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。     

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。     

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。     

抑郁症患者功能脑网络属性特征分类研究

重度抑郁症是一种常见的心理障碍.功能影像研究表明,重度抑郁症与大脑许多区域的异常有关,这些区域包括海马、海马旁回、中央前回、尾状核等.复杂网络理论为脑网络拓扑结构的研究提供了一个有效的研究方法,但以往的研究方法主要集中在功能脑网络属性的统计分析上.通过对抑郁症患者和正常人的功能脑网络属性特征的分类对比研究,从机器学习的角度提出一种新的诊断抑郁症患者的方法.     

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。     

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。     

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。     

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.     

基于多尺度的稀疏脑功能超网络构建及多特征融合分类研究

脑功能超网络已成功应用于脑疾病的诊断。在之前的研究中,集中通过改变超边的方法来改善超网络的构建,忽略了不同尺度的节点定义对脑功能超网络拓扑的影响。考虑到该问题,提出了基于不同尺度的脑区划分来进行脑功能超网络的创建,从而分析其对脑功能超网络拓扑和分类性能的影响。具体来说,首先,基于自动解剖标记模板,利用聚类算法和随机动态种子点的方法对大脑进行细分割;其次,基于每种节点规模下所得的平均时间序列,利用LASSO方法分别进行脑功能超网络的构建;接着分别提取功能超网络的多组局部特征(节点度、最短路径长度、聚类系数),并利用非参数检验和基于相关的方法选取每种节点规模下的差异特征;最后,分别利用支持向量机构建分类模型。分类结果显示,随着节点规模的增大,所构建的脑功能超网络分类准确率增高,在节点尺度1 501下,准确率高达95.45%。同时,多尺度融合的分类准确率优于任一尺度下的分类准确率,这表明不同尺度的节点定义会影响脑功能超网络的拓扑,在未来的脑功能超网络研究中,除了关注超边的构建方法外,应更加关注大脑划分方案的选择,而且多种基于大脑划分的尺度融合特征可以补充更多的分类信息,提高抑郁症与正常人的分...     

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。     

基于高阶最小生成树脑网络的多特征融合分类方法

现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络。低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式。高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大。基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类。实验结果表明所提方法的分类精确度高达97.54%,获得了很好的分类性能。     

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。     

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。     

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...     

融合共空间模式与脑网络特征的EEG抑郁识别

提出共空间模式算法和脑网络拓扑属性融合的脑电信号（electroencephalography,EEG）特征,结合深度学习模型时序卷积网络（temporal convolution network,TCN）对抑郁组和对照组进行分类。根据相位锁值构建电极通道间相位同步性功能网络,分析不同频段下两种类别的功能连接模式。采用多特征融合方法将共空间模式特征和脑网络拓扑特征结合起来,最后结合Fisher score特征选择方法和分类器依赖结构,得到低维高效的特征子集并应用TCN进行分类。在抑郁数据集上的实验结果验证了所提策略的有效性。