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

技术特征：
1.一种基于脑网络特征的孤独症幼儿分类方法，其特征在于，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；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；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。2.根据权利要求1所述的基于脑网络特征的孤独症幼儿分类方法，其特征在于，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：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；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；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；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。3.根据权利要求2所述的基于脑网络特征的孤独症幼儿分类方法，其特征在于，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：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；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；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；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；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；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；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。4.根据权利要求3所述的基于脑网络特征的孤独症幼儿分类方法，其特征在于，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：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。5.根据权利要求2所述的基于脑网络特征的孤独症幼儿分类方法，其特征在于，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：
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；计算任意两个脑区i，j的时间序列均值x
i
，x
j
，i，j∈{1，...，m}之间的皮尔逊相关系数r
i，j
；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；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
；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；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。6.根据权利要求5所述的基于脑网络特征的孤独症幼儿分类方法，其特征在于，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：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；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；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
。7.根据权利要求5所述的基于脑网络特征的孤独症幼儿分类方法，其特征在于，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：根据所述脑网络图得到所述第一图论指标为其中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，k
i
为与所述脑区i与其他脑区之间存在的连接数；e
i
为脑网络节点i与相邻脑网络节点组成的子网络图g
i
中实际存在的边数，g为所述脑网络图；根据所述脑网络图得到所述第二图论指标为其中e(g
i
)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g
i
的局部效率。8.一种基于脑网络特征的孤独症幼儿分类装置，其特征在于，所述装置包括：训练样本获取模块，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；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；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。9.一种智能终端，其特征在于，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，实现如权利要求1-7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。10.一种计算机可读存储介质，其特征在于，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，实现如权利要求1-7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。

技术总结
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。敏感性和特异性。敏感性和特异性。


技术研发人员：秦鹏民 周力伟 聂晶鑫 张龚巍
受保护的技术使用者：华南师大（清远）科技创新研究院有限公司
技术研发日：2022.07.28
技术公布日：2022/11/11