一种基于脑网络特征的孤独症幼儿分类方法及装置与流程

1.本发明涉及于医学影像图像处理领域，具体涉及一种基于脑网络特征的孤独症幼儿分类方法及装置。


背景技术：

2.孤独症谱系障碍(autism spectrum disorders，asd)是一组有神经基础的广泛性发展障碍。有研究表明早在孩子出生时或更早时就已经患上asd。近年来asd幼儿的患病率显著增加，社会各界开始密切关注asd幼儿的病因、症状、诊断和治疗方法等。因此寻找有效的分类生物标记并构建分类模型对asd与典型发育幼儿(typical development，td)进行分类，可以更好地理解asd幼儿大脑发育异常的神经机制。
3.静息态功能磁共振成像(resting state functional magnetic resonance imaging，rs-fmri)以其具有非侵入、高分辨率的优点，被广泛应用于医学领域的各种脑部疾病的检测。因此，利用静息态功能磁共振成像技术对孤独症患者的大脑功能网络进行有效建模，有助于检测生物标记物，以便更好地研究孤独症患者的大脑神经活动。但现有技术在建模时都选取单一的脑网络间功能连接或脑网络的图论指标的分类模型，导致支持向量机分类器的分类准确率不高。
4.因此，现有技术还有待于改进和发展。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种一种基于脑网络特征的孤独症幼儿分类方法及装置，旨在解决现有技术在建模时都选取单一的脑网络间功能连接或脑网络的图论指标的分类模型，导致支持向量机分类器的分类准确率不高的问题。
6.本发明解决技术问题所采用的技术方案如下：
7.第一方面，本发明提供一种基于脑网络特征的孤独症幼儿分类方法，其中，所述方法包括：
8.获取不同年龄段的待测幼儿的静息态功能磁共振成像数据，并进行数据预处理，得到训练样本；其中，所述预处理包括：格式转换、去除前3个时间点的数据、层间时间校正、头动校正、结构功能图像配准、空间标准化、空间平滑、带通滤波和去除生理噪音；
9.基于所述训练样本选取特征向量，并对所述特征向量进行训练，得到支持向量机分类器；
10.获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到所述支持向量机分类器进行分类，得到分类结果。
11.在一种实现方式中，所述基于所述训练样本选取特征向量，并对所述特征向量进行训练，得到支持向量机分类器，包括：
12.获取每个所述训练样本的静息态脑网络，根据所述静息态脑网络得到静息态脑网
络的功能连接矩阵；
13.根据所述静息态脑网络的功能连接矩阵得到有显著差异的脑网络功能连接；
14.获取每个所述静息态脑网络对应的脑区，根据所述脑区构建脑网络图，并根据所述脑网络图得到第一图论指标和第二图论指标；
15.将所述有显著差异的脑网络功能连接、所述第一图论指标和所述第二图论指标作为所述特征向量，并采用fitcsvm函数对所述特征向量进行训练，得到所述支持向量机分类器。
16.在一种实现方式中，所述获取每个所述训练样本的静息态脑网络，根据所述静息态脑网络得到静息态脑网络的功能连接矩阵，包括：
17.为每个所述训练样本的左右大脑半球分别确定七个静息态脑网络；其中，所述七个静息态脑网络包括：默认网络，执行控制网络，突显网络，背侧注意网络，听觉网络，运动网络，视觉网络；
18.获取所述训练样本中孤独症谱系障碍幼儿的每个静息态脑网络的时间序列均值，得到十四个第一时间序列均值；
19.获取所述训练样本中典型发育幼儿的每个静息态脑网络的时间序列均值，得到十四个第二时间序列均值；
20.计算任意两个第一时间序列均值之间的皮尔逊相关系数，得到第一相关系数；
21.计算任意两个第二时间序列均值之间的皮尔逊相关系数，得到第二相关系数；
22.根据所述第一相关系数，得到第一静息态脑网络的功能连接矩阵；
23.根据所述第二相关系数，得到第二静息态脑网络的功能连接矩阵。
24.在一种实现方式中，所述根据所述静息态脑网络的功能连接矩阵得到有显著差异的脑网络功能连接，包括：
25.将所述第一静息态脑网络的功能连接矩阵和所述第二静息态脑网络的功能连接矩阵进行置换检验和多重比较矫正，得到所述有显著差异的脑网络功能连接。
26.在一种实现方式中，所述获取每个所述静息态脑网络对应的脑区，根据所述脑区构建脑网络图，并根据所述脑网络图得到第一图论指标和第二图论指标，包括：
27.获取每个所述静息态脑网络对应的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区对应的脑网络节点；其中，所述脑区的时间序列均值为所述脑区中所有体素的时间序列的算术均平均值；
28.计算任意两个脑区i，j的时间序列均值xi，xj，i，j∈{1，...，m}之间的皮尔逊相关系数r
i，j
；
29.根据所述皮尔逊相关系数r
i，j
，得到所述脑区的功能连接矩阵r＝(r
i，j
)m×m×n，其中m为脑区的个数，n为所述训练样本的个数；
30.将所述脑区的功能连接矩阵r进行二值化处理，得到二值化脑网络矩阵w＝(b
i，j
)m×m×n；
31.根据所述脑网络节点和所述二值化脑网络矩阵得到脑网络图；
32.根据所述脑网络图得到所述第一图论指标和所述第二图论指标。
33.在一种实现方式中，所述将所述脑区的功能连接矩阵r进行二值化处理，得到二值化脑网络矩阵w＝(b
i，j
)m×m×n，包括：
34.若所述脑区的功能连接矩阵中的皮尔逊相关系数r
i，j
大于或等于预设的第一阈值γ，则连通系数b
i，j
＝1，脑区i，j之间存在一条连接，即对应的脑网络节点之间存在一条边；
35.若所述脑区的功能连接矩阵中的皮尔逊相关系数r
i，j
小于预设的第一阈值γ，则所述连通系数b
i，j
＝0，脑区i，j之间不存在连接，即对应的脑网络节点之间不存在边；
36.根据所述连通系数得到所述二值化脑网络矩阵w＝(b
i，j
)m×m×n。
37.在一种实现方式中，所述根据所述脑网络图得到所述第一图论指标和所述第二图论指标，包括：
38.根据所述脑网络图得到所述第一图论指标为
[0039][0040]
其中v为所有脑网络节点组成的集合，为脑网络节点i的聚类系数，ki为与所述脑区i与其他脑区之间存在的连接数；ei为脑网络节点i与相邻脑网络节点组成的子网络图gi中实际存在的边数，g为所述脑网络图；
[0041]
根据所述脑网络图得到所述第二图论指标为
[0042][0043]
其中e(gi)为与脑网络节点i相邻的脑网络节点所构成的脑网络子图gi的局部效率。
[0044]
第二方面，本发明实施例还提供一种基于脑网络特征的孤独症幼儿分类装置，其中，所述装置包括：
[0045]
年龄采集模块，用于采集待测幼儿的年龄；
[0046]
训练样本获取模块，用于根据所述年龄采集静息态功能磁共振成像数据，并进行数据预处理，得到训练样本；
[0047]
支持向量机分类器获取模块，用于基于所述训练样本选取特征向量，并对所述特征向量进行训练得到支持向量机分类器；
[0048]
分类模块，用于获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到所述支持向量机分类器进行分类，得到分类结果。
[0049]
第三方面，本发明实施例还提供一种智能终端，其中，所述智能终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于脑网络特征的孤独症幼儿分类程序，所述处理器执行所述基于脑网络特征的孤独症幼儿分类程序时，实现如上述方案中任一项所述的基于脑网络特征的孤独症幼儿分类方法的步骤。
[0050]
第四方面，本发明实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有基于脑网络特征的孤独症幼儿分类程序，所述基于脑网络特征的孤独症幼儿分类程序被处理器执行时，实现如上述方案中任一项所述的基于脑网络特征的孤独症幼儿分类方法的步骤。
[0051]
有益效果：与现有技术相比，本发明提供了一种基于脑网络特征的孤独症幼儿分类方法，首先获取不同年龄段的待测幼儿的静息态功能磁共振成像数据，并进行数据预处理，以最大化的减少被试在数据采集过程中因头动、设备噪音以及生理噪音产生的影响，得到训练样本，然后再基于所述训练样本选取特征向量，在特征选取时结合脑网络间的功能
连接和脑网络的图论指标得到多个特征向量，提高了支持向量机分类器的准确率、敏感性和特异性，最后获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到支持向量机分类器进行分类，以将孤独症谱系障碍幼儿和典型发育幼儿进行区分。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0053]
图1是本发明实施例提供的基于脑网络特征的孤独症幼儿分类方法的具体实施方式的流程图。
[0054]
图2是本发明实施例提供的18-24月组的支持向量机的分类效果图。
[0055]
图3是本发明实施例提供的25-48月组的支持向量机的分类效果图。
[0056]
图4是本发明实施例提供的基于脑网络特征的孤独症幼儿分类装置的原理框图。
[0057]
图5是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
[0058]
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0059]
近年来孤独症谱系障碍(autism spectrum disorders，asd)幼儿的患病率显著增加，社会各界开始密切关注asd幼儿的病因、症状、诊断和治疗方法等。因此寻找有效的分类生物标记并构建分类模型对asd与典型发育幼儿(typical development，td)进行分类，可以更好地理解asd幼儿大脑发育异常的神经机制。静息态功能磁共振成像(resting state functional magnetic resonance imaging，rs-fmri)以其具有非侵入、高分辨率的优点，被广泛应用于医学领域的各种脑部疾病的检测。因此，利用静息态功能磁共振成像技术对孤独症患者的大脑功能网络进行有效建模，有助于检测生物标记物，以便更好地研究孤独症患者的大脑神经活动。但现有技术在建模时都选取单一的脑网络间功能连接或脑网络的图论指标的分类模型，导致支持向量机分类器的分类准确率不高。
[0060]
因此，为了解决上述问题，本实施例提供一种基于脑网络特征的孤独症幼儿分类方法，通过本实施例的方法可在特征选取时结合脑网络间的功能连接和脑网络的图论指标，更好地揭示孤独症谱系障碍幼儿大脑发育异常的神经机制，提高了支持向量机分类器的准确率、敏感性和特异性。具体实施时，本实施例首先获取不同年龄段的待测幼儿的静息态功能磁共振成像数据，并进行数据预处理，得到训练样本，然后再基于所述训练样本选取特征向量，并对所述特征向量进行训练，得到支持向量机分类器，最后获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到所述支持向量机分类器进行分类，这样，就得到了待分类的静息态功能磁共振成像数据的分类结果。
[0061]
示例性方法
[0062]
本实施例提供一种基于脑网络特征的孤独症幼儿分类方法。如图1所示，所述方法包括如下步骤：
[0063]
步骤s10、获取不同年龄段的待测幼儿的静息态功能磁共振成像数据，并进行数据预处理，得到训练样本；其中，所述预处理包括：格式转换、去除前3个时间点的数据、层间时间校正、头动校正、结构功能图像配准、空间标准化、空间平滑、带通滤波和去除生理噪音。
[0064]
静息态功能磁共振成像(rsfmri)是指对受试者进行的功能磁共振成像扫描，成像过程中受试者不需要有任何有意识的思维活动，也没有明确要求受试者做出其他运动、感知或认知过程。在成像过程中，可给受试幼儿注射镇定剂，以诱导和维持幼儿处于麻醉状态，再进行磁共振数据的收集。这种实验上的简单性使得rsfmri数据易于收集和共享，适合种间比较，是生物标志物开发的理想选择。
[0065]
具体地，本实施例以24个月的月龄为界线，将asd幼儿和td幼儿分为18-24月组和25-48月组进行静息态功能磁共振成像数据数据的采集，使用afni(analysis offunctional neuro images)对采集的静息态功能磁共振数据(rs-fmri)进行预处理，所述预处理包括：格式转换，即将静息态功能磁共振数据转换为afni格式、去除前3个时间点、层间时间校正、头动校正、结构-功能图像配准、空间标准化、空间平滑、带通(0.01-0.1hz)滤波和去除生理噪音(脑脊液、白质的平均信号)。通过以上步骤能最大化的减少被试在数据采集过程中因头动、设备噪音以及生理噪音产生的影响。其中，去除前3个时间点的数，是考虑到磁共振机器在启动时磁场不均匀的情况。进行层间时间校正是由于磁共振数据在采集时是隔层进行扫描，这会导致扫描不同层之间存在时间上的差异，因而需要使用插值法进行层间校正。此外，由于被者在磁共振实验中会产生头动，而头动对于数据质量产生较大影响，为了排除头动较大的采样点的影响，需要依据参照时间点进行头动校正。最终，个体功能影像数据被投射到标准空间，得到18-24月组和25-48月组的训练样本。
[0066]
步骤s20、基于所述训练样本选取特征向量，并对所述特征向量进行训练，得到支持向量机分类器。
[0067]
支持向量机(support vectormachine,svm)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。svm使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。svm可以通过核方法进行非线性分类，是常见的核学习方法之一。
[0068]
具体地，本实施例中的支持向量机分类器是用于基于个体的特征向量区分的asd/td幼儿的二分分类器，分别输入18-24月组和25-48月组的静息态功能磁共振成像数据构成的的训练样本的特征向量，并分别对18-24月组和25-48月组的特征向量进行训练，得到18-24月组的支持向量机分类器和25-48月组的支持向量机分类器。
[0069]
在一种实现方式中，本实施例所述步骤s20包括如下步骤：
[0070]
步骤s21、获取每个所述训练样本的静息态脑网络，根据所述静息态脑网络得到静息态脑网络的功能连接矩阵；
[0071]
步骤s22、根据所述静息态脑网络的功能连接矩阵得到有显著差异的脑网络功能连接；
[0072]
步骤s23、获取每个所述静息态脑网络对应的脑区，根据所述脑区构建脑网络图，并根据所述脑网络图得到第一图论指标和第二图论指标；
[0073]
步骤s24、将所述有显著差异的脑网络功能连接、所述第一图论指标和所述第二图论指标作为所述特征向量，并采用fitcsvm函数对所述特征向量进行训练，得到所述支持向量机分类器。
[0074]
静息态脑网络由解剖学上分离但功能连接的大脑区域组成，静息态脑网络有多个，可在休息期间表现出高水平的持续功能连接。除了形成多个静息态网络外，人脑形成一个集成的复杂网络，将所有脑区和子网络连接到一个复杂的系统中。使用图论分析方法可以检查大脑网络的整体拓扑结构，可以揭示有关功能脑网络局部和全局的信息。在本实施例中，采用图论指标作为训练样本的特征向量，可以更清晰地反映出asd幼儿大脑发育异常的神经机制。
[0075]
具体地，本实施例通过获取到的静息态脑网络得到静息态脑网络的功能连接矩阵，通过将功能连接矩阵进行比对，得到有显著差异的脑网络功能连接。所述有显著差异的脑功能连接用于反映asd幼儿和td幼儿的功能连接矩阵的差异程度，结合脑网络图论中得到第一图论指标和第二图论指标就得到了训练样本的特征向量。最后，使用matlab自带函数fitcsvm对特征向量进行训练，得到18-24月和25-48月组的支持向量机的分类器。fitcsvm支持使用核函数映射预测数据，并支持通过二次规划实现目标函数最小化的顺序最小优化，迭代单数据算法，或l1软边界最小化。fitcsvm共支持三类核函数：线性核“linear”,多项式核“polynomial”,以及高斯核“rbf”或者“gaussian”，经过测试，采用线性核“linear”时，分类效果最好，然后对训练数据采用leave one out交叉验证法进行参数优化。如图2、图3所示，分别绘制了18-24月组和25-48月组的两个支持向量机的roc曲线以评估支持向量机的分类效果。
[0076]
在一种实现方式中，本实施例所述步骤s21包括如下步骤：
[0077]
步骤s211、为每个所述训练样本的左右大脑半球分别确定七个静息态脑网络；其中，所述七个静息态脑网络包括：默认网络，执行控制网络，突显网络，背侧注意网络，听觉网络，运动网络，视觉网络；
[0078]
步骤s212、获取所述训练样本中孤独症谱系障碍幼儿的每个静息态脑网络的时间序列均值，得到十四个第一时间序列均值；
[0079]
步骤s213、获取所述训练样本中典型发育幼儿的每个静息态脑网络的时间序列均值，得到十四个第二时间序列均值；
[0080]
步骤s214、计算任意两个第一时间序列均值之间的皮尔逊相关系数，得到第一相关系数；
[0081]
步骤s215、计算任意两个第二时间序列均值之间的皮尔逊相关系数，得到第二相关系数；
[0082]
步骤s216、根据所述第一相关系数，得到第一静息态脑网络的功能连接矩阵；
[0083]
步骤s217、根据所述第二相关系数，得到第二静息态脑网络的功能连接矩阵。
[0084]
具体地，为左右大脑半球分别确定七个静息态脑网络，生成7个感兴趣区以代表七个静息态脑网络，提取这7个感兴趣区的时间序列(所有体素中的时间序列)的均值。这七个脑网络分别是：默认网络(dmn)，执行控制网络(ecn)，突显网络(sn)，背侧注意网络(dan)，听觉网络(an)，运动网络(smt)，视觉网络(vn)。根据asd幼儿组和td幼儿组，采用皮尔逊相关计算分别确认任意两个脑网络的相关系数，从而得到asd幼儿的第一静息态脑网络的功
能连接矩阵和td幼儿的第二静息态脑网络的功能连接矩阵。其中皮尔逊相关系数(pearson correlation coefficient)，又称皮尔逊积矩相关系数(pearson product-moment correlation coefficient，简称ppmcc或pccs)，是用于度量两个变量之间的相关程度。将asd幼儿组和td幼儿组的相关系数分别汇总，即得到了asd幼儿组和td幼儿组的静息态脑网络的功能连接矩阵。
[0085]
在一种实现方式中，本实施例所述步骤s22包括如下步骤：
[0086]
步骤s221、将所述第一静息态脑网络的功能连接矩阵和所述第二静息态脑网络的功能连接矩阵进行置换检验和多重比较矫正，得到所述有显著差异的脑网络功能连接。
[0087]
具体地，采用皮尔逊相关计算任意两个脑网络的相关系数并得到每个被试者的静息态脑网络的功能连接矩阵后，分别对18-24月组的asd幼儿和td幼儿的功能连接矩阵以及25-48月组的asd幼儿和td幼儿的功能连接矩阵进行置换检验并做多重比较矫正，从而找到两个年龄组的asd幼儿与td幼儿有显著差异的脑网络功能连接。
[0088]
在一种实现方式中，本实施例所述步骤s23包括如下步骤：
[0089]
步骤s231、获取每个所述静息态脑网络对应的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区对应的脑网络节点；其中，所述脑区的时间序列均值为所述脑区中所有体素的时间序列的算术均平均值；
[0090]
步骤s232、计算任意两个脑区i，j的时间序列均值xi，xj，i，j∈{1，...，m}之间的皮尔逊相关系数r
i，j
；
[0091]
步骤s233、根据所述皮尔逊相关系数r
i，j
，得到所述脑区的功能连接矩阵r＝(r
i，j
)m×m×n，其中m为脑区的个数，n为所述训练样本的个数；
[0092]
步骤s234、将所述脑区的功能连接矩阵r进行二值化处理，得到二值化脑网络矩阵w＝(b
i，j
)m×m×n；
[0093]
步骤s235、根据所述脑网络节点和所述二值化脑网络矩阵得到脑网络图；
[0094]
步骤s236、根据所述脑网络图得到所述第一图论指标和所述第二图论指标。
[0095]
静息态脑网络在大脑的各个区域和子区域之间有关联和连接，而网络之间的动态连接又构成了一个更大的单一网络。图论方法主要研究节点与边的关系，使用图论方法，功能性脑网络可以定义为图g＝(v，e)，其中v是反映脑区域的节点集合，e是这些脑区域之间的功能连接(也称为边)，用来描述节点之间的相互作用。在脑网络图论分析中，可以通过不同的图论指标来展示静息态脑网络连接性的特征。
[0096]
具体地，在本实施例中，选择七个静息态脑网络所对应的脑区，并分别提取每个脑区的时间序列(所有体素中的时间序列)的均值，作为每个脑区的脑网络节点，用i，j表示脑网络节点的区分符，得到m个脑网络节点构成的脑网络节点集合v，其中m为脑区数。采用皮尔逊相关计算两个脑区平均时间序列之间的相关系数r
i，j
，作为脑网络节点的边，得到被试静息态脑网络所对应脑区的功能连接矩阵。再将功能连接矩阵进行二值化处理，得到二值化脑网络矩阵。本实施例中，通过脑网络节点和所述二值化脑网络矩阵得到脑网络图，进而根据图论理论得到脑网络图的图论指标。
[0097]
在一种实现方式中，本实施例所述步骤s234包括如下步骤：
[0098]
步骤s2341、若所述脑区的功能连接矩阵中的皮尔逊相关系数r
i，j
大于或等于预设的第一阈值γ，则连通系数b
i，j
＝1，脑区i，j之间存在一条连接，即对应的脑网络节点之间
存在一条边；
[0099]
步骤s2342、若所述脑区的功能连接矩阵中的皮尔逊相关系数r
i，j
小于预设的第一阈值γ，则所述连通系数b
i，j
＝0，脑区i，j之间不存在连接，即对应的脑网络节点之间不存在边；
[0100]
步骤s2343、根据所述连通系数得到所述二值化脑网络矩阵w＝(b
i，j
)m×m×n。
[0101]
具体地，用gretna软件分别计算18-24月组的asd幼儿和td幼儿以及25-48月组的asd幼儿和td幼儿的图论指标。首先设置两个脑网络节点i和j间的连通性：第一阈值γ通过一定的稀疏度cost来设置，所述稀疏度cost的值为百分比。例如将相关系数r
i，j
按照从大到小排序，若定义cost＝10％，则前10％的相关系数r
i，j
被认为是连通，后90％的相关系数r
i，j
被认为是不连通的。确定第一阈值γ后，若相关系数r
i，j
大于或等于预设第一阈值γ，则连通系数b
i，j
＝1，脑区i，j之间存在一条连接，即对应的脑网络节点之间存在一条边；否则b
i，j
＝0，从而得到脑网络r＝(r
i，j
)m×m×n的二值化脑网络w＝(b
i，j
)m×m×n，其中n为训练样本数。在本实施例中，将cost的取值范围定为[2％，50％]，预设步长为1％，仅考虑正相关。为了避免单独选择阈值，本实施例应用了曲线下面积(area under curve，auc)方法，此方法广泛应用于基于图论的网络研究。对于每个图论指标，auc是在定义的阈值范围内计算的。
[0102]
在一种实现方式中，本实施例所述步骤s236包括如下步骤：
[0103]
步骤s2361、根据所述脑网络图得到所述第一图论指标为
[0104][0105]
其中v为所有脑网络节点组成的集合，为脑网络节点i的聚类系数，ki为与所述脑区i与其他脑区之间存在的连接数；ei为脑网络节点i与相邻脑网络节点组成的子网络图gi中实际存在的边数，g为所述脑网络图；
[0106]
步骤s2361、根据所述脑网络图得到所述第二图论指标为
[0107][0108]
其中e(gi)为与脑网络节点i相邻的脑网络节点所构成的脑网络子图gi的局部效率。
[0109]
具体地，本发明选择计算了两种常用的图论指标：网络平均聚类系数和网络平均局部效率，其中网络平均聚类系数为第一图论指标，网络平均局部效率为第二图论指标。聚类系数是描述脑网络的某一节点与其相连节点之间聚集成团的程度的系数，网络平均聚类系数的计算公式为：系数的计算公式为：局部效率是节点邻域内节点局部效率的平均值，被认为是节点被移除时网络容错性的指标，网络平均局部效率的计算公式为：为是节点被移除时网络容错性的指标，网络平均局部效率的计算公式为：
[0110]
步骤s300、获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到所述支持向量机分类器进行分类，得到分类结果。
[0111]
具体地，输入待分类的静息态功能磁共振数据，并采用提取训练样本的特征向量相同的方式，提取待分类的静息态功能磁共振数据的特征向量；并输入支持向量机分类器
得到分类结果，其中18-24月组的分类的准确率达到88％，即8个样本中，有7个被分类器正确识别，25-48月组的分类的准确率达到83％，即12个样本中，有10个被分类器正确识别，参见表1。
[0112]
表1.训练样本分类结果
[0113][0114]
示例性装置
[0115]
如图4中所示，本实施例还提供一种基于脑网络特征的孤独症幼儿分类装置，该装置包括：
[0116]
训练样本获取模块10，用于获取不同年龄段的待测幼儿的静息态功能磁共振成像数据，并进行数据预处理，得到训练样本；
[0117]
支持向量机分类器获取模块20，用于基于所述训练样本选取特征向量，并对所述特征向量进行训练得到支持向量机分类器；
[0118]
分类模块30，用于获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到所述支持向量机分类器进行分类，得到分类结果。
[0119]
在一种实现方式中，所述支持向量机分类器获取模块20包括：
[0120]
功能连接矩阵获取单元，用于获取每个所述训练样本的静息态脑网络，根据所述静息态脑网络得到静息态脑网络的功能连接矩阵；
[0121]
有显著差异的脑网络功能连接获取单元，用于根据所述静息态脑网络的功能连接矩阵得到有显著差异的脑网络功能连接；
[0122]
第一图论指标和第二图论指标获取单元，用于获取每个所述静息态脑网络对应的脑区，根据所述脑区构建脑网络图，并根据所述脑网络图得到第一图论指标和第二图论指标；
[0123]
支持向量机分类器获取单元，用于将所述有显著差异的脑网络功能连接、所述第一图论指标和所述第二图论指标作为所述特征向量，并采用fitcsvm函数对所述特征向量进行训练，得到所述支持向量机分类器。
[0124]
在一种实现方式中，所述功能连接矩阵获取单元包括：
[0125]
静息态脑网络获取子单元，用于为每个所述训练样本的左右大脑半球分别确定七个静息态脑网络；其中，所述七个静息态脑网络包括：默认网络，执行控制网络，突显网络，背侧注意网络，听觉网络，运动网络，视觉网络；
[0126]
第一时间序列均值获取子单元，用于获取所述训练样本中孤独症谱系障碍幼儿的每个静息态脑网络的时间序列均值，得到十四个第一时间序列均值；
[0127]
第二时间序列均值获取子单元，用于获取所述训练样本中典型发育幼儿的每个静息态脑网络的时间序列均值，得到十四个第二时间序列均值；
[0128]
第一相关系数获取子单元，用于计算任意两个第一时间序列均值之间的皮尔逊相关系数，得到第一相关系数；
[0129]
第二相关系数获取子单元，用于计算任意两个第二时间序列均值之间的皮尔逊相
关系数，得到第二相关系数；
[0130]
第一静息态脑网络的功能连接矩阵获取子单元，用于根据所述第一相关系数，得到第一静息态脑网络的功能连接矩阵；
[0131]
第二静息态脑网络的功能连接矩阵获取子单元，用于根据所述第二相关系数，得到第二静息态脑网络的功能连接矩阵；
[0132]
在一种实现方式中，所述有显著差异的脑网络功能连接获取单元包括：
[0133]
有显著差异的脑网络功能连接获取子单元，用于将所述第一静息态脑网络的功能连接矩阵和所述第二静息态脑网络的功能连接矩阵进行置换检验和多重比较矫正，得到所述有显著差异的脑网络功能连接；
[0134]
在一种实现方式中，所述有显著差异的脑网络功能连接获取单元包括：
[0135]
脑网络节点获取子单元，用于获取每个所述静息态脑网络对应的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区对应的脑网络节点；其中，所述脑区的时间序列均值为所述脑区中所有体素的时间序列的算术均平均值；
[0136]
皮尔逊相关系数获取子单元，用于计算任意两个脑区i，j的时间序列均值xi，xj，i，j∈{1，...，m}之间的皮尔逊相关系数r
i，j
；
[0137]
功能连接矩阵获取子单元，用于根据所述皮尔逊相关系数r
i，j
，得到所述脑区的功能连接矩阵r＝(r
i，j
)m×m×n，其中m为脑区的个数，n为所述训练样本的个数；
[0138]
二值化脑网络矩阵获取子单元，用于将所述脑区的功能连接矩阵r进行二值化处理，得到二值化脑网络矩阵w＝(b
i，j
)m×m×n；
[0139]
脑网络图获取子单元，用于根据所述脑网络节点和所述二值化脑网络矩阵得到脑网络图；
[0140]
第一图论指标和第二图论指标获取子单元，用于根据所述脑网络图得到所述第一图论指标和所述第二图论指标。
[0141]
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图5所示。该能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该能终端的处理器用于提供计算和控制能力。该能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于脑网络特征的孤独症幼儿分类方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在能终端内部设置，用于检测内部设备的运行温度。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双运营数据率sdram
(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0143]
综上，本发明公开了一种基于脑网络特征的孤独症幼儿分类方法及装置。所述方法包括：获取不同年龄段的待测幼儿的静息态功能磁共振成像数据，并进行数据预处理，得到训练样本；基于所述训练样本选取特征向量，并对所述特征向量进行训练，得到支持向量机分类器；获取待分类的静息态功能磁共振成像数据作为测试样本，并将所述测试样本输入到所述支持向量机分类器进行分类，得到分类结果。本发明的方法在特征选取时结合了脑网络间的功能连接和脑网络的图论指标，能够更好地揭示孤独症谱系障碍幼儿大脑发育异常的神经机制，提高了支持向量机分类器的准确率、敏感性和特异性。
[0144]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。