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。     

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.     

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。     

基于网络拓扑特性的MCI分类

阿尔茨海默氏病(Alzheimer's disease,AD)和轻度认知障碍(Mild cognitive impairment,MCI)是经常发生在老年人中的脑疾病,其主要表现为认知和智力的障碍.机器学习和模式识别方法已经被应用到对AD和MCI的诊断和分类中.最近,研究人员提出利用大脑连接网络实现对疾病的诊断和分类.大部分的研究主要集中在网络中提取一些局部的特性(如聚类系数),并利用机器学习的方法(如支持向量机)来实现对疾病的分类.然而,存在的研究表明AD以及MCI是和一个大规模的脑连接网络相关,而不仅是大脑的若干区域.因此,本文提出一种新的基于网络整体拓扑结构信息的分类方法,并将其用于对MCI疾病的分类.实验结果表明,本文的方法能够对分类结果有重要的改进.     

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。     

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。     

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。     

多频段脑功能网络融合的阿尔茨海默病分类

将图论与机器学习方法相结合的阿尔茨海默病计算机辅助中,脑网络的构建大多是基于滤波去噪后的全频段BOLD信号匹配,忽略了不同脑活动信息的差异.因此,本文提出了一种多频段脑功能网络融合模型.首先将离散小波变换应用于BOLD信号中,得到不同频域下的体素信号,而后计算同频信号的相关性,获取不同频段下相关矩阵.而后计算所有矩阵的网络特征,在特征选择后基于SVM对患者进行分类.从实验结果可以看出,分频下的脑功能网络特征与未分频网络相比能在一定程度上提高分类的准确性;体素级网络由于可以更加详细的表达脑网络的变化,其分类效果要优于脑区级.     

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...     

基于组选择的近似无偏稀疏脑功能超网络模型构建与分类研究

针对LASSO方法构建脑功能超网络模型缺乏组效应解释能力和网络有偏性问题,提出了两种基于组变量选择的近似无偏稀疏脑功能超网络模型来改善超网络的构建,分别为组最小最大凹惩罚方法和组平滑剪裁的绝对值偏差方法,并将其分别应用于抑郁症的分类研究中。分类结果显示,两种方法的分类表现均优于传统超网络模型,且组最小最大凹惩罚方法的分类准确率最高,达到86.36%。结果表明若想构建有效的脑功能超网络模型,不仅需要考虑脑区间组效应的解释能力,还需考虑模型变量选择的有偏性问题。而且在考虑到超网络有偏性的基础上,选取较为宽松的惩罚方式来选取目标变量,则可更精确地表征人脑的复杂高阶多元交互信息。     

基于时间序列复杂网络的癫痫脑电分类研究

大脑是一个高度复杂的系统,而且脑电信号噪声背景强,信号微弱,传统的脑电信号特征提取方法不能全面反应脑电信号的特征信息,因此,提出一种与复杂网络理论的相结合,以时间序列为基础构造复杂网络的癫痫脑电分类方法。首先将癫痫脑电信号的时间序列分段处理,每一段作为网络的一个节点,通过Pearson相关计算节点之间的关系来构造网络的连接矩阵,然后通过连接矩阵计算网络特征参数,并对特征参数进行统计分析构造特征向量,最后,使用SVM、逻辑回归和K-NN等分类器进行分类研究。结果显示,该方法对数据集A-E、AB-CDE和ABCD-E的分类准确率分别达到96.67%、94.00%和94.33%。实验结果表明,作为传统时间、频率分析的替代方法,该方法是可用于对脑电信号进行模式识别分类的,能够有效对癫痫脑电信号分类识别。     

多形式特征向量脑网络分类方法研究

目前已有的脑网络分类方法大多是通过处理收集的信号来构建脑网络,并根据一个或多个脑区之间的脑网络特征属性来进行分类。该分类方法只考虑一个特征属性,忽略了脑网络的其他特征属性,而被忽略的特征属性很可能会对实验结果产生较大的影响。为了克服已有分类方法的缺陷,文中考虑多种特征属性提出了一种基于多形式特征向量的脑网络分类方法并使用了新型图核,该分类方法由4步构成：将原始实验数据经过预处理后完成脑网络构建;根据不同的阈值来提取脑网络中多种脑网络属性值;利用支持向量机训练所有数据,根据训练结果的优劣,在每种网络属性值里挑选分类效果最优的阈值参数,并将它们进行特征融合;使用支持向量机训练融合后的特征向量。通过实验数据分析并与已有分类方法进行了对比,验证该方法在轻度认知障碍数据集上脑网络分类的有效性。     

基于功能核磁成像的静息态功能脑网络研究综述

近期研究成果表明:大脑在无特定任务状态下,各功能区之间依然会有部分功能连接并由此构成网络。且连接组网的方式、强度等可能对脑功能认知研究非常有帮助。正因为此,近年来,一大批研究人员投身其中,取得了很多很出色的成果。该文从信息分析的角度,总结了近年来脑网络研究过程中典型算法的模型构建原理、优点及不足,最后对脑网络的应用范围进行了简单的阐述。     

基于SVM的fMRI数据分类及MCI诊断应用

为了有效提高轻度认知障碍(mild cognitive impairment,MCI)的早期诊断效果,提出了基于SVM的fMRI数据分类方法,并构建分类准确率更高的集成分类器.传统的MCI诊断过程,检验周期长、主观误差较大,为此,利用数据挖掘技术,采用SVM数据分类方法,通过提取单个体素的分类特征,对fMRI图像作分类,并分析分类准确率较高的体素分布区域.通过加权平均的方法,构建集成分类器,更好地辅助临床诊断.     

基于多特征融合的重叠组套索脑功能超网络构建及分类

脑功能超网络的研究对脑疾病的准确诊断具有重要作用,目前已经有多种超网络的构建方法被应用于脑疾病的分类研究,但这些方法均未考虑到组间的重叠性问题.研究证明,组间的重叠性可能会对相关超网络模型的构建及构建后的分类应用产生影响,因此若仅使用非重叠组结构会限制其在超网络中的适用性.针对已应用于脑疾病分类研究的超网络构建方法在构...     

基于自适应多任务卷积神经网络的脑网络分类方法

脑网络分类是脑科学研究中的一项重要课题.近年来,基于卷积神经网络的脑网络分类方法已经成为一个前沿热点.然而,目前仍难以对数据维度高、样本量小的脑网络数据进行精准分类.由于不同人群的临床表型与其脑网络差异存在着一定的依存关系,极有可能为脑网络分类提供辅助信息,故提出一种新的基于自适应多任务卷积神经网络的脑网络分类方法.该方法引入临床表型预测作为辅助任务,通过多任务卷积神经网络的共享表示机制来为脑网络分类提供有用信息;同时为了降低实验成本和人工操作带来的误差,提出了一种新的自适应方法来代替人工调整多任务学习中各个子任务的权重.在ABIDE I(autism brain imaging data exchange I)数据集上的实验结果表明：引入临床表型预测任务的多任务卷积神经网络能够获得更好的脑网络分类结果,而且自适应多任务学习方法能够进一步提升脑网络的分类性能.