fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法
【技術領域】
[0001] 本發(fā)明涉及一種腦部功能性磁共振圖像的處理和識別方法，具體涉及fMRI動態(tài) 腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法；通過數(shù)字圖像處理、模式識別、機器學習等領 域的知識，以及動態(tài)網(wǎng)絡、主成分分析和支持向量機等處理方法，設計一種功能性磁共振圖 像數(shù)據(jù)的識別與特征提取的方法，其處理結果可用于對功能性磁共振圖像數(shù)據(jù)進行分類。 技術背景
[0002] 近年來，功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI)技 術得到研宄者的廣泛關注。該技術提供了一種非入侵式的獲取腦部活動圖像的方法，通過 探測大腦中血氧飽和水平的變化來觀察大腦活動的變化。其中，靜息態(tài)功能性磁共振圖像 (Resting state-fMRI，R-fMRI)反映的是占大腦活動90%能量的自發(fā)性活動，這些自發(fā)性 活動被認為與不同的腦部狀態(tài)有很大的相關性。
[0003] 隨著R-fMRI技術的發(fā)展，對大腦腦區(qū)之間功能連接的分析正引起著更多的關注。 腦功能連接主要是從大腦的空間維度，研宄各個腦區(qū)在活動上的相關性，其結果易于檢驗 且具有相對合理的生理學解釋。傳統(tǒng)構建腦功能網(wǎng)絡的方法通常使用各腦區(qū)的整個時間序 列去構建一個靜態(tài)的網(wǎng)絡，忽略了功能連接網(wǎng)絡在時間維度上的非穩(wěn)定特性。然而，越來越 多的研宄表明，功能連接網(wǎng)絡隨時間的動態(tài)變化附加了更加豐富的腦組織活動信息。本發(fā) 明采用滑動時間窗處理方法構建動態(tài)的功能連接網(wǎng)絡，動態(tài)功能網(wǎng)絡既包含了腦區(qū)空間活 動的相關信息，又彌補了傳統(tǒng)腦功能網(wǎng)絡缺少時間維度相關信息的不足，同時，本發(fā)明將這 類非穩(wěn)定特性作為fMRI數(shù)據(jù)的重要特征來進行機器識別。
[0004] 在解剖學標簽模板（Anatomical Automatic Labeling，AAL)中，將人的大腦分為 90個腦區(qū)，因此，腦功能連接矩陣一般都是超高維數(shù)據(jù)，無法直接將機器識別技術用于對該 類數(shù)據(jù)的處理，因此諸如PCA、ICA等一些傳統(tǒng)的線性降維方法被運用在研宄中。以往應用 傳統(tǒng)降維方法時，僅考慮獲取數(shù)學意義上的最佳特征，未能根據(jù)數(shù)據(jù)集自身的特點選出適 合的分類特征，從而使提取到的特征數(shù)據(jù)難以全面刻畫信息。根據(jù)先驗知識，不同的腦部狀 態(tài)會導致不同的腦部區(qū)域連接異常，因此，僅對感興趣腦部區(qū)域內(nèi)構成的子網(wǎng)絡進行處理 和分析，可以大大減少數(shù)據(jù)量，并且在降低特征維數(shù)的同時保留大部分對fMRI數(shù)據(jù)識別有 用的信息。與此同時，不同腦部區(qū)域的fMRI數(shù)據(jù)對腦部狀態(tài)的識別所起到的作用是不同 的，因此本發(fā)明分別對感興趣腦部區(qū)域構建的子網(wǎng)絡進行分類識別，訓練子網(wǎng)絡分類器并 根據(jù)分類效果賦予不同權值，形成帶權重的并聯(lián)分類器，通過并聯(lián)分類器對腦部fMRI數(shù)據(jù) 進行分類，也可以提高分類器的魯棒性。

【發(fā)明內(nèi)容】

[0005] 1.發(fā)明要解決的技術問題
[0006] 針對現(xiàn)有技術領域中fMRI腦功能網(wǎng)絡只包含腦區(qū)空間維度上的活動信息，忽略 了其時間維度上的非平穩(wěn)特性，腦功能網(wǎng)絡數(shù)據(jù)維數(shù)過高、分類器識別精度不高等問題，本 發(fā)明提供了一種fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，運用fMRI動態(tài)網(wǎng) 絡獲取更豐富的腦部圖像信息，通過并聯(lián)的SVM分類器對fMRI數(shù)據(jù)進行分類，解決減少數(shù) 據(jù)維數(shù)、有效提取特征的同時也提高了分類器的魯棒性。
[0007] 2.技術方案
[0008] 發(fā)明原理：本發(fā)明充分利用腦功能連接網(wǎng)絡的動態(tài)信息，結合先驗知識，對感興趣 腦部區(qū)域的fMRI時間序列采用滑動時間窗處理方法生成動態(tài)功能連接網(wǎng)絡，然后，以各腦 部區(qū)域動態(tài)功能子網(wǎng)絡經(jīng)PCA處理后提取到的各個主要成分作為特征，分別訓練分類器， 并根據(jù)子網(wǎng)絡分類器的識別效果賦予不同的權值，進而使用子網(wǎng)絡分類器分類結果的加權 值作為最終分類結果。
[0009] 本發(fā)明是通過以下技術方案來實現(xiàn)的，fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加 權識別方法包括如下步驟：
[0010] (1)對獲取到的靜息態(tài)fMRI實驗數(shù)據(jù)進行預處理，消除外界干擾信號并將所有采 集到的實驗數(shù)據(jù)標準化到統(tǒng)一的時間和空間域；所述的預處理過程通過SPM8軟件實現(xiàn)，包 括時間層校準，頭動校正，空間標準化和空間平滑；
[0011] (2)從預處理后的fMRI數(shù)據(jù)中提取出相關信息，對照生理學模板（本發(fā)明選用 Anatomical Automatic Labeling，AAL模板），將每個實驗者大腦90個腦區(qū)內(nèi)的所有體素 的時間序列進行平均，獲得90個腦區(qū)的平均時間序列。對于總長度為n的時間序列，提取 出90個腦區(qū)中各體素的平均時間序列點，可以獲得一個90Xn的矩陣：
[0012]
【主權項】
1. 一種fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，包括如下步驟： (1) 對獲取到的靜息態(tài)fMRI實驗數(shù)據(jù)進行預處理，消除外界干擾信號并將所有采集到 的實驗數(shù)據(jù)標準化到統(tǒng)一的時間和空間域；所述的預處理過程通過SPM8軟件實現(xiàn)，包括時 間層校準，頭動校正，空間標準化和空間平滑； (2) 從預處理后的fMRI數(shù)據(jù)中提取出相關信息，對照生理學模板（本發(fā)明選用 AnatomicalAutomaticLabeling，AAL模板），將每個實驗者大腦90個腦區(qū)內(nèi)的所有體素 的時間序列進行平均，獲得90個腦區(qū)的平均時間序列。對于總長度為n的時間序列，提取 出90個腦區(qū)中各體素的平均時間序列點，可以獲得一個90Xn的矩陣； (3) 根據(jù)先驗知識選擇感興趣的N組腦區(qū)，其中第i組腦區(qū)包含AAL模板中90個腦區(qū) 中的&個不同腦區(qū)； (4) 對得到的N組腦區(qū)的時間序列，采用滑動時間窗處理方法分別構建動態(tài)功能連接 網(wǎng)絡，形成N個子網(wǎng)絡，記為Net1,Net2, . . .，NetN; (5) 應用若干個已知類別樣本的第一個子網(wǎng)絡訓練分類器，并進行分類識別，所述的分 類器選用支持向量機，分類特征選用對動態(tài)網(wǎng)絡序列做主成分分析后提取到的主要成分； (6) 以此類推，分別訓練N個帶權重的分類器，用其他子網(wǎng)絡分別訓練N個SVM分類器， 根據(jù)各個分類器分類正確率賦予子網(wǎng)絡分類器不同的權值&1，a2, ...，aN，形成并聯(lián)SVM分 類器； (7) 對未知類別的樣本進行分類識別時，使用并聯(lián)SVM分類器的子分類器對各個子網(wǎng) 絡分別進行識別，其分類結果的加權值來作為最后的分類結果。
2. 根據(jù)權利要求1所述的fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，其特 征在于，所述步驟（2)中的生理學模板為AAL模板。
3. 根據(jù)權利要求1所述的fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，其 特征在于，所述步驟（4)中構建動態(tài)功能連接網(wǎng)絡是指：對腦區(qū)時間序列進行滑動時間窗 處理時，設定窗口長度為W，滑動步長為S，則從第1個時間點開始到第W個時間點結束，取 長度為W的窗口作為第1個時間片段，然后移動S個時刻，從第S+1個時間點開始到第S+W 個時間點結束，長度為W的窗口作為第二個時間片段，以此類推，最終將各個腦區(qū)的時間序 列分為若干個時間片段的序列；則對于序列總長度為n的時間序列，構造的動態(tài)功能網(wǎng)絡 個數(shù)m為：
即將序列總長度為n的時間序列分為m段；動態(tài)功能網(wǎng)絡的構造過程中，窗口長度W根 據(jù)掃描重復時間和單個窗口的采樣頻率，取W=IAf?TR)。
4. 根據(jù)權利要求1所述的fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，其特 征在于，所述步驟（5)中分類特征選用對動態(tài)網(wǎng)絡序列做主成分分析后提取到的主要成分 是指：對于構建動態(tài)網(wǎng)絡形成的m個時間片段序列，使用主成分分析法進行特征提取，提取 出序列的主要成分作為分類器的分類特征。
5. 根據(jù)權利要求1所述的fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，其 特征在于，所述步驟（6)中分別訓練N個帶權重的分類器是指：根據(jù)各個分類器分類正確率 賦予子網(wǎng)絡分類器不同的權重a」，形成并聯(lián)的SVM分類器；其中，對于第j組子網(wǎng)絡對應的 SVM分類器，其分類正確率為1^_，則該分類器對應的權重&」為：
對未知類別樣本進行分類時，以各子分類器識別結果的加權和作為最終分類結果。
【專利摘要】本發(fā)明公開了一種fMRI動態(tài)腦功能子網(wǎng)絡構建及并聯(lián)SVM加權識別方法，步驟包括：1)數(shù)據(jù)預處理；2)提取各腦區(qū)的時間序列；3)選取感興趣的腦部區(qū)域；4)構建各個腦部區(qū)域的動態(tài)腦功能子網(wǎng)絡；5)訓練各個子網(wǎng)絡分類器；6)對各子分類器賦值，形成并聯(lián)SVM分類器；7)對未知樣本進行分類。本發(fā)明構建的動態(tài)腦功能網(wǎng)絡較傳統(tǒng)的靜態(tài)功能網(wǎng)絡，增加了腦功能網(wǎng)絡在時間維度上的信息；并結合先驗知識，對不同的感興趣腦部區(qū)域構建動態(tài)子網(wǎng)絡，保留有用信息的同時，降低特征維數(shù)；對每個子網(wǎng)絡訓練SVM分類器，通過識別率確定子分類器的權重，形成并聯(lián)SVM分類器，對腦區(qū)整體進行加權分類，使分類器具有更好的魯棒性。
【IPC分類】G06K9-62
【公開號】CN104715261
【申請?zhí)枴緾N201510133022
【發(fā)明人】梅雪, 馬士林, 黃嘉爽, 李微微
【申請人】南京工業(yè)大學
【公開日】2015年6月17日
【申請日】2015年3月23日