重度抑郁症患者脑功能网络的分类研究

为了构建辅助诊断模型,为抑郁症的诊断提供一个新的方法,以提高抑郁症诊断的准确率。在连续的阈值空间(8%～32%)内构建所有被试的功能脑网络并使用复杂网络理论对抑郁症患者的脑网络进行分析,力求提取出可以从各个维度来表征抑郁症患者的脑网络的特征值,采用不同的属性组合并使用SVM分类算法对所有被试进行分类研究,结果发现将全局属性与局部属性组合作为分类特征得到的分类正确率最高,因此该方法可以用于抑郁症的辅助诊断中。     

基于脑功能超网络的多特征融合分类方法

针对在超网络上提取局部脑区指标作为特征,忽视了全局的拓扑信息,继而影响网络拓扑的评估,降低分类器性能的问题,提出了一种基于脑功能超网络的多特征融合分类方法,该方法首先在抑郁症数据集上构建超网络,其次将局部脑区特征和子图特征进行融合。最后采用基于多核的SVM分类器进行分类。为了验证所提方法的有效性,选取28例正常被试和38例抑郁症患者进行实验,结果表明,该方法获得了令人满意的分类准确率,平均可达91.60%。获得的异常区域包括左侧舌回、左侧尾状核、左侧丘脑等重要的抑郁症病发区域。故而该基于脑功能超网络的多特征融合分类方法可以有效地用于分类正常人和抑郁症患者。     

多节点规模下的抑郁症功能脑网络分类研究

脑网络作为复杂网络分析方法在神经影像领域的应用已得到广泛的认可。研究发现脑网络中的节点规模对网络的拓扑属性会产生重要的影响。利用静息态功能影像数据,在5种不同的节点规模下分别完成抑郁症患者和正常对照的脑网络构建,比较了网络拓扑属性的变化,并选择了4种不同的分类算法进行脑疾病分类研究。结果表明,网络节点数量不仅对拓扑属性产生了影响,而且对分类模型的构建也有直接作用。支持向量机(RBF核函数)模型在节点规模为250时,分类效果最好,平均正确率为83.18%。该研究结果在抑郁症的临床诊断中具有重要的应用价值,为基于脑网络的机器学习分类研究在网络节点规模的选择上提供了重要的参考依据。     

静息态功能脑网络差异指标分析及抑郁症分类应用

为了构建辅助诊断模型,以提高抑郁症诊断的准确率。在连续的阈值空间(8%~32%)内构建所有被试的功能脑网络并使用复杂网络理论对抑郁症患者的脑网络进行分析。通过设定阈值,根据统计显著性提取不同数量的节点属性与全局属性组合作为分类特征,并选择四种不同的分类算法进行分类研究,以得到构建一个准确率较高的模型。结果是SVM和神经网络算法在阈值P为0.05下,所建的模型的分类模型的准确率较高,分别达82.78%及81.36%,因此利用该方法所构建的诊断模型可以用于抑郁症的辅助临床诊断中。     

抑郁症复杂脑网络社团结构差异分析及分类研究

为比较抑郁症脑网络结构差异及实现患者自动识别,提出了基于功能脑网络社团结构特征的机器学习方法.利用静息态功能磁共振影像数据构建功能脑网络,利用基于“堆结构”的贪婪算法进行社团划分,从脑网络模块结构的角度分析正常人和抑郁症患者的差异,并将脑网络的模块指标用于机器学习方法.利用统计显著性为阈值以筛选特征,以判断不同特征数目对分类模型的性能影响.实验结果表明,神经网络算法在28个特征下(P＜0.05),分类正确率最高达90.50％.     

静息态功能脑网络的基因基础以及分类研究

为了判断抑郁症患者组与健康对照组之间是否存在显著的基因型差异及基因型与疾病状态间是否存在显著交互效应,选择GSK-3β(Glycogen Synthase Kinase-3β)基因,通过功能脑网络指标进行统计分析,并利用统计显著性作为特征选择的依据,提取不同数量的节点属性作为分类特征。选择四种不同的分类算法进行分类研究,结果表明SVM和人工神经网络算法构建的分类模型正确率较高,疾病状态分类模型分别达到73.50%和70.87%,基因分类模型分别达到74.35%和76.66%。因此,基因对静息态功能脑网络存在着一定的影响,并且证明了脑网络的相关指标可以作为对基因与抑郁症疾病之间存在交互效应的判断依据。     

基于基因基础的静息态功能脑网络及分类研究

为了判断基因是否对抑郁症患者的功能脑网络存在影响,以及是否与抑郁症疾病状态之间存在相互效应,本实验选择了GSK-3β基因,利用功能脑网络的特性对其进行统计分析,再根据统计检验方法,构建分类模型.结果表明,SVM和神经网络在特征数目为25-30左右,分类模型的正确率比较高,疾病状态分别达到了77.30%和73.50%,基因型分别达到了77.35%及76.30%.由此可见,基因对静息态功能脑网络存在一定影响,也证明了基因与抑郁症疾病状态之间存在相互效应.     

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。     

抑郁症功能脑网络社团结构差异分析研究

社团结构是复杂网络普遍具有的一个拓扑特性,被认为是一个复杂网络的主要组织原则。基于静息态fMRI(functional magnetic resonance imaging)数据构建功能脑网络,并对其进行模块划分,研究人类脑功能网络的社团结构,并首次从脑网络社区结构的角度分析抑郁症患者和正常人的差异。另外,在研究过程中,通过引入"小核团"的概念,提出一种分析脑网络社区结构间差异的新方法。通过研究抑郁症病患者在脑网络社团结构的改变,为疾病诊断方面提供了一些重要的研究和临床应用价值。     

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。     

基于多层次模板的脑功能网络特征选择及分类

基于单一脑图谱模板的功能连接网络中提取的特征表示不足以揭示患者组和正常对照组（NC）之间的复杂拓扑结构差异，而传统的基于多模板的功能脑网络定义多采用独立模板，缺乏模板间的关联，从而忽略了各模板构建的功能脑网络中潜在的拓扑关联信息。针对上述问题，提出了一种多层次脑图谱模板和一种使用关系诱导稀疏（RIS）特征选择模型的方法。首先定义了具有关联的多层次脑图谱模板，挖掘模板之间潜在关系和表征组间网络结构差异；然后用RIS特征选择模型进行参数优化，进而提取组间差异特征；最后利用支持向量机（SVM）方法构建分类模型，并应用于抑郁症患者的诊断。在山西大学第一医院抑郁症临床诊断数据库上的实验结果显示，基于多层次模板的功能脑网络通过使用具有RIS特征的选择方法取得了91.7%的分类准确率，相比传统多模板方法的准确率提高了3个百分点。     

基于子图相似性的多动症患者脑网络分析

多动症会严重影响儿童发育，对多动症患者的有效诊断受到广泛关注。该文结合脑网络的拓扑结构信息和图上的信号，提出一种基于稀疏表示的图相似性计算方法，从微观到宏观分析脑区之间的差异。该方法使用Pearson相关系数构建全连通脑网络，基于稀疏表示从底层结构中提取节点子网络，根据图核函数计算子网络相似性，最后给出了脑网络相似性的全局指标。以受试者间的相似性作为特征在公共数据集ADHD-200上的分类实验结果表明，该方法能够以93.1%的准确度区分多动症患者和健康对照者，分类性能明显优于其他已有算法。此外，结果表明多动症患者在中央前回、丘脑、海马和脑岛等脑区之间有更强的连接。     

基于静息态fMRI低频振幅的首发抑郁症与功能脑区关联研究

利用功能磁共振成像(Functional magnetic resonance imaging, fMRI)技术,研究静息态下首发抑郁症患者脑功能的改变。 采用Siemens3.0T磁共振仪对5名首发抑郁症患者和1名性别年龄相仿的正常对照志愿者进行 静息态fMRI采集,采用低频振幅（Amplitude of low frequency fluctuation, ALFF）的 方 法分析数据,进行双样本t检验后分析静息态脑功能的差异。结果发现,抑郁症组大脑 左侧小脑6区、左侧颞下回、双侧尾状核、右侧舌回、左侧眶部额上回、右侧中央沟盖、右 侧前扣带和旁扣带脑回、右侧额中回、右侧岛盖部额下回、右侧补充运动区、左侧顶上回、 右侧中央后回、右侧背外侧额上回ALFF降低。首发抑郁症患者大脑的额叶、颞叶、扣带回及 尾状核等位置存在功能异常,这些区域的异常与情绪、认知、记忆等领域有关,与抑郁症息 息相关。     

基于最小生成树的多特征融合的脑网络分类研究*

针对传统图论方法设置阈值等问题,采用最小生成树方法进行脑网络的构建。传统的分类方法是从脑网络中提取一些可量化指标用于分类,忽视了多个脑区之间的拓扑信息。针对此问题,提出了一种脑区特征和连接模式相结合的多特征融合的分类方法,利用不同类型的特征来量化不同的网络性能。结果表明,抑郁症患者的最小生成树更趋向于随机网络,且局部属性出现显著异常的脑区集中在边缘系统-皮层-纹状体-苍白球-丘脑神经环路（Limbic-Cortical-Striatal-Pallidal-Thalamic, LCSPT）。此外,与单一类型特征的分类方法相比,多特征融合的方法能够有效地提高分类精度。进一步分析表明,最小生成树方法可以用于抑郁症的辅助诊断;不同形式的特征表示方法具有信息描述方面的互补性。     

基于复杂网络的情感脑电相位同步性分析

使用相位锁值（Phase locking value,PLV）来量化任意两个电极通道之间的相位同步性,构建相应的脑功能网络的关联矩阵,提取网络不同稀疏度下的度、中间中心度两个局部属性的曲线下面积作为特征,对不同类型情感的网络特征进行非参数检验,找出显著性的节点。同时采用得到的特征值作为分类依据,训练SVM分类器。实验表明,利用PLV相位同步方法得到功能网络的局部属性,可以有效地区分不同类型的情感脑电数据,为基于脑电数据的情感识别提供了一种有效的方法。     

精分EEG脑网络同步稳定性研究

为了深入表征和刻画精神分裂症患者大脑活动时各个电极通道的状态变化，通过利用复杂网络同步稳定理论以及精分工作记忆实验范式对EEG信号进行分析。从复杂网络角度出发构建脑功能网络，并利用特征谱比值法分析脑网络及其同步性随时间的演化过程。对比实验表明精分患者和正常对照组同步能力具有很大差异且差异主要源于对应脑网络的一个局部化区域S的不同，并通过设计对比实验进一步验证此区域对脑网络同步影响的有效性。脑网络同步稳定区域S的发现对研究神经精神性疾病下脑网络的演化过程提供了新的思路。     

静息态人脑功能超网络模型鲁棒性对比分析

鲁棒性作为一种动态行为也是超网络领域的研究热点,对构建鲁棒网络具有重要的现实意义。尽管对超网络的研究越来越多,但对其动态研究相对较少,尤其是在神经影像领域。在现有的脑功能超网络研究中,大多是探究网络的静态拓扑属性,并没有相关研究对脑功能超网络的动力学特性——鲁棒性展开分析。针对这些问题,文中首先引入lasso,group lasso和sparse group lasso方法来求解稀疏线性回归模型以构建超网络;然后基于蓄意攻击中的节点度和节点介数攻击两种实验模型,利用全局效率和最大连通子图相对大小探究脑功能超网络在应对攻击时的节点失效网络的鲁棒性,最后通过实验进行对比分析,以探究更为稳定的网络。实验结果表明,在蓄意攻击模式下,group lasso和sparse group lasso方法构建的超网络的鲁棒性更强一些。同时,综合来看,group lasso方法构建的超网络最稳定。     

词语识别认知过程中的脑功能网络研究

词语识别是心理语言学研究领域的一个重要方面,基于脑功能网络连接模式的研究有助于对其神经机制的揭示。本文基于开源词语识别fMRI实验数据,首先利用人脑解剖学模板AAL分别构建真词试验时和辅音字符串试验时的脑功能网络,然后采用图论分析中的度中心性对AAL中的90个脑区进行活跃度度量,最后使用T检验对两种试验条件下各脑区的活跃度进行了统计对比。实验结果显示,真词试验时脑功能网络中分布在距状裂周围皮层、舌回、枕上回、枕中回、枕下回、顶上回的9个脑区的度中心性显著高于辅音字符串试验时的情况。实验结果表明,人脑在识别具有语义信息的词语时,大脑皮层的各个区域更加趋于协作,显著活跃的脑区能够作为词语识别进一步研究的生物标记。     

多模态网络融合在轻度认知障碍分类中的应用

针对早期轻度认知障碍（MCI）根据医学诊断认知量表评估极有可能无法判断的问题,提出了一种多模态网络融合的MCI辅助诊断分类方法。基于图论的复杂网络分析方法在神经影像领域的应用已得到广泛认可,但采用不同模态的成像技术研究脑部疾病对大脑网络拓扑结构属性的影响会产生不同结果。首先,使用弥散张量成像（DTI）与静息态功能磁共振成像（rs-fMRI）数据构建大脑结构和功能连接的融合网络。然后,融合网络的拓扑属性被施以单因素方差分析（ANOVA）,选择具有显著差异的属性作为分类特征。最后,利用支持向量机（SVM）留一法交叉验证对健康组和MCI组分类,估算准确率。实验结果表明,所提方法的分类结果准确率达到94.44%,相较单一模态数据法的分类结果有明显提高。所提方法诊断出的MCI患者在扣带回、颞上回以及额叶和顶叶部分区域等许多脑区表现出显著异常,与已有研究结果基本一致。     

一种基于fMRI数据的脑功能网络构建方法*

人脑可以用复杂网络方法进行定量分析。为了研究基于功能磁共振成像数据来构建脑功能网络,首先,用标准脑模板将全脑分割成90个功能区域,每个区域定义为一个网络节点;然后,用脑区的平均时间序列来计算相关系数, 网络节点间是否有边相连取决于其相关水平;最后,生成一系列不同网络密度的无向无权图,用来分析网络统计特性。结果表明,所构建的网络具有小世界拓扑结构。该脑功能网络的构建方法可以应用在某些认知障碍的临床诊断上。