MCI患者高阶动态功能连接的图论网络构建方法及分类

针对在低阶脑网络应用图论忽视了功能连接高阶动态性的问题,提出了一种基于高阶动态功能连接的图论网络构建方法(GNC-HodFC),提取高阶FC网络的图论特征以对轻度认知障碍患者和健康被试者进行差异性分析及分类。首先定义了表征高阶动态脑网络连接的图论节点和边;然后利用滑动窗相关技术提取低阶功能连接信息,提出平稳性判据,选取最优特征子集以构建图论的节点;最后提出自适应阈值策略对高阶动态功能连接信息进行选取以构建图论的边,最终完成高阶动态脑网络的图构建。实验结果表明,GNC-HodFC的平均分类准确率可以达到70.5%,优于其他三种对比方法,且患者组和健康组的图论特征中存在显著性差异,GNC-HodFC方法可以为轻度认知障碍的诊断提供新的辅助手段。     

基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类

利用静息态功能磁共振成像技术来研究大脑的功能连接网络是当前脑疾病研究的重要方法之一。这种方法能准确地检测包括阿兹海默氏症在内的多种脑疾病。然而,传统的网络只是研究两个脑区之间相关程度,而且缺乏对大脑区域之间更深层次的交互信息和功能连接之间关联程度的研究。为了解决这些问题,提出了一种构建高阶最小生成树功能连接网络的方法,该方法不仅保证了功能连接网络的生理学意义,而且研究了网络中更复杂的交互信息,提高了分类的准确率。分类结果显示,基于高阶最小生成树功能连接网络的静息态功能磁共振成像分类方法大幅提高了阿兹海默氏症检测的准确率。     

静息态功能脑连接的空间动态分析及分类研究

现有的精神疾病分类模型仅采用脑网络的静态指标作为特征,忽略了脑网络的空间动态信息,导致分类性能不高。为克服这一局限性,提升分类模型的性能,提出了基于功能脑连接空间动态的分类方法。通过高维模板对脑连接进行空间动态分析,提取脑连接空间动态特征。利用统计分析进行特征选择,构建基于静息态功能脑连接的分类模型。通过对抑郁症患者与正常被试的分类实验结果表明,脑连接空间动态特征的分类准确率（83.0%）比传统采用脑网络的静态指标特征的分类准确率（77.8%）高5.2个百分点。     

fMRI动态功能网络构建及其在脑部疾病识别中的应用

如何从复杂的fMRI数据中提取 丰富的大脑信息是提高脑部疾病识别精度的关键。传统的静息态功能磁共振成像分析中,功能连接网络被认为是稳定不变的。提出一种基于成组独立成分分析的构建动态功能连接网络的方法,并通过该网络来获取功能网络本身的动态特性。首先,利用成组独立成分分析法提取fMRI数据的空间独立成分作为网络节点,并通过滑动时间窗的方法获取窗口时间序列,构建动态功能连接网络。以动态功能网络作为特征,对精神分裂症患者和正常被试数据进行分类识别。实验结果表明,该方法能够获取fMRI数据的时间维度信息,提高识别效果,在一定程度上能为临床诊断提供客观参照。     

动态功能脑网络模型的多任务融合Lasso方法

目的 传统的静息态功能性磁共振成像（fMRI）的功能脑网络（FBN）研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子（Lasso）方法来构建静息态fMRI的动态FBN。 方法 提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态fMRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。 结果 采用公开的fMRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划（ADNI）公开的fMRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论 本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于fMRI数据的脑部疾病的分类研究中。     

基于I3D-CNN的自闭症分类方法

为解决传统基于静态功能网络连接的自闭症分类算法忽略了脑功能连接的时变特性问题,提出一种基于膨胀卷积网络(inflated three dimension convolution neural network,I3D-CNN)的自闭症分类识别方法。提取被试大脑的静息态功能核磁共振影像(rest state functional magnetic resonance imaging,RS-fMRI)每个感兴趣区域(region of interest,ROI)的时间序列,基于时间序列利用随机滑动时间窗口法,构建多个3D动态脑功能连接矩阵,使用I3D-CNN从3D动态脑功能连接矩阵中提取大脑的时空特征,建立自闭症分类模型。通过在ABIDE数据集上进行实验,验证了该方法的可行性和有效性。     

基于图核的动态脑网络状态构建方法及其应用

动态脑网络能有效反映脑网络中连接结构的动态变化信息，被广泛使用于脑疾病的识别研究中。动态脑网络由一组连接矩阵组成。通常研究者会基于矩阵上三角元素向量的L2距离，计算所有样本连接矩阵的距离矩阵，使用状态聚类将这些连接矩阵划分为不同的状态。但是简单地使用L2距离，且在全部样本上进行状态聚类会导致忽视连接矩阵所代表的脑网络的图结构信息以及个体之间的差异。因此，提出一种新的基于图核的动态脑网络状态构建方法。该方法针对单个体的动态脑网络设计，使用图核衡量单个样本的动态脑网络连接矩阵之间的相似性，随后根据相似性矩阵，将连接矩阵与其最相似的矩阵进行合并。在精神分裂症数据集上验证该方法的有效性，其结果证明所提方法可以获取81.6%的分类精度。     

基于动态功能连接的运动任务大脑状态表达

针对传统静态功能连接分析技术不能准确反映大脑动态功能状态的问题,提出了一种基于全脑动态功能连接(DFC)分析对大脑的状态变化进行表达的方法。首先,利用个体的弥散张量成像(DTI)数据构建高精确度全脑网络,将运动任务下功能磁共振成像(fMRI)数据映射到相应DTI空间后,提取各节点fMRI信号;然后,采用滑动时间窗口方法计算随时间变化的全脑功能连接强度矩阵,并提取动态功能连接向量(DFCV)样本;最后,将所有个体的DFCV样本通过基于Fisher准则的字典学习(FDDL)算法进行稀疏表达和分类。共得到8个该运动任务下全脑功能连接状态模式,各模式的功能连接强度空间分布具有明显差异,模式1、模式2和模式3占据了大部分样本分布(77.6%),且与平均静态功能连接强度矩阵之间的相似度明显高于其他5个模式。此外,大脑在各模式之间的状态迁移遵循一定的规律。实验结果表明,采用全脑DFC和FDDL学习相结合的方法,能够有效地对任务态下大脑的功能状态变化进行表达,为研究脑动态信息处理机制提供基础。     

不确定脑网络的异常拓扑分析及分类研究

静息态功能脑网络在脑疾病研究中得到了广泛的应用。然而传统的功能连接网络分析主要集中在确定图上,忽视了大脑区域之间的不确定信息。基于此,对不确定脑网络进行了研究,该方法不需要进行阈值选择,而且可以更准确地对功能连接网络进行建模。同时,将频繁子图挖掘应用到了不确定图上,并提出了几种新的判别性特征选择方法。分类结果显示,基于不确定脑网络的磁共振影像分类方法有效地提高了抑郁症诊断的准确率。     

融合二连通模体结构信息的节点分类算法

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合二连通模体结构信息的节点分类算法(FMI),利用节点间高阶二连通模体信息学习节点表示,完成节点分类任务。首先,统计网络中的二连通模体,利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样;构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系,对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务,与5种经典基准算法进行对比,所提算法FMI在准确度和F1-分数等指标上表现良好。     

基于fMRI动态功能连接的抑郁症患者分类研究*

针对当前抑郁症诊断正确率偏低、误诊率偏高的问题,利用fMRI动态功能连接研究了抑郁症辅助诊断问题。首先采用滑动时间窗技术研究功能连接及其网络拓扑特性的动态变化,然后基于这些动态特征应用多元模式分析方法对22名抑郁症患者和27名健康被试进行分类。采用动态分析方法能够增加样本数量,从而更加有利于一些分类算法的应用。实验结果表明以动态功能连接和网络拓扑特性为特征的分类正确率均为93.88%,明显优于对应非动态特征81.63%和85.71%的结果。进一步分析表明,具有高辨别力的特征所对应的脑区主要分布在默认网络、情感网络、视觉皮层区等,动态功能连接可能为抑郁症的辅助诊断提供新的手段。     

基于脑电功能连接拓扑表征的心算任务分类

使用脑网络图的方法分析脑电功能连接存在阈值选择、忽略了脑电图动力学特性的问题。针对这一问题,提出了一种使用拓扑动态建模的方法来分析脑电功能连接矩阵,以提高心算任务分类识别正确率。该方法首先将功能连接矩阵转换为无向加权图,然后使用持续同调工具来构建不同的复形,记录拓扑动态过程中形成的不同阶的同调特征,形成持续图,最后使用持续景观图特征作为分类特征,输入到随机森林分类器进行心算状态识别。在心算状态识别和心算质量分类两个任务中分别获得了最高99.26%、99.20%的识别准确率,97.87%、99.80%的敏感性,以及99.78%、97.64%的特异性,并且在跨个体验证实验中分别获得了66.81%、66.85%的准确率。实验结果表明,该方法能充分考虑所有可能的阈值,有效提取脑电功能连接的分类信息,实现脑电心算状态自动识别。     

基于动态功能性脑网络的情感分析

人脑活动是在秒级与毫秒级动态变化的,因此采用静态连接方式构建的功能性脑网络,会造成部分与时间相关有效特征的缺失.该文旨在研究情绪变化期间不同大脑区域之间相互作用的时空变化,提出了一个系统的分析框架.该框架包括相关性度量,脑状态分割,代表性时间片段提取以及动态网络构建和分析.首先,利用皮尔逊相关系数量化不同脑区之间的功能...     

基于脑功能网络和共空间模式分析脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。     

基于独立成分分析功能连接的抑郁症分类研究*

已有的功能连接研究大多根据脑图谱构建全脑功能连接,但目前可选用的脑图谱种类有限且采用不同脑图谱的分析结果可能存在一定的差异。针对上述问题,利用独立成分分析方法研究了抑郁症辅助诊断问题。首先利用组独立成分分析提取独立成分并构建全脑功能连接网络,然后采用BoostFS(Boosting Feature Selection)方法进行特征选择,最后应用多元模式分析方法对20名抑郁症患者和21名健康被试进行分类。实验分类准确率达到95.12%,错分了一名抑郁症患者和一名健康被试。进一步分析表明,具有较强分辨能力的脑网络为感觉运动网络、默认网络和视觉网络,与已有基于脑图谱的研究结果基本一致,从而说明了基于独立成分分析方法的合理性,使其可能成为抑郁症辅助诊断的一种新方法。