陳金剛+唐艷

摘 要：目的：探討一種識(shí)別反社會(huì)人格障礙（antisocial personality disorder，ASPD）個(gè)體的方法。方法：找出ASPD個(gè)體與正常人的局部一致性（regional homogeneity，ReHo）存在差異的區(qū)域，提取個(gè)體在這些區(qū)域的值作為特征，采用多種模式識(shí)別方法（線性判別分析、C均值聚類和支持向量機(jī)）實(shí)現(xiàn)對(duì)ASPD個(gè)體的識(shí)別。結(jié)果：采用非線性核的支持向量機(jī)方法可以最好的（精確度：87.88%）區(qū)分ASPD個(gè)體和對(duì)照。結(jié)論：針對(duì)ReHo的模式識(shí)別方法可以有效的識(shí)別ASPD個(gè)體。

關(guān)鍵詞：反社會(huì)人格障礙；局部一致性；模式識(shí)別

反社會(huì)人格障礙（antisocial personality disorder，ASPD）是人格障礙的一種類型，有這種障礙個(gè)體的突出點(diǎn)是行為具有悖離社會(huì)規(guī)范的傾向，易對(duì)社會(huì)經(jīng)濟(jì)造成巨大破壞[1]?，F(xiàn)有研究表明局部一致性（regional homogeneity，ReHo）能夠反映疾病中人腦自發(fā)活動(dòng)的異常，有助于我們發(fā)現(xiàn)其潛在的精神病理機(jī)制[2]。因此，我們采用個(gè)體在感興趣區(qū)域的ReHo均值作為特征分量，構(gòu)建多種分類器，最后找到一種可以有效區(qū)分ASPD和正常人的方法。

1 方法

1.1 預(yù)處理

預(yù)處理步驟主要包括：去除前5張圖像以排除干擾，層間時(shí)間校正，頭動(dòng)校正（僅保留頭動(dòng)平移小于1mm和轉(zhuǎn)動(dòng)小于一度的數(shù)據(jù)），空間標(biāo)準(zhǔn)化，去線性漂移和帶通濾波（0.01～0.08Hz）。

1.2 ReHo的計(jì)算

ReHo是一個(gè)體素與周圍體素在時(shí)間序列上的相似性的度量，相似性強(qiáng)的體素可以被認(rèn)為在進(jìn)行相同的活動(dòng)。采用肯德爾和諧系數(shù)（KCC）來描述體素間在整個(gè)時(shí)間段的相似程度[3]，KCC的計(jì)算方法如下：

W為KCC值；Ri是體素i時(shí)間序列秩和；R表示所選時(shí)間序列上Ri的平均值；n是時(shí)間點(diǎn)數(shù)；K是所選最鄰域體素?cái)?shù)，根據(jù)最鄰域的選擇標(biāo)準(zhǔn)，一般K有7、15和27三種選擇，本研究中采用的是27。

得到受試ReHo圖像后，將每一體素ReHo值除以全腦ReHo均值以進(jìn)行標(biāo)準(zhǔn)化，再采用FWMH為4mm的高斯濾波器進(jìn)行平滑以除去干擾。

1.3 特征選擇

得到所有受試處理好的ReHo圖像后，按照受試病理情況分成兩組，進(jìn)行雙樣本T檢驗(yàn)，找出符合統(tǒng)計(jì)學(xué)顯著性標(biāo)準(zhǔn)的組間差異的大腦區(qū)域，將其作為感興趣區(qū)域（region of interest，ROI）。每個(gè)感興趣區(qū)域選取的原則如下：以符合統(tǒng)計(jì)學(xué)顯著性意義的ReHo值組間差異最明顯的體素為中心，6mm為半徑，構(gòu)成一個(gè)球型ROI。

1.4 分類器性能的評(píng)估

論文采用三種模式識(shí)別分析方法（線性判別分析[4]、C均值聚類[5]、支持向量機(jī)[6]）分別作了識(shí)別分析。識(shí)別過程中，由于樣本數(shù)目有限，我們采用留一法交叉驗(yàn)證（leave-one-out cross-validation，LOOCV）來估計(jì)分類器的分類能力。在LOOCV中，分類器的性能可以由三個(gè)參數(shù)表示：GR、SC和SC，分別表示樣本被正確預(yù)測的總比例、病人被正確預(yù)測的比例和對(duì)照組被正確預(yù)測的比例。通過這三個(gè)參數(shù)的比較，即可得出分類器的優(yōu)劣。

2 結(jié)果

采用不同分類算法的分類性能如圖1所示。不同算法中的最優(yōu)參數(shù)，采用了重復(fù)交叉驗(yàn)證計(jì)算。

圖1分類結(jié)果。橫軸表示樣本的編號(hào)，縱軸表示樣本在分類計(jì)算中的得分，其中+1的標(biāo)簽代表ASPD個(gè)體，-1的標(biāo)簽代表健康對(duì)照，因此前32個(gè)樣本中，得分大于0的表示ASPD個(gè)體被正確分類，后34個(gè)樣本中，得分小于0的表示健康對(duì)照個(gè)體被正確分類。（A）采用LDA算法分類的結(jié)果； （B）采用C均值分類算法的結(jié)果；（C）采用SVM算法的結(jié)果，軟間隔參數(shù)C=2.5。

可以看出，使用SVM方法得到最優(yōu)結(jié)果（ASPD：81.25%； 對(duì)照組：94.12%），即87.88%的精確度。

3 討論

三種模式識(shí)別方法的分類率都達(dá)到了83%以上，從而說明，ReHo可以成為有效的識(shí)別ASPD人群特征向量。在LDA和C-mean方法中，ASPD的識(shí)別率很高，最大達(dá)到90%，但是同時(shí)對(duì)正常人的識(shí)別率較低，也就說對(duì)正常人的誤判較高。而采用非線性核的SVM，可以得到最好的結(jié)果，同時(shí)獲得較好的ASPD和正常人的識(shí)別率。因此，研究認(rèn)為采用非線性核SVM方法可以很有效的識(shí)別ASPD個(gè)體。

參考文獻(xiàn)

[1]V LLM B，RICHARDSON P，MCKIE S，et al. Neuronal correlates and serotonergic modulation of behavioural inhibition and reward in healthy and antisocial individuals [J]. Journal of psychiatric research，2010，44（3）： 123-31.

[2]LIU Z，XU C，XU Y，et al. Decreased regional homogeneity in insula and cerebellum： a resting-state fMRI study in patients with major depression and subjects at high risk for major depression [J]. Psychiatry Research： Neuroimaging，2010，182（3）： 211-5.

[3]NI L，QI R，ZHANG L J，et al. Altered regional homogeneity in the development of minimal hepatic encephalopathy： a resting-state functional MRI study [J]. PloS one，2012，7（7）： e42016.

[4]吳曉婷，閆德勤. 數(shù)據(jù)降維方法分析與研究 [J]. 計(jì)算機(jī)應(yīng)用研究，2009，26（8）： 2832-5

[5]BEN-HUR A，ONG C S，SONNENBURG S，et al. Support vector machines and kernels for computational biology [J]. PLoS computational biology，2008，4（10）： e1000173.

[6]DU K-L. Clustering： A neural network approach [J]. Neural Networks，2010，23（1）： 89-107.endprint

摘 要：目的：探討一種識(shí)別反社會(huì)人格障礙（antisocial personality disorder，ASPD）個(gè)體的方法。方法：找出ASPD個(gè)體與正常人的局部一致性（regional homogeneity，ReHo）存在差異的區(qū)域，提取個(gè)體在這些區(qū)域的值作為特征，采用多種模式識(shí)別方法（線性判別分析、C均值聚類和支持向量機(jī)）實(shí)現(xiàn)對(duì)ASPD個(gè)體的識(shí)別。結(jié)果：采用非線性核的支持向量機(jī)方法可以最好的（精確度：87.88%）區(qū)分ASPD個(gè)體和對(duì)照。結(jié)論：針對(duì)ReHo的模式識(shí)別方法可以有效的識(shí)別ASPD個(gè)體。

關(guān)鍵詞：反社會(huì)人格障礙；局部一致性；模式識(shí)別

反社會(huì)人格障礙（antisocial personality disorder，ASPD）是人格障礙的一種類型，有這種障礙個(gè)體的突出點(diǎn)是行為具有悖離社會(huì)規(guī)范的傾向，易對(duì)社會(huì)經(jīng)濟(jì)造成巨大破壞[1]?，F(xiàn)有研究表明局部一致性（regional homogeneity，ReHo）能夠反映疾病中人腦自發(fā)活動(dòng)的異常，有助于我們發(fā)現(xiàn)其潛在的精神病理機(jī)制[2]。因此，我們采用個(gè)體在感興趣區(qū)域的ReHo均值作為特征分量，構(gòu)建多種分類器，最后找到一種可以有效區(qū)分ASPD和正常人的方法。

1 方法

1.1 預(yù)處理

預(yù)處理步驟主要包括：去除前5張圖像以排除干擾，層間時(shí)間校正，頭動(dòng)校正（僅保留頭動(dòng)平移小于1mm和轉(zhuǎn)動(dòng)小于一度的數(shù)據(jù)），空間標(biāo)準(zhǔn)化，去線性漂移和帶通濾波（0.01～0.08Hz）。

1.2 ReHo的計(jì)算

ReHo是一個(gè)體素與周圍體素在時(shí)間序列上的相似性的度量，相似性強(qiáng)的體素可以被認(rèn)為在進(jìn)行相同的活動(dòng)。采用肯德爾和諧系數(shù)（KCC）來描述體素間在整個(gè)時(shí)間段的相似程度[3]，KCC的計(jì)算方法如下：

W為KCC值；Ri是體素i時(shí)間序列秩和；R表示所選時(shí)間序列上Ri的平均值；n是時(shí)間點(diǎn)數(shù)；K是所選最鄰域體素?cái)?shù)，根據(jù)最鄰域的選擇標(biāo)準(zhǔn)，一般K有7、15和27三種選擇，本研究中采用的是27。

得到受試ReHo圖像后，將每一體素ReHo值除以全腦ReHo均值以進(jìn)行標(biāo)準(zhǔn)化，再采用FWMH為4mm的高斯濾波器進(jìn)行平滑以除去干擾。

1.3 特征選擇

得到所有受試處理好的ReHo圖像后，按照受試病理情況分成兩組，進(jìn)行雙樣本T檢驗(yàn)，找出符合統(tǒng)計(jì)學(xué)顯著性標(biāo)準(zhǔn)的組間差異的大腦區(qū)域，將其作為感興趣區(qū)域（region of interest，ROI）。每個(gè)感興趣區(qū)域選取的原則如下：以符合統(tǒng)計(jì)學(xué)顯著性意義的ReHo值組間差異最明顯的體素為中心，6mm為半徑，構(gòu)成一個(gè)球型ROI。

1.4 分類器性能的評(píng)估

論文采用三種模式識(shí)別分析方法（線性判別分析[4]、C均值聚類[5]、支持向量機(jī)[6]）分別作了識(shí)別分析。識(shí)別過程中，由于樣本數(shù)目有限，我們采用留一法交叉驗(yàn)證（leave-one-out cross-validation，LOOCV）來估計(jì)分類器的分類能力。在LOOCV中，分類器的性能可以由三個(gè)參數(shù)表示：GR、SC和SC，分別表示樣本被正確預(yù)測的總比例、病人被正確預(yù)測的比例和對(duì)照組被正確預(yù)測的比例。通過這三個(gè)參數(shù)的比較，即可得出分類器的優(yōu)劣。

2 結(jié)果

采用不同分類算法的分類性能如圖1所示。不同算法中的最優(yōu)參數(shù)，采用了重復(fù)交叉驗(yàn)證計(jì)算。

圖1分類結(jié)果。橫軸表示樣本的編號(hào)，縱軸表示樣本在分類計(jì)算中的得分，其中+1的標(biāo)簽代表ASPD個(gè)體，-1的標(biāo)簽代表健康對(duì)照，因此前32個(gè)樣本中，得分大于0的表示ASPD個(gè)體被正確分類，后34個(gè)樣本中，得分小于0的表示健康對(duì)照個(gè)體被正確分類。（A）采用LDA算法分類的結(jié)果； （B）采用C均值分類算法的結(jié)果；（C）采用SVM算法的結(jié)果，軟間隔參數(shù)C=2.5。

可以看出，使用SVM方法得到最優(yōu)結(jié)果（ASPD：81.25%； 對(duì)照組：94.12%），即87.88%的精確度。

3 討論

三種模式識(shí)別方法的分類率都達(dá)到了83%以上，從而說明，ReHo可以成為有效的識(shí)別ASPD人群特征向量。在LDA和C-mean方法中，ASPD的識(shí)別率很高，最大達(dá)到90%，但是同時(shí)對(duì)正常人的識(shí)別率較低，也就說對(duì)正常人的誤判較高。而采用非線性核的SVM，可以得到最好的結(jié)果，同時(shí)獲得較好的ASPD和正常人的識(shí)別率。因此，研究認(rèn)為采用非線性核SVM方法可以很有效的識(shí)別ASPD個(gè)體。

參考文獻(xiàn)

[1]V LLM B，RICHARDSON P，MCKIE S，et al. Neuronal correlates and serotonergic modulation of behavioural inhibition and reward in healthy and antisocial individuals [J]. Journal of psychiatric research，2010，44（3）： 123-31.

[2]LIU Z，XU C，XU Y，et al. Decreased regional homogeneity in insula and cerebellum： a resting-state fMRI study in patients with major depression and subjects at high risk for major depression [J]. Psychiatry Research： Neuroimaging，2010，182（3）： 211-5.

[3]NI L，QI R，ZHANG L J，et al. Altered regional homogeneity in the development of minimal hepatic encephalopathy： a resting-state functional MRI study [J]. PloS one，2012，7（7）： e42016.

[4]吳曉婷，閆德勤. 數(shù)據(jù)降維方法分析與研究 [J]. 計(jì)算機(jī)應(yīng)用研究，2009，26（8）： 2832-5

[5]BEN-HUR A，ONG C S，SONNENBURG S，et al. Support vector machines and kernels for computational biology [J]. PLoS computational biology，2008，4（10）： e1000173.

[6]DU K-L. Clustering： A neural network approach [J]. Neural Networks，2010，23（1）： 89-107.endprint

摘 要：目的：探討一種識(shí)別反社會(huì)人格障礙（antisocial personality disorder，ASPD）個(gè)體的方法。方法：找出ASPD個(gè)體與正常人的局部一致性（regional homogeneity，ReHo）存在差異的區(qū)域，提取個(gè)體在這些區(qū)域的值作為特征，采用多種模式識(shí)別方法（線性判別分析、C均值聚類和支持向量機(jī)）實(shí)現(xiàn)對(duì)ASPD個(gè)體的識(shí)別。結(jié)果：采用非線性核的支持向量機(jī)方法可以最好的（精確度：87.88%）區(qū)分ASPD個(gè)體和對(duì)照。結(jié)論：針對(duì)ReHo的模式識(shí)別方法可以有效的識(shí)別ASPD個(gè)體。

關(guān)鍵詞：反社會(huì)人格障礙；局部一致性；模式識(shí)別

反社會(huì)人格障礙（antisocial personality disorder，ASPD）是人格障礙的一種類型，有這種障礙個(gè)體的突出點(diǎn)是行為具有悖離社會(huì)規(guī)范的傾向，易對(duì)社會(huì)經(jīng)濟(jì)造成巨大破壞[1]。現(xiàn)有研究表明局部一致性（regional homogeneity，ReHo）能夠反映疾病中人腦自發(fā)活動(dòng)的異常，有助于我們發(fā)現(xiàn)其潛在的精神病理機(jī)制[2]。因此，我們采用個(gè)體在感興趣區(qū)域的ReHo均值作為特征分量，構(gòu)建多種分類器，最后找到一種可以有效區(qū)分ASPD和正常人的方法。

1 方法

1.1 預(yù)處理

預(yù)處理步驟主要包括：去除前5張圖像以排除干擾，層間時(shí)間校正，頭動(dòng)校正（僅保留頭動(dòng)平移小于1mm和轉(zhuǎn)動(dòng)小于一度的數(shù)據(jù)），空間標(biāo)準(zhǔn)化，去線性漂移和帶通濾波（0.01～0.08Hz）。

1.2 ReHo的計(jì)算

ReHo是一個(gè)體素與周圍體素在時(shí)間序列上的相似性的度量，相似性強(qiáng)的體素可以被認(rèn)為在進(jìn)行相同的活動(dòng)。采用肯德爾和諧系數(shù)（KCC）來描述體素間在整個(gè)時(shí)間段的相似程度[3]，KCC的計(jì)算方法如下：

W為KCC值；Ri是體素i時(shí)間序列秩和；R表示所選時(shí)間序列上Ri的平均值；n是時(shí)間點(diǎn)數(shù)；K是所選最鄰域體素?cái)?shù)，根據(jù)最鄰域的選擇標(biāo)準(zhǔn)，一般K有7、15和27三種選擇，本研究中采用的是27。

得到受試ReHo圖像后，將每一體素ReHo值除以全腦ReHo均值以進(jìn)行標(biāo)準(zhǔn)化，再采用FWMH為4mm的高斯濾波器進(jìn)行平滑以除去干擾。

1.3 特征選擇

得到所有受試處理好的ReHo圖像后，按照受試病理情況分成兩組，進(jìn)行雙樣本T檢驗(yàn)，找出符合統(tǒng)計(jì)學(xué)顯著性標(biāo)準(zhǔn)的組間差異的大腦區(qū)域，將其作為感興趣區(qū)域（region of interest，ROI）。每個(gè)感興趣區(qū)域選取的原則如下：以符合統(tǒng)計(jì)學(xué)顯著性意義的ReHo值組間差異最明顯的體素為中心，6mm為半徑，構(gòu)成一個(gè)球型ROI。

1.4 分類器性能的評(píng)估

論文采用三種模式識(shí)別分析方法（線性判別分析[4]、C均值聚類[5]、支持向量機(jī)[6]）分別作了識(shí)別分析。識(shí)別過程中，由于樣本數(shù)目有限，我們采用留一法交叉驗(yàn)證（leave-one-out cross-validation，LOOCV）來估計(jì)分類器的分類能力。在LOOCV中，分類器的性能可以由三個(gè)參數(shù)表示：GR、SC和SC，分別表示樣本被正確預(yù)測的總比例、病人被正確預(yù)測的比例和對(duì)照組被正確預(yù)測的比例。通過這三個(gè)參數(shù)的比較，即可得出分類器的優(yōu)劣。

2 結(jié)果

采用不同分類算法的分類性能如圖1所示。不同算法中的最優(yōu)參數(shù)，采用了重復(fù)交叉驗(yàn)證計(jì)算。

圖1分類結(jié)果。橫軸表示樣本的編號(hào)，縱軸表示樣本在分類計(jì)算中的得分，其中+1的標(biāo)簽代表ASPD個(gè)體，-1的標(biāo)簽代表健康對(duì)照，因此前32個(gè)樣本中，得分大于0的表示ASPD個(gè)體被正確分類，后34個(gè)樣本中，得分小于0的表示健康對(duì)照個(gè)體被正確分類。（A）采用LDA算法分類的結(jié)果； （B）采用C均值分類算法的結(jié)果；（C）采用SVM算法的結(jié)果，軟間隔參數(shù)C=2.5。

可以看出，使用SVM方法得到最優(yōu)結(jié)果（ASPD：81.25%； 對(duì)照組：94.12%），即87.88%的精確度。

3 討論

三種模式識(shí)別方法的分類率都達(dá)到了83%以上，從而說明，ReHo可以成為有效的識(shí)別ASPD人群特征向量。在LDA和C-mean方法中，ASPD的識(shí)別率很高，最大達(dá)到90%，但是同時(shí)對(duì)正常人的識(shí)別率較低，也就說對(duì)正常人的誤判較高。而采用非線性核的SVM，可以得到最好的結(jié)果，同時(shí)獲得較好的ASPD和正常人的識(shí)別率。因此，研究認(rèn)為采用非線性核SVM方法可以很有效的識(shí)別ASPD個(gè)體。

參考文獻(xiàn)

[1]V LLM B，RICHARDSON P，MCKIE S，et al. Neuronal correlates and serotonergic modulation of behavioural inhibition and reward in healthy and antisocial individuals [J]. Journal of psychiatric research，2010，44（3）： 123-31.

[2]LIU Z，XU C，XU Y，et al. Decreased regional homogeneity in insula and cerebellum： a resting-state fMRI study in patients with major depression and subjects at high risk for major depression [J]. Psychiatry Research： Neuroimaging，2010，182（3）： 211-5.

[3]NI L，QI R，ZHANG L J，et al. Altered regional homogeneity in the development of minimal hepatic encephalopathy： a resting-state functional MRI study [J]. PloS one，2012，7（7）： e42016.

[4]吳曉婷，閆德勤. 數(shù)據(jù)降維方法分析與研究 [J]. 計(jì)算機(jī)應(yīng)用研究，2009，26（8）： 2832-5

[5]BEN-HUR A，ONG C S，SONNENBURG S，et al. Support vector machines and kernels for computational biology [J]. PLoS computational biology，2008，4（10）： e1000173.

[6]DU K-L. Clustering： A neural network approach [J]. Neural Networks，2010，23（1）： 89-107.endprint