李濤, 邱震鈺, 李瑤, 李囡, 李埼釩, 郭浩*

(1.太原理工大學(xué)信息與計(jì)算機(jī)學(xué)院, 太原 030024; 2.南昌理工學(xué)院計(jì)算機(jī)信息工程學(xué)院, 南昌 330044;3.太原理工大學(xué)軟件學(xué)院, 太原 030024)

由于具有無(wú)創(chuàng)性和非侵入性的特點(diǎn),功能磁共振成像技術(shù)目前已經(jīng)被廣泛應(yīng)用于神經(jīng)精神疾病的研究中[1]。研究人員常利用靜息態(tài)功能磁共振成像技術(shù)通過(guò)血氧水平依賴信號(hào)表征腦區(qū)間自發(fā)的神經(jīng)元活動(dòng),進(jìn)而計(jì)算該信號(hào)的時(shí)間相關(guān)性表示腦區(qū)間的交互活動(dòng),以此構(gòu)建腦功能網(wǎng)絡(luò)來(lái)闡明疾病的病理機(jī)制從而實(shí)現(xiàn)分類[2-3]。

傳統(tǒng)的腦網(wǎng)絡(luò)認(rèn)為靜息態(tài)功能磁共振掃描期間功能連接是不變的[4]。但這在很大程度上忽略了大腦網(wǎng)絡(luò)的動(dòng)態(tài)特征,而最近的研究表明大腦是一個(gè)高度動(dòng)態(tài)的網(wǎng)絡(luò)系統(tǒng)[5-6]?；诖?研究人員提出了多層腦網(wǎng)絡(luò),用于表示隨著掃描時(shí)間的推移腦區(qū)之間交互的時(shí)變特性[7-10]。

在已有的多層腦網(wǎng)絡(luò)研究中,大多集中于對(duì)動(dòng)態(tài)功能連接的探索,極少?gòu)木W(wǎng)絡(luò)的拓?fù)鋵傩越嵌冗M(jìn)行分析。但拓?fù)鋵傩缘囊胗欣诔浞直碚骶W(wǎng)絡(luò)的結(jié)構(gòu)信息,因而對(duì)精神疾病的診斷具有重要意義。目前針對(duì)多層網(wǎng)絡(luò)拓?fù)鋵傩缘难芯糠譃橐韵聨追N策略。①通過(guò)計(jì)算連接的連接將多層網(wǎng)絡(luò)轉(zhuǎn)變?yōu)閱螌泳W(wǎng)絡(luò),從而對(duì)單層網(wǎng)絡(luò)的屬性進(jìn)行研究[11],但該方法本質(zhì)上還是對(duì)單層網(wǎng)絡(luò)屬性進(jìn)行分析;②將單層網(wǎng)絡(luò)特定拓?fù)渲笜?biāo)計(jì)算方法按照其特征擴(kuò)展到多層網(wǎng)絡(luò),而此過(guò)程不適用于所有的單層拓?fù)渲笜?biāo)到多層拓?fù)渲笜?biāo)的轉(zhuǎn)換,缺乏泛化性[12-13];③通過(guò)計(jì)算每層網(wǎng)絡(luò)中拓?fù)渲笜?biāo)的均值[6]或標(biāo)準(zhǔn)差[14-15]作為多層網(wǎng)絡(luò)的拓?fù)渲笜?biāo)值,這也是如今多層腦網(wǎng)絡(luò)中最常用的一種計(jì)算拓?fù)渲笜?biāo)值的方法。但是簡(jiǎn)單計(jì)算均值使得多個(gè)單層網(wǎng)絡(luò)拓?fù)渲笜?biāo)的極值無(wú)法得到有效利用,而這些值可能在一定程度上包含大腦的動(dòng)力學(xué)信息[16];同時(shí),單純計(jì)算標(biāo)準(zhǔn)差的方法雖然可以反映多個(gè)單層網(wǎng)絡(luò)中拓?fù)渲笜?biāo)離散的絕對(duì)程度,但又會(huì)受到所有單層網(wǎng)絡(luò)拓?fù)鋵傩跃档挠绊慬17]。

為了解決以上局限性,本研究在現(xiàn)有的利用均值和標(biāo)準(zhǔn)差計(jì)算多層網(wǎng)絡(luò)拓?fù)鋵傩缘幕A(chǔ)上,考慮到特定屬性值及整體分布的影響,分別引入極差、相對(duì)極差、離散系數(shù)進(jìn)行多視角多層網(wǎng)絡(luò)拓?fù)鋵傩缘挠?jì)算,從而實(shí)現(xiàn)對(duì)自閉癥的分類。

首先,利用滑動(dòng)窗口方法構(gòu)建時(shí)變多層腦功能網(wǎng)絡(luò)。其次,分別基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)計(jì)算多層網(wǎng)絡(luò)的拓?fù)鋵傩?并利用Kolmogo-rov-Smirnov(KS)非參數(shù)檢驗(yàn)選取差異特征。然后,使用支持向量機(jī)(support vector machine, SVM)分別基于每種方法選取的差異特征及所有差異特征構(gòu)建分類模型,比較不同方法的分類效果及研究中涉及的參數(shù)對(duì)分類性能的影響。最后,利用ADNI(Alzheimer’s disease neuroimaging initiative)數(shù)據(jù)集分析方法的可拓展性。相比于現(xiàn)有方法,本研究所提出的方法應(yīng)取得更好的分類效果且具有較好的泛化性。

1 材料和方法

1.1 方法框架

基于時(shí)變特性的多層腦網(wǎng)絡(luò)拓?fù)鋵傩苑治黾澳X疾病分類主要包括以下四個(gè)步驟。其具體流程如圖1所示。

圖1 方法框架Fig.1 Method framework

(1)數(shù)據(jù)獲取和預(yù)處理。

(2)多層腦功能網(wǎng)絡(luò)構(gòu)建。利用滑動(dòng)窗口方法構(gòu)建基于時(shí)變特性的多層腦功能網(wǎng)絡(luò)。

(3)特征提取。分別基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)視角計(jì)算多層網(wǎng)絡(luò)的度、離心率、介數(shù)中心度。

(4)特征選擇與分類。將非參數(shù)置換檢驗(yàn)選取的每種視角下具有顯著差異的特征及融合所有特征作為分類器的輸入,并使用支持向量機(jī)對(duì)疾病進(jìn)行分類。

1.2 數(shù)據(jù)集和預(yù)處理

1.2.1 數(shù)據(jù)獲取

樣本來(lái)源于自閉癥腦影像數(shù)據(jù)共享中心(ABIDE, http://fcon_1000.projects.nitrc.org/indi/abide)中的紐約大學(xué)朗根醫(yī)療中心。各組數(shù)據(jù)排除標(biāo)準(zhǔn)為:①女性;②頭動(dòng)大于3 mm或轉(zhuǎn)動(dòng)大于3°。本研究最終納入65例自閉癥患者及76例健康對(duì)照。所有數(shù)據(jù)貢獻(xiàn)者均通過(guò)機(jī)構(gòu)審查委員會(huì)批準(zhǔn),且與受試者(或其監(jiān)護(hù)人)簽署知情同意書(shū)。所有被試詳細(xì)信息如表1所示。其中,數(shù)據(jù)范圍指最小值～最大值(平均值±標(biāo)準(zhǔn)差),ADOS-total表示自閉癥診斷觀察量表總分,P由雙樣本雙尾T檢驗(yàn)獲得。

表1 被試的基本信息表

1.2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理使用GRETNA工具箱[18]進(jìn)行,具體步驟包括:①去除前5個(gè)時(shí)間點(diǎn)數(shù)據(jù);②時(shí)間層校正;③頭動(dòng)校正;④將圖像配準(zhǔn)至蒙特利爾神經(jīng)研究所標(biāo)準(zhǔn)空間;⑤采用6 mm半高全寬的高斯濾波器對(duì)圖像進(jìn)行空間平滑;⑥去除協(xié)變量,如Friston 24頭動(dòng)參數(shù)、線性趨勢(shì)、全局信號(hào)、腦白質(zhì)及腦脊液信號(hào);⑦帶通濾波(0.01～0.1 Hz)。在校正過(guò)程中有3例自閉癥患者和3例健康對(duì)照因頭動(dòng)大于3 mm或轉(zhuǎn)動(dòng)大于3°而被舍棄,不包含在最終的141名被試中。

1.3 多層腦功能網(wǎng)絡(luò)構(gòu)建

使用自動(dòng)解剖標(biāo)記模板[19]將大腦劃分為90個(gè)腦區(qū)。把每個(gè)腦區(qū)作為腦網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn),計(jì)算該腦區(qū)中所有體素在不同時(shí)間點(diǎn)上的血氧水平依賴信號(hào)的算術(shù)平均值來(lái)表示該節(jié)點(diǎn)的值。

采用滑動(dòng)窗口方法[5, 20-21]構(gòu)建時(shí)變多層腦功能網(wǎng)絡(luò),通過(guò)不同窗口內(nèi)的時(shí)間序列構(gòu)建單層網(wǎng)絡(luò),表示在一小段時(shí)間內(nèi)腦區(qū)之間的功能連接,并引入層間連接表示不同層之間的腦區(qū)連通性。如圖2所示,首先,參照后續(xù)對(duì)滑動(dòng)窗口參數(shù)的分析,將窗口長(zhǎng)度設(shè)置為100 s,窗口滑動(dòng)步長(zhǎng)設(shè)置為1個(gè)重復(fù)時(shí)間(repetition time, TR)。然后,在每個(gè)時(shí)間窗內(nèi),通過(guò)計(jì)算兩兩腦區(qū)之間的皮爾遜相關(guān)系數(shù)作為腦網(wǎng)絡(luò)中的節(jié)點(diǎn)連邊的值,從而得到126個(gè)90×90的對(duì)稱矩陣。同時(shí),為減少弱連接或虛假連接的影響,本研究采用15%的連接密度對(duì)每個(gè)窗口的連接矩陣進(jìn)行閾值化。而由于負(fù)連接具有模糊的生理解釋,在網(wǎng)絡(luò)閾值之前將其刪除。最后,考慮到相鄰時(shí)間段上同一腦區(qū)之間的耦合,將鄰接層中同一節(jié)點(diǎn)之間的連接權(quán)重設(shè)置為常用值1[12-13],其余情況的層間連接值為0,從而生成時(shí)變多層腦功能網(wǎng)絡(luò)。

圖2 構(gòu)建多層腦功能網(wǎng)絡(luò)Fig.2 Construct multilayer brain functional network

1.4 特征提取

利用滑動(dòng)窗口方法構(gòu)建時(shí)變多層腦功能網(wǎng)絡(luò)后,選取度、離心率、介數(shù)中心度這三個(gè)局部拓?fù)鋵傩宰鳛樘卣鳌?/p>

1.4.1 單層網(wǎng)絡(luò)拓?fù)鋵傩杂?jì)算

首先,對(duì)于每個(gè)滑動(dòng)窗口內(nèi)的功能連接矩陣,計(jì)算度、離心率、介數(shù)中心度來(lái)刻畫(huà)單層功能連接網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

度是該節(jié)點(diǎn)連接到網(wǎng)絡(luò)中其他節(jié)點(diǎn)的邊的數(shù)量[16]。其計(jì)算公式為

(1)

式(1)中:i、j表示節(jié)點(diǎn);N表示節(jié)點(diǎn)數(shù)量;aij表示無(wú)向加權(quán)網(wǎng)絡(luò)中節(jié)點(diǎn)i和節(jié)點(diǎn)j的連接。

離心率是該節(jié)點(diǎn)到網(wǎng)絡(luò)中其他節(jié)點(diǎn)的所有最短路徑中的最大值[22]。其計(jì)算公式為

ei=max{d(u,v)}

(2)

式(2)中:d(u,v)指的是節(jié)點(diǎn)u到節(jié)點(diǎn)v之間最短路徑的值。

介數(shù)中心度用來(lái)衡量節(jié)點(diǎn)對(duì)于網(wǎng)絡(luò)的重要程度[11]。其計(jì)算公式為

(3)

1.4.2 多層網(wǎng)絡(luò)拓?fù)鋵傩杂?jì)算

接著,基于每個(gè)單層功能連接網(wǎng)絡(luò)所得到的拓?fù)鋵傩?計(jì)算時(shí)變多層網(wǎng)絡(luò)的拓?fù)鋵傩?。傳統(tǒng)的分析方法中,通過(guò)計(jì)算所有單層網(wǎng)絡(luò)的拓?fù)渲笜?biāo)的均值[6]或標(biāo)準(zhǔn)差[14-15]作為多層網(wǎng)絡(luò)的拓?fù)渲笜?biāo)。但單純計(jì)算均值無(wú)法有效利用有代表性的特定屬性值的信息[16],而計(jì)算標(biāo)準(zhǔn)差的方法又在一定程度上受到均值的影響[17]。為解決以上問(wèn)題,在已有方法的基礎(chǔ)上提出了從極差、相對(duì)極差、離散系數(shù)這三個(gè)視角入手計(jì)算多層網(wǎng)絡(luò)拓?fù)渲笜?biāo)的方法。具體來(lái)說(shuō),基于極差、相對(duì)極差、離散系數(shù)視角的方法分別通過(guò)計(jì)算所有單層網(wǎng)絡(luò)的拓?fù)渲笜?biāo)的極差、相對(duì)極差、離散系數(shù)作為多層網(wǎng)絡(luò)的拓?fù)渲笜?biāo)。其具體的計(jì)算公式如表2所示。

表2 多層拓?fù)鋵傩杂?jì)算

1.5 特征選擇與分類

雖然將多層網(wǎng)絡(luò)拓?fù)鋵傩宰鳛樘卣骺梢詮牟煌矫婷枋瞿X網(wǎng)絡(luò)特性,但存在冗余或不相關(guān)特征影響分類器的性能[9, 23]。因此需要對(duì)所計(jì)算的特征進(jìn)行選擇,選取組間差異顯著的特征進(jìn)行分類。

本研究把非參數(shù)置換檢驗(yàn)[10]作為特征選擇方法,選取具有顯著組間差異的特征。具體來(lái)說(shuō),針對(duì)自閉癥患者和健康被試,分別將基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)的多層網(wǎng)絡(luò)拓?fù)渲笜?biāo)計(jì)算方法所產(chǎn)生的270個(gè)局部屬性進(jìn)行組間KS非參數(shù)置換檢驗(yàn),選取具有顯著差異的特征(P<0.05, 已校正)參與分類模型構(gòu)建。同時(shí)將5種方法計(jì)算的差異特征首尾串聯(lián)構(gòu)建融合特征進(jìn)行分類。

深度學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于各種疾病的診斷中[24-25],但訓(xùn)練其模型需要大量被試[26]。而支持向量機(jī)適用于小樣本數(shù)據(jù)集和具有高維的特征[27-28]的腦疾病分類研究。由于本研究最終用于分析的樣本量較少,很難獲得完全的信息。因此,在對(duì)實(shí)驗(yàn)被試進(jìn)行分類的過(guò)程中使用支持向量機(jī)工具包(https://www.csie.ntu.edu.tw/～cjlin/libsvm/)的徑向基核函數(shù)(radial basis function, RBF)構(gòu)建分類模型。

本研究利用留一交叉驗(yàn)證評(píng)價(jià)分類性能。此外,為了獲得更好的分類效果,訓(xùn)練集利用K折交叉驗(yàn)證[29-30]對(duì)SVM參數(shù)——懲罰因子c和核函數(shù)g進(jìn)行尋優(yōu)。值得注意的是,構(gòu)建分類模型前需對(duì)分類特征進(jìn)行標(biāo)準(zhǔn)化。

2 結(jié)果

2.1 多層網(wǎng)絡(luò)拓?fù)鋵傩苑治?/h3>

為確定基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差及離散系數(shù)計(jì)算的多層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是否存在顯著差異,本研究對(duì)這5種多層網(wǎng)絡(luò)拓?fù)鋵傩杂?jì)算方法進(jìn)行了比較,如圖3所示。

首先,針對(duì)每個(gè)被試把通過(guò)不同拓?fù)鋵傩杂?jì)算方法得到的90個(gè)腦區(qū)的度、離心率、介數(shù)中心度進(jìn)行平均獲得各自拓?fù)鋵傩杂?jì)算方法的平均度、平均離心率、平均介數(shù)中心度。然后,分別計(jì)算自閉癥組和健康對(duì)照組基于5種拓?fù)鋵傩杂?jì)算方法得到的平均度、平均離心率、平均介數(shù)中心度的均值,并用直方圖進(jìn)行表示。最后,用色塊圖表示在自閉癥組和健康對(duì)照組中分別使用KS檢驗(yàn)獲得的不同拓?fù)鋵傩杂?jì)算方法所得到的平均度、平均離心率、平均介數(shù)中心度的統(tǒng)計(jì)顯著性。結(jié)果顯示,無(wú)論自閉癥組還是健康對(duì)照組,基于度、離心率及介數(shù)中心度分別使用5種統(tǒng)計(jì)指標(biāo)計(jì)算的多層網(wǎng)絡(luò)拓?fù)鋵傩跃嬖陲@著差異(P< 0.05),這表明本研究所提出的方法從不同角度刻畫(huà)了多層網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

2.2 差異性腦區(qū)

將基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)計(jì)算的多層網(wǎng)絡(luò)拓?fù)鋵傩赃M(jìn)行組間KS非參數(shù)置換檢驗(yàn),選取通過(guò)錯(cuò)誤發(fā)現(xiàn)率校正后P<0.05的腦區(qū)作為自閉癥組與健康對(duì)照的顯著差異腦區(qū),其在模板空間中的分布如圖4所示,對(duì)應(yīng)的腦區(qū)名稱及其顯著性如表3所示。

表3 節(jié)點(diǎn)指標(biāo)異常腦區(qū)及其顯著性

圖4 差異性腦區(qū)分布圖Fig.4 Differential distribution of brain regions

結(jié)果顯示基于不同視角計(jì)算多層網(wǎng)絡(luò)屬性存在較少頻繁出現(xiàn)的組間差異腦區(qū),主要包括右側(cè)眶部額上回、左側(cè)眶內(nèi)額上回、右側(cè)腦島、左側(cè)海馬、右側(cè)豆?fàn)顨ず?。這表明本研究所提出的方法可以從不同角度全面的獲得自閉癥的差異腦區(qū)。同時(shí),這些差異腦區(qū)和目前已經(jīng)被證明與自閉癥有關(guān)聯(lián)的腦區(qū)一致。Tang等[31]研究定量磁共振成像在兒童自閉癥診斷中的應(yīng)用,結(jié)果顯示患有自閉癥的兒童在雙側(cè)豆?fàn)顨ず?、左?cè)尾狀核的腦血流量低于健康對(duì)照組。Liang等[32]的研究結(jié)果表明,與健康對(duì)照組相比,自閉癥患者在右側(cè)海馬旁回、左側(cè)海馬、右側(cè)眶部額上回的功能連接神經(jīng)回路數(shù)量明顯減少。Duan等[33]表明自閉癥的神經(jīng)影像學(xué)標(biāo)志物包括右側(cè)嗅皮質(zhì)、右側(cè)腦島、左側(cè)顳下回。Qin等[1]的研究發(fā)現(xiàn)自閉癥兒童相比于健康對(duì)照組在額上回腦區(qū)的功能連接顯著減少。Wang等[4]發(fā)現(xiàn)自閉癥的發(fā)展與腦島高度相關(guān)。Peng等[2]的研究發(fā)現(xiàn),與健康對(duì)照組相比,自閉癥患者的雙側(cè)豆?fàn)钌n白球在平均度屬性上具有顯著差異。Yi等[34]的研究顯示自閉癥患者右側(cè)丘腦的度中心性顯著高于健康對(duì)照組。Zhao等[35]的研究表明自閉癥患者與健康對(duì)照組在左側(cè)梭狀回灰質(zhì)體積上存在顯著差異。Weerasekera等[36]的研究發(fā)現(xiàn)自閉癥患者右側(cè)杏仁核的皮層下體積顯著高于健康對(duì)照組。這表明本研究所提的方法可以有效識(shí)別自閉癥的生物標(biāo)志物。

2.3 分類結(jié)果

將組間差異顯著的腦區(qū)特征作為分類器的輸入構(gòu)建分類模型,并從準(zhǔn)確率、靈敏度、特異度三個(gè)方面對(duì)分類器的性能進(jìn)行評(píng)價(jià)。

如表4所示,將不同方法的分類結(jié)果進(jìn)行比較。首先,描述了以前傳統(tǒng)網(wǎng)絡(luò)的分類結(jié)果。其次,列舉了現(xiàn)有研究中將均值或標(biāo)準(zhǔn)差作為多層網(wǎng)絡(luò)的統(tǒng)計(jì)指標(biāo)計(jì)算功能連接從而進(jìn)行分類的結(jié)果。最后,為了消除不同研究所采用的數(shù)據(jù)和方法的差異,本研究分析了在同一數(shù)據(jù)集上分別以均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)為統(tǒng)計(jì)指標(biāo)計(jì)算多層網(wǎng)絡(luò)拓?fù)鋵傩詮亩鴺?gòu)建的分類器及融合上述所有特征的分類器性能。

表4 不同方法的分類結(jié)果

研究結(jié)果顯示相比于傳統(tǒng)網(wǎng)絡(luò),多層網(wǎng)絡(luò)具有更高的分類準(zhǔn)確率,這與多層腦網(wǎng)絡(luò)包含了大腦的時(shí)變信息有關(guān)[7]。此外,無(wú)論是已有文獻(xiàn),還是本研究所進(jìn)行的實(shí)驗(yàn),基于相對(duì)極差視角的分類準(zhǔn)確率均高于基于均值和標(biāo)準(zhǔn)差的分類準(zhǔn)確率,這表明相對(duì)極差既考慮了各個(gè)單層網(wǎng)絡(luò)屬性的整體分布情況,又充分利用了拓?fù)鋵傩缘臉O值信息。同時(shí),基于離散系數(shù)視角的分類準(zhǔn)確率高于傳統(tǒng)的基于均值和標(biāo)準(zhǔn)差的分類準(zhǔn)確率,這表明離散系數(shù)在考量所有單層網(wǎng)絡(luò)拓?fù)鋵傩缘臉?biāo)準(zhǔn)差的基礎(chǔ)上避免了均值的影響。值得注意的是,基于極差視角的分類準(zhǔn)確率高于基于標(biāo)準(zhǔn)差視角的分類準(zhǔn)確率,略低于Karampasi等[39]的研究和本研究中基于均值視角的分類準(zhǔn)確率。這可能由于基于極差的視角只應(yīng)用了多個(gè)單層網(wǎng)絡(luò)中拓?fù)鋵傩缘淖畲笾岛妥钚≈?包含較少的信息。但是基于相對(duì)極差視角的方法應(yīng)用了極差信息,而且分類效果較為理想。因此,這表明拓?fù)鋵傩灾械臉O值信息在一定程度上有利于自閉癥的分類。此外,結(jié)果顯示基于多特征融合的分類效果最好,分類準(zhǔn)確率為87.38%,靈敏度為85.53%,特異度為82.90%。這表明融合特征方法可以彌補(bǔ)從單一角度考慮多層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)時(shí)缺失的信息,從而包含更多的自閉癥生物學(xué)標(biāo)志物,因此可以有效提高疾病的分類表現(xiàn)。

由此可見(jiàn),使用本研究所提出的方法可以更好地實(shí)現(xiàn)對(duì)自閉癥患者的分類,這為自閉癥的臨床診斷提供了一種新的思路。

2.4 特征權(quán)重

此外,使用ReliefF算法[42]分析基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)計(jì)算多層網(wǎng)絡(luò)屬性及融合所有特征對(duì)分類結(jié)果的貢獻(xiàn)程度。該算法依據(jù)每種類別和功能的相關(guān)性分配不同權(quán)重,分類能力越強(qiáng)的特征對(duì)應(yīng)越大的權(quán)重。利用直方圖表示不同分類方法的權(quán)重值,并使用色塊圖表示各自方法分類權(quán)重之間的統(tǒng)計(jì)顯著性。如圖5所示,不同方法的分類權(quán)重存在差異。同時(shí),與分類結(jié)果一致,基于融合特征方法的分類權(quán)重顯著高于(P<0.05)任意基于單一視角的分類權(quán)重。這表明融合特征彌補(bǔ)了單一統(tǒng)計(jì)指標(biāo)缺失的信息,從多個(gè)角度綜合捕捉多層腦網(wǎng)絡(luò)的拓?fù)涮卣?進(jìn)而更好地識(shí)別自閉癥。

圖5 不同方法的特征權(quán)重Fig.5 Feature weights of different methods

2.5 可重復(fù)性驗(yàn)證

為了驗(yàn)證基于統(tǒng)計(jì)指標(biāo)的多視角多層腦網(wǎng)絡(luò)拓?fù)鋵傩杂?jì)算方法的可重復(fù)性,從ADNI數(shù)據(jù)集中選擇29例阿爾茨海默癥患者和30例健康被試,分別基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)視角計(jì)算多層網(wǎng)絡(luò)拓?fù)鋵傩?通過(guò)組間差異顯著的腦區(qū)特征實(shí)現(xiàn)分類,并對(duì)比不同多層網(wǎng)絡(luò)拓?fù)鋵傩杂?jì)算方法及融合所有特征的方法的分類性能,具體效果如表5所示。

表5 ADNI數(shù)據(jù)集下不同方法的分類結(jié)果

結(jié)果顯示基于極差、相對(duì)極差、離散系數(shù)視角的分類準(zhǔn)確率高于基于均值和標(biāo)準(zhǔn)差視角的分類準(zhǔn)確率,同時(shí),多視角融合特征具有最好的分類效果。這表明,本研究所提出的方法在不同的數(shù)據(jù)集下具有可擴(kuò)展性,可以更有效的診斷疾病。

3 方法論

鑒于目前針對(duì)多層網(wǎng)絡(luò)拓?fù)渲笜?biāo)的計(jì)算存在泛化性差、考量角度單一的缺點(diǎn),本研究在現(xiàn)有的基于均值、標(biāo)準(zhǔn)差計(jì)算多層網(wǎng)絡(luò)拓?fù)鋵傩缘幕A(chǔ)上提出了基于極差、相對(duì)極差、離散系數(shù)計(jì)算多層網(wǎng)絡(luò)拓?fù)鋵傩缘姆椒?同時(shí)融合所有特征進(jìn)行分析,從而表征大腦的時(shí)變特性,尋找組間差異特征實(shí)現(xiàn)對(duì)疾病的分類。雖然最終結(jié)果被證明與數(shù)據(jù)集無(wú)關(guān),但仍會(huì)受到一些重要參數(shù)的影響,因此,本研究分析了在自閉癥數(shù)據(jù)集的實(shí)驗(yàn)中涉及的參數(shù)(如滑動(dòng)窗口長(zhǎng)度、滑動(dòng)窗口步長(zhǎng)、支持向量機(jī)分類模型參數(shù)c和g)的選擇對(duì)分類準(zhǔn)確率的影響。

3.1 滑動(dòng)窗口長(zhǎng)度

滑動(dòng)窗口長(zhǎng)度的大小會(huì)影響整體時(shí)間窗的數(shù)量和單層網(wǎng)絡(luò)的構(gòu)建,從而最終影響多層腦網(wǎng)絡(luò)的構(gòu)建。因此,在針對(duì)自閉癥數(shù)據(jù)集的實(shí)驗(yàn)中,固定其他參數(shù),研究滑動(dòng)窗口長(zhǎng)度分別為70、80、90、100、110、120 s時(shí)疾病的分類結(jié)果。如圖6所示,當(dāng)滑動(dòng)窗口長(zhǎng)度為100 s時(shí)基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)及特征融合視角的方法均獲得最高的分類準(zhǔn)確率。這表明過(guò)小的滑動(dòng)窗口長(zhǎng)度可能導(dǎo)致相似的時(shí)間序列被劃分到不同的窗口,從而包含很多冗余特征,造成分類結(jié)果較差。而滑動(dòng)窗口長(zhǎng)度過(guò)大使得時(shí)間窗數(shù)量較少,進(jìn)而導(dǎo)致時(shí)變特性不明顯,因此最終的分類準(zhǔn)確率較低。

圖6 不同滑動(dòng)窗口長(zhǎng)度的分類結(jié)果Fig.6 Classification results of different sliding window lengths

3.2 滑動(dòng)窗口步長(zhǎng)

除滑動(dòng)窗口長(zhǎng)度外,滑動(dòng)窗口步長(zhǎng)也會(huì)影響多層腦功能網(wǎng)絡(luò)的構(gòu)建。因此,如圖7所示,在固定其他參數(shù)的基礎(chǔ)上,研究滑動(dòng)窗口步長(zhǎng)分別為1、2、3、4、5、6 TR時(shí)自閉癥的分類結(jié)果。

圖7 不同滑動(dòng)窗口步長(zhǎng)的分類結(jié)果Fig.7 Classification results of different sliding window steps

結(jié)果顯示,當(dāng)滑動(dòng)窗口步長(zhǎng)為1 TR時(shí)基于均值、極差、相對(duì)極差、標(biāo)準(zhǔn)差、離散系數(shù)及特征融合視角的方法均獲得最高的分類準(zhǔn)確率。同時(shí)分類準(zhǔn)確率隨著滑動(dòng)窗口步長(zhǎng)的增大而降低。這表明滑動(dòng)窗口步長(zhǎng)越大,劃分的時(shí)間窗數(shù)量越少,導(dǎo)致可能沒(méi)有充分體現(xiàn)腦網(wǎng)絡(luò)的時(shí)變特性,進(jìn)而分類效果較差。

3.3 SVM分類模型參數(shù)的影響

SVM分類模型適用于具有高維特征和小樣本特性的數(shù)據(jù)集,被廣泛應(yīng)用于腦疾病研究中。而RBF核函數(shù)不受樣本數(shù)量的影響且可以解決線性不可分問(wèn)題。因此,使用RBF核函數(shù)構(gòu)建分類模型。

在SVM模型中懲罰因子c和核參數(shù)g的不同取值會(huì)導(dǎo)致不同的分類結(jié)果。c表示對(duì)誤差的容忍度,其值過(guò)大或過(guò)小均會(huì)導(dǎo)致泛化能力變差;g隱含的決定原始特征數(shù)據(jù)映射到高維特征空間的分布情況,從而影響訓(xùn)練和預(yù)測(cè)的速度。因此,c和g的合理組合對(duì)分類器模型的構(gòu)建至關(guān)重要。

本研究在針對(duì)自閉癥數(shù)據(jù)集的實(shí)驗(yàn)中,設(shè)置參數(shù)c和g的范圍為[2-8, 28],步長(zhǎng)為1,采用網(wǎng)格搜索方法選取最優(yōu)的c、g組合構(gòu)建分類模型。具體來(lái)說(shuō),將訓(xùn)練集當(dāng)作原始數(shù)據(jù)集,針對(duì)每一組給定的c和g的值,使用K折交叉驗(yàn)證計(jì)算分類準(zhǔn)確率,選取最高分類準(zhǔn)確率對(duì)應(yīng)的c和g的值作為最佳參數(shù)組合。由于基于融合特征方法的分類效果最好,本研究展示了此方法下c和g的參數(shù)尋優(yōu)結(jié)果。如圖8所示,當(dāng)c的值為1,g的值為0.25時(shí)得到最好的訓(xùn)練集驗(yàn)證分類效果,其準(zhǔn)確率為92.135%。

圖8 c和g的參數(shù)尋優(yōu)結(jié)果Fig.8 Parameter optimization results of c and g

4 結(jié)論

本研究考慮了大腦跨腦區(qū)交互作用的時(shí)間變化,利用滑動(dòng)窗口技術(shù)構(gòu)建多層腦功能網(wǎng)絡(luò)來(lái)表征時(shí)變特性。鑒于已有的研究中針對(duì)多層網(wǎng)絡(luò)拓?fù)渲笜?biāo)的計(jì)算方法泛化能力差、考量角度不全面的現(xiàn)狀,在基于均值和標(biāo)準(zhǔn)差計(jì)算多層網(wǎng)絡(luò)拓?fù)鋵傩缘幕A(chǔ)上,提出了基于極差、相對(duì)極差、離散系數(shù)表征多層網(wǎng)絡(luò)拓?fù)涮卣?研究異常拓?fù)鋵傩圆?shí)現(xiàn)分類。

結(jié)果顯示,無(wú)論是ABIDE數(shù)據(jù)集還是ADNI數(shù)據(jù)集,基于相對(duì)極差、離散系數(shù)視角的分類準(zhǔn)確率均顯著高于傳統(tǒng)基于均值和標(biāo)準(zhǔn)差的分類準(zhǔn)確率,這表明本研究提出的方法可以更好地識(shí)別疾病且具有可擴(kuò)展性。同時(shí)基于融合特征的分類性能優(yōu)于任意單一視角下的分類性能。因此,從多個(gè)角度表征多層網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)具有較好的疾病診斷效果。

但本研究仍存在局限性。首先,鑒于數(shù)據(jù)量較少實(shí)驗(yàn)采用傳統(tǒng)統(tǒng)計(jì)分析方法選擇特征并使用機(jī)器學(xué)習(xí)實(shí)現(xiàn)分類,將來(lái)納入更多樣本后可以使用深度學(xué)習(xí)方法進(jìn)行分類。其次,本研究使用度、離心率、介數(shù)中心度三個(gè)局部屬性進(jìn)行分析,忽略了整體角度對(duì)多層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的影響,將來(lái)可以結(jié)合全局指標(biāo)進(jìn)行實(shí)驗(yàn)。最后,靜態(tài)功能連接網(wǎng)絡(luò)和動(dòng)態(tài)多層功能連接網(wǎng)絡(luò)為大腦交互提供互補(bǔ)信息,將來(lái)可以把兩者結(jié)合起來(lái),研究其對(duì)疾病診斷的貢獻(xiàn)。