奇异值分解对Ds进行分析,得到Ds的主成分Pc,并根据公式最终得到小世界脑功能网络的特征数据矩阵Dp;我们利用Dp中与训练样本对应的特征数据向量来作为最小二乘支持向量机的输入,来训练最小二乘支持向量机,最终得到分类器,该分类器通过对待测样本特征数据进行分类,即可将待测受试者分为撒谎、或诚实。
与现有技术相比,本发明的优点在于:本发明在功能磁共振成像影像学数据基础上提出了一种通过构建小世界脑网络并从中提取特征数据来训练分类模型去分类识别撒谎者和诚实对照者的方法。首先,利用脑功能磁共振数据构建受试者的小世界脑网络及特性指标,再建立基于奇异值分解的特征映射模型去从小世界脑网络特性指标中提取特征数据。然后,利用提取的特征数据训练最小二乘支持向量机作为分类器去对待测样本进行测试分类。采用的基于径向基函数核的最小二乘支持向量机已被证明具有良好的泛化性能和较低的计算代价。我们利用奇异值分解特征映射从小世界脑网络提取特征数据,它摒弃了以往既有分类器采用的数据特征类型并优化了分类方法,利用此方法来实现测谎识别是一种新的尝试。
附图说明
图1本发明技术流程图;
图2a为一受试者撒谎状态、阈值T为0.35下的对应的二元矩阵可视图;
图2b为2a中二元矩阵的节点和边在三维空间的脑网络图;
图3a为一受试者诚实状态、阈值T为0.35下的对应的二元矩阵可视图;
图3b为3a中二元矩阵的节点和边在三维空间的脑网络图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1:参见图1,一种基于fMRI小世界脑网络计算机分类测谎识别方法,包括以下步骤:
(1)获取受试者的功能磁共振图像数据;
(11)选定N个受试者,将其中N1个受试者作为训练样本,N2个受试者作为待测样本,且N=N1+N2,N1>>N2;
(12)将N1个训练样本,在撒谎和诚实认知实验下,采集其脑部的fMRI图像,并进行预处理得到预处理后的fMRI图像,所述fMRI图像附带有对应撒谎和诚实的标签类别;
(13)对N2个待测样本,采集其脑部的fMRI图像,并进行预处理得到预处理后的fMRI图像;
(2)构建受试者的二元矩阵;
对每个受试者,将预处理后的fMRI图像映射到解剖自动标记AAL脑模板的90个脑区中,提取每个脑区中所有体素对应的时间序列,将90个脑区作为小世界脑网络的90个节点,对每个节点内所有体素的时间序列进行平均,平均后得到的时间序列作为该节点的时间序列信号;计算90个节点时间序列两两之间的皮尔逊相关系数,得到该受试者的相关系数矩阵,再设置一阈值范围,并在该阈值范围内选择多个阈值对相关系数矩阵进行二元化,每个阈值对应一个二元矩阵,得到该受试者在多个阈值下的二元矩阵;
(3)构建与二元矩阵对应的小世界脑功能网络;
(31)所述小世界脑功能网络的特性指标包括网络的聚类系数Cnet、网络的平均路径长度Lnet、网络的平均节点度Knet和小世界网络指标σ;
其中,计算σ时,先采用马尔可夫链算法生成多个与对应的二元矩阵度匹配的随机网络,计算所有随机网络的聚类系数的均值和平均路径长度的均值并分别作为随机网络的聚类系数Crandom和平均路径长度Lrandom,再根据下式得到σ;
(32)按步骤(31)得到每个受试者所有二元矩阵对应的小世界脑功能网络的特性指标;
(4)提取小世界脑网络特征数据;
(41)生成N个受试者的数据矩阵D={d1,d2,…,dj,…,dN},j=1,2,…,N,其中列向量dj是第j个受试者对应的所有小世界脑功能网络的特性指标;
(5)将Dp中训练样本的特征数据送入最小二乘支持向量机中进行训练,得到训练后的分类器;
(6)将Dp中待测样本的特征数据送入(5)得到的分类器中,识别分类结果。
本实施例一共分为六步,先将受试者分为训练样本与待测样本,获取他们的功能磁共振图像数据;再构建每个受试者的二元矩阵;再构建与二元矩阵对应的小世界脑功能网络;再从小世界脑网络中提取特征数据,得到特征数据。再利用训练样本已知分类的特征数据作为最小二乘支持向量机的输入去训练得到分类器,用分类器去对待测样本进行分类。本发明提出了一种利用奇异值分解特征映射从小世界脑网络提取特征数据,并用于训练最小二乘支持向量机分类器的方法。它摒弃了以往既有分类器采用的数据特征类型并优化了分类模型,利用此方法实现测谎识别是一种新的尝试,且分类效果很好。
实施例2,参见图1,本实施例在实施例1的基础上进一步补充。
所述步骤(1)中,预处理为:进行时间层校正;进行头动校正去除运动伪影;将功能图像标准化到SPM自带的EPI模板,用8mm的半高宽FWHM对数据进行空间平滑,最后用一个截止频率为1/128Hz的高通滤波器来滤除信号的低频噪声。
所述步骤(2)阈值范围满足下述条件:
第一、调用MATLAB中的corrcoef函数来完成皮尔逊相关系数的计算,阈值范围的最小值能使corrcoef函数计算出的具有显著性p<0.05对应的皮尔逊相关系数保留,并排除不显著对应的皮尔逊相关系数;
第二、阈值范围设置最大值要满足网络的平均节点度Knet≥2ln(90);
第三、取全部受试者阈值的最小范围;
得到阈值范围后,在该阈值范围内按步长0.005选择多个阈值。
所述步骤(31)中,确定每个受试者的小世界脑功能网络的参数,具体为:
式中,表示第i个和第h个节点序列之间的皮尔逊相关系数,ei,h表示第i个和第h个节点之间的边,M表示节点数,G表示网络中所有节点的集合,Ki是直接连接到节点i的节点数并且被定义为节点i的度,所有节点的度的平均值表示为网络的平均节点度Knet;
式中,min{Li,h}为节点i和h之间的最短路径。
所述步骤(43)中,奇异值分解具体为,根据下式构造矩阵的奇异值分解:
Dc=u×s×vT,
得到与Dc有相同维数的对角矩阵s、酉矩阵为u和v,且对角矩阵s具有非负的降序对角元素,Ds的主成分Pc=Ds×u×s-1/2。
所述步骤(5)中训练为:将Dp中训练样本的特征数据送入最小二乘支持向量机中进行训练,同时对最小二乘支持向量机的核函数采用径向基函数,对最小二乘支持向量机的正则化参数和核函数采用网格搜索方法寻优,得到训练出的分类器。
其余与实施例1相同。
实施例3:参见图1、图2,为了验证本发明所提及的一种基于fMRI小世界脑网络计算机分类测谎识别方法的分类准确率,我们通过对36例已知类别标签的受试者的fMRI图像进行分析并采用留一交叉验证来对方法进行测试。留一法是以单次测量技术架构(参见图1)为核心但涉及循环多次测量,其描述操作过程如下:
(1)对受试者fMRI图像,进行预处理:进行时间层校正;进行头动校正去除运动伪影;将功能图像标准化到SPM自带的EPI模板,用8mm的半高宽FWHM对数据进行空间平滑,最后用一个截止频率为1/128Hz的高通滤波器来滤除信号的低频噪声,得到预处理后的fMRI图像。
(2)对每个受试者,将预处理后的fMRI图像映射到解剖自动标记AAL脑模板的90个脑区中,提取每个脑区中所有体素对应的时间序列,将90个脑区作为小世界脑网络的90个节点,对每个节点内所有体素的时间序列进行平均,平均后得到的时间序列作为该节点的时间序列信号;计算90个节点时间序列两两之间的皮尔逊相关系数,得到该受试者的相关系数矩阵。在这里,我们调用MATLAB中的corrcoef函数来完成皮尔逊相关系数的计算。并完成全部受试者的皮尔逊相关系数矩阵。
(3)然后,通过设置阈值T对相关系数矩阵进行二元化,即:ri,h表示第i个和第h个节点序列之间的相关系数,并且ei,h表示第i个和第h个节点之间的边。阈值T的取值范围满足:第一、阈值范围的最小值能使corrcoef函数计算出的具有显著性p<0.05对应的皮尔逊相关系数保留,并排除不显著对应的皮尔逊相关系数;第二、阈值范围设置最大值要满足网络的平均节点度Knet≥2ln(90);第三、取全部受试者阈值的最小范围。在该阈值范围内按步长选择多个阈值对相关系数矩阵进行二元化,每个阈值对应一个二元矩阵,得到该受试者在多个阈值下的二元矩阵,针对我们的数据样本取的阈值范围为(0.250,0.530),并在该范围内按步长0.005选择多个阈值对相关系数矩阵进行二元化来探测网络的拓扑性质。
为了对网络的边、节点有个直观的概念,我们在图2、图3举例画出了两种不同类别样本在阈值T为0.35下的二元矩阵及对应于三维空间的脑功能网络示意图。在图2a、图3a中,黑白两色分别表示矩阵的数值0和1,并且图2b为2a中二元矩阵的节点和边在三维空间的脑网络图;图3b为3a中二元矩阵的节点和边在三维空间的脑网络图。
(4)对每个受试者构建与二元矩阵对应的小世界脑功能网络计算出小世界脑功能网络的特性指标,即:网络的聚类系数Cnet、网络的平均路径长度Lnet、网络的平均节点度Knet和小世界网络指标σ。网络的聚类系数的计算公式
式中,M表示节点数,G表示网络中所有节点的集合,Ki是直接连接到节点i的节点数并且被定义为节点i的度,并且,所有节点的度的平均值表示为网络的平均节点度Knet;
网络的平均路径长度按下式计算
式中,min{Li,h}为节点i和h之间的最短路径。
小世界网络指标计算式
其中,对于随机网络的聚类系数Crandom和平均路径Lrandom的获取,利用了马尔可夫链算法生成了100个与每个二元矩阵度度匹配的随机网络。计算所有随机网络的聚类系数的均值和平均路径长度的均值并分别作为随机网络的聚类系数Crandom和平均路径长度Lrandom。
这样得到每个受试者所有二元矩阵对应的小世界脑功能网络及特性指标。
(5)提取小世界脑网络特征数据。生成36个受试者的数据矩阵D={d1,d2,…,dj,…,d36},j=1,2,…,36,其中列向量dj是第j个受试者对应的所有小世界脑功能网络的特性指标;然后再生成数据矩阵Ds={ds1,ds2,…,dsj,…,ds36},其中,再构造矩阵的奇异值分解,即Dc=u×s×vT,得到与Dc有相同维数的对角矩阵s、酉矩阵为u和v,且对角矩阵s具有非负的降序对角元素;然后,根据公式Pc=Ds×u×s-1/2计算Ds的主成分Pc。小世界网络的性能指数在主成分上的映射根据公式获得,得到的小世界脑功能网络的特征数据集Dp具有36个行向量,并且各行向量分别对应的是各受试者的特征数据。
(6)实施留一交叉验证法测试分类效果。
在留一交叉验证法中将36例受试者中的35例作为已知类别标签的训练样本。剩下的1例作为测试样本,我们知道它的类别标签是为了跟测试分类结果比较,便于给出实际的分类准确率。
(61)将Dp中对应35个受试者行向量数据作为已知类别的样本特征数据送入最小二乘支持向量机中进行训练。支持向量机的核函数采用的神经网络中的径向基函数,径向基函数涉及的未知核参数γ和支持向量机的正则化参数C采用了网格搜索方法寻优:其中γ=2-10,2-9,…,225,C=2-10,2-9,…,236。得到训练后的分类器。
(62)将Dp中剩下的1个行向量数据,即剩下的1个待测受试者的特征数据,送入训练后的分类器中,识别分类结果。
(63)我们将Dp中36个行向量,也就是36例受试者的特征数据中每一个受试者对应的行向量,也就是每个受试者对应的特征数据,都作一次待测样本,其余35个受试者对应的行向量作为训练样本。这样循环测试一圈测试36次,共获得对36个受试者的测试分类结果。
(64)利用36个受试者的真实类别与36个测试结果对比,然后根据下式来获取分类方法的性能指标:敏感性(sensitivity)、特异性(specificity)和总体准确度(overallaccuracy)。这些度量指标满足关系表达式:
其中TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性的数量。基于我们的36例样本数据测试分类方法的敏感性、特异性和总体准确度分别为88.89%、94.44%和91.67%。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于fMRI小世界脑网络计算机分类测谎识别方法,其特征在于:包括以下步骤:
(1)获取受试者的功能磁共振图像数据;
(11)选定N个受试者,将其中N1个受试者作为训练样本,N2个受试者作为待测样本,且N=N1+N2,N1>>N2;
(12)将N1个训练样本,在撒谎和诚实认知实验下,采集其脑部的fMRI图像,并进行预处理得到预处理后的fMRI图像,所述fMRI图像附带有对应撒谎和诚实的标签类别;
(13)对N2个待测样本,采集其脑部的fMRI图像,并进行预处理得到预处理后的fMRI图像;
(2)构建受试者的二元矩阵;
对每个受试者,将预处理后的fMRI图像映射到解剖自动标记AAL脑模板的90个脑区中,提取每个脑区中所有体素对应的时间序列,将90个脑区作为小世界脑网络的90个节点,对每个节点内所有体素的时间序列进行平均,平均后得到的时间序列作为该节点的时间序列信号;计算90个节点时间序列两两之间的皮尔逊相关系数,得到该受试者的相关系数矩阵,再设置一阈值范围,并在该阈值范围内选择多个阈值对相关系数矩阵进行二元化,每个阈值对应一个二元矩阵,得到该受试者在多个阈值下的二元矩阵;
(3)构建与二元矩阵对应的小世界脑功能网络;
(31)所述小世界脑功能网络的特性指标包括网络的聚类系数Cnet、网络的平均路径长度Lnet、网络的平均节点度Knet和小世界网络指标σ;
其中,计算σ时,先采用马尔可夫链算法生成多个与对应的二元矩阵度匹配的随机网络,计算所有随机网络的聚类系数的均值和平均路径长度的均值并分别作为随机网络的聚类系数Crandom和平均路径长度Lrandom,再根据下式得到σ;
(32)按步骤(31)得到每个受试者所有二元矩阵对应的小世界脑功能网络的特性指标;
(4)提取小世界脑网络特征数据;
(41)生成N个受试者的数据矩阵D={d1,d2,…,dj,…,dN},j=1,2,…,N,其中列向量dj是第j个受试者对应的所有小世界脑功能网络的特性指标;
(5)将Dp中训练样本的特征数据送入最小二乘支持向量机中进行训练,得到训练后的分类器;
(6)将Dp中待测样本的特征数据送入(5)得到的分类器中,识别分类结果。
2.根据权利要求1所述的基于fMRI小世界脑网络计算机分类测谎识别方法,其特征在于:所述步骤(1)中,预处理为:进行时间层校正;进行头动校正去除运动伪影;将功能图像标准化到SPM自带的EPI模板,用8mm的半高宽FWHM对数据进行空间平滑,最后用一个截止频率为1/128Hz的高通滤波器来滤除信号的低频噪声。
3.根据权利要求1所述的基于fMRI小世界脑网络计算机分类测谎识别方法,其特征在于:所述步骤(2)阈值范围满足下述条件:
第一、调用MATLAB中的corrcoef函数来完成皮尔逊相关系数的计算,阈值范围的最小值能使corrcoef函数计算出的具有显著性p<0.05对应的皮尔逊相关系数保留,并排除不显著对应的皮尔逊相关系数;
第二、阈值范围设置最大值要满足网络的平均节点度Knet≥2ln(90);
第三、取全部受试者阈值的最小范围;
得到阈值范围后,在该阈值范围内按步长0.005选择多个阈值。
6.根据权利要求1所述的基于fMRI小世界脑网络计算机分类测谎识别方法,其特征在于:所述步骤(5)中训练为:将Dp中训练样本的特征数据送入最小二乘支持向量机中进行训练,同时对最小二乘支持向量机的核函数采用径向基函数,对最小二乘支持向量机的正则化参数和核函数采用网格搜索方法寻优,得到训练出的分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630570.4A CN111783887B (zh) | 2020-07-03 | 2020-07-03 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630570.4A CN111783887B (zh) | 2020-07-03 | 2020-07-03 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783887A true CN111783887A (zh) | 2020-10-16 |
CN111783887B CN111783887B (zh) | 2022-05-03 |
Family
ID=72759319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630570.4A Active CN111783887B (zh) | 2020-07-03 | 2020-07-03 | 基于fMRI小世界脑网络计算机分类测谎识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783887B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112190235A (zh) * | 2020-12-08 | 2021-01-08 | 四川大学 | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 |
CN113180668A (zh) * | 2021-04-30 | 2021-07-30 | 浙江大学 | 一种基于认知负荷变化的实时功能磁共振测谎系统 |
CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
WO2023273527A1 (zh) * | 2021-07-02 | 2023-01-05 | 北京师范大学 | 一种决策不确定性的测试方法及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003049605A2 (en) * | 2001-12-13 | 2003-06-19 | Musc Foundation For Research Development | System and method for detecting deception |
US20030120140A1 (en) * | 2001-03-23 | 2003-06-26 | Bango Joseph J. | Polygraph utilizing medical imaging |
US20100099975A1 (en) * | 2006-11-13 | 2010-04-22 | Truth Test Technologies, Llc | Detection of deception and truth-telling using fmri of the brain |
CN103064918A (zh) * | 2012-12-20 | 2013-04-24 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种基于社会推荐网络和机制设计的专家寻找方法和系统 |
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
US20170103748A1 (en) * | 2015-10-12 | 2017-04-13 | Danny Lionel WEISSBERG | System and method for extracting and using prosody features |
CN107293302A (zh) * | 2017-06-27 | 2017-10-24 | 苏州大学 | 一种用于语音测谎系统中的稀疏谱特征提取方法 |
US20180053049A1 (en) * | 2016-08-19 | 2018-02-22 | Korea University Research And Business Foundation | Apparatus and method for detecting brain fingerprint using causal connectivity of brainwave |
US20180160959A1 (en) * | 2016-12-12 | 2018-06-14 | Timothy James Wilde | Modular electronic lie and emotion detection systems, methods, and devices |
CN110215220A (zh) * | 2014-09-01 | 2019-09-10 | 大金工业株式会社 | 脑活动推测装置 |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及系统 |
-
2020
- 2020-07-03 CN CN202010630570.4A patent/CN111783887B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030120140A1 (en) * | 2001-03-23 | 2003-06-26 | Bango Joseph J. | Polygraph utilizing medical imaging |
WO2003049605A2 (en) * | 2001-12-13 | 2003-06-19 | Musc Foundation For Research Development | System and method for detecting deception |
US20100099975A1 (en) * | 2006-11-13 | 2010-04-22 | Truth Test Technologies, Llc | Detection of deception and truth-telling using fmri of the brain |
CN103064918A (zh) * | 2012-12-20 | 2013-04-24 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种基于社会推荐网络和机制设计的专家寻找方法和系统 |
CN110215220A (zh) * | 2014-09-01 | 2019-09-10 | 大金工业株式会社 | 脑活动推测装置 |
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
US20170103748A1 (en) * | 2015-10-12 | 2017-04-13 | Danny Lionel WEISSBERG | System and method for extracting and using prosody features |
US20180053049A1 (en) * | 2016-08-19 | 2018-02-22 | Korea University Research And Business Foundation | Apparatus and method for detecting brain fingerprint using causal connectivity of brainwave |
US20180160959A1 (en) * | 2016-12-12 | 2018-06-14 | Timothy James Wilde | Modular electronic lie and emotion detection systems, methods, and devices |
CN107293302A (zh) * | 2017-06-27 | 2017-10-24 | 苏州大学 | 一种用于语音测谎系统中的稀疏谱特征提取方法 |
CN110443798A (zh) * | 2018-12-25 | 2019-11-12 | 电子科技大学 | 一种基于磁共振图像的自闭症检测方法、装置及系统 |
Non-Patent Citations (4)
Title |
---|
HONGWANG: "Functional brain network and multichannel analysis for the P300-based brain computer interface system of lying detection", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
司慧芳等: "基于相位延迟指数的脑功能网络及测谎研究", 《电子学报》 * |
常文文等: "基于听觉ERP功能脑网络特征和SVM的测谎方法研究", 《电子学报》 * |
杨豪等: "基于深度信念网络脑电信号表征情绪状态的识别研究", 《生物医学工程学杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112190235A (zh) * | 2020-12-08 | 2021-01-08 | 四川大学 | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 |
CN112190235B (zh) * | 2020-12-08 | 2021-03-16 | 四川大学 | 一种基于不同情况下欺骗行为的fNIRS数据处理方法 |
CN113180668A (zh) * | 2021-04-30 | 2021-07-30 | 浙江大学 | 一种基于认知负荷变化的实时功能磁共振测谎系统 |
CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
WO2023273527A1 (zh) * | 2021-07-02 | 2023-01-05 | 北京师范大学 | 一种决策不确定性的测试方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111783887B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783887B (zh) | 基于fMRI小世界脑网络计算机分类测谎识别方法 | |
CN107909117B (zh) | 基于脑功能网络特征对早晚期轻度认知障碍的分类装置 | |
CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
CN113040715A (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
CN111863244B (zh) | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 | |
Ma et al. | Multiple sclerosis lesion analysis in brain magnetic resonance images: techniques and clinical applications | |
Zaki et al. | Using automated walking gait analysis for the identification of pedestrian attributes | |
CN111090764A (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN104200218B (zh) | 一种基于时序信息的跨视角动作识别方法及系统 | |
CN110718301B (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
Kumar et al. | RETRACTED ARTICLE: Analysis of regional atrophy and prolong adaptive exclusive atlas to detect the alzheimers neuro disorder using medical images | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Vega-Pons et al. | Classification of inter-subject fMRI data based on graph kernels | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
Carvalho et al. | COVID-19 diagnosis in CT images using CNN to extract features and multiple classifiers | |
CN113255789A (zh) | 基于对抗网络和多被试脑电信号的视频质量评价方法 | |
Mousavian et al. | Depression detection using atlas from fMRI images | |
Tang et al. | Learning asynchronous common and individual functional brain network for ad diagnosis | |
Sims et al. | A neural architecture for detecting confusion in eye-tracking data | |
Palraj et al. | Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |