一种基于图核的动态脑网络状态构建方法

1.本发明涉及动态脑网络状态构建技术领域，特别涉及一种基于图核的动态脑网络状态构建方法。


背景技术：

2.脑疾病严重影响患者的认知功能、意识和心理健康等，给患者带来极大痛苦。脑疾病评估分析主要依赖临床症状，迫切需要客观可靠的生物标记物指导脑疾病评估分析。动态脑网络状态构建被证明是一种有效的评估分析方法，目前，动态脑网络的构建采用l2距离去衡量各个连接矩阵之间的相似性，而忽略了连接矩阵所代表的脑网络其内在的图结构信息，并且是在所有样本集上进行动态脑网络状态构建，而忽视了大脑活动个体的巨大差异性，无法准确刻画每个样本大脑的活动信息，更无法反映具体由疾病引起的连接异常信息。


技术实现要素：

3.为了克服上述现有技术的缺点，本发明的目的在于提供一种基于图核的动态脑网络状态构建方法。
4.本发明为实现上述发明目的，采取的技术方案如下：一种基于图核的动态脑网络状态构建方法，包括以下步骤：
5.s10、使用由静息态功能磁共振数据得到的感兴趣时间序列通过滑动窗构建每个样本的动态连接矩阵，并对所得到动态连接矩阵进行稀疏化，得到结构更为精简的系数动态连接网络；
6.s20、利用最短路径图核构建步骤s10中动态脑网络之间的结构相似性矩阵，为每个网络选择结构最为相似的网络进行合并，构建网络状态，重复上述操作，直至产生设定数目的网络状态；
7.s30、每一个状态均有特征表示，抽取步骤s20中所获得的网络状态的特征，将同一个样本的所有网络状态用一个包表示，则所有状态的特征集合称为包特征，基于包特征，使用多实例分类器，获取最终的分类结果。
8.作为本发明的优选技术方案：所述步骤s10包括以下步骤：
9.s11、给定时间序列其中k＝1,...,k，k为总的样本数，p＝90为所有的感兴趣数目，x
i(k)
＝{x
i(k)
(1),x
i(k)
(2),...,x
i(k)
(n)}
t
为脑区i的时间序列，n为所有时间点个数；
10.s12、设滑动窗是矩形的，则动态脑网络连接矩阵动态脑网络连接矩阵m中脑网络脑区i和脑区j之间的连接权重为：
11.12.其中，m∈[0,n-l 1]是时间窗口的起始点，l是窗口的长度，xi(n)表示脑网络中第i个脑区的第n个时间点的活动值，xj(n)表示脑网络中第j个脑区的第n个时间点的活动值，m
′
＝m l-1；
[0013]
s13、对所得到动态连接矩阵进行稀疏化，保留每个连接矩阵中权重前25％的连接信息，记稀疏后的连接矩阵为a
(k)
＝{a
(k)
[1],a
(k)
[2],...,a
(k)
[m]}，其中m为动态脑网络连接矩阵的个数。
[0014]
作为本发明的优选技术方案：所述步骤s20包括以下步骤：
[0015]
s21、选用最短路径图核衡量步骤s10中所获得的稀疏连接矩阵的相似性，其相似性衡量公式如下：
[0016][0017]
其中，s1是a[1]的一个最短路径，s2是a[2]的一个最短路径，s(a[1])和s(a[2])分别为a[1]和a[2]中所有最短路径的集合，当s1和s2长度相等时δ(s1,s2)为1，否则为0，对所有的连接矩阵求取相似性后，得到最终的相似性矩阵k∈rm×m；
[0018]
s22、根据相似性矩阵k∈rm×m，为每个动态连接矩阵找到最为相似的连接矩阵，随后这些矩阵采用加法聚合的方式进行两两聚合，生成动态网络状态可表示为：
[0019][0020]
其中，表示a[α]与其他连接矩阵被聚合进状态
[0021]
s23、接着对新获取的网络状态，重复步骤s21～步骤s22可以继续求取相似性矩阵并进行聚合，直至达到设定的聚合次数。
[0022]
作为本发明的优选技术方案：所述步骤s30包括以下步骤：
[0023]
s31、经过步骤s10～步骤s20，每个样本将由多个动态网络状态表示，对这些网络状态抽取特征，选用局部聚集系数作为这些动态脑网络的特征，其计算公式如下：
[0024][0025]
其中ki为网络状态第i个脑区的节点度，而ti为网络状态第i个脑区周边三角形的个数，为每个样本构建一个包特征b
(k)
＝{d
(k)
[1],d
(k)
[2],...,d
(k)
[h]}，其中，每个包均对应着一个标签y(k)∈{
±
1}，其中，-1表示阴性即没有患病，1表示阳性即患病；
[0026]
s32、选择多示例支持向量机作为分类器获取最终的分类结果，设最终的分类模式是线性模型：f(d)＝w
′
φ(d)，其中φ是由任意核生成的特征映射，那么多示例支持向量机的目标就是去找到可以最小化结构风险的f：
[0027][0028]
其中ω可以是任何严格单调递增的函数，而l(
·
)为一个单调递增的损失函数，η是一个正则化参数，表示正类样本中最为关键的示例，即最具判别信息的动态脑网络状态，将由这些状态生成的特征向量与正常被试的动态脑网络状态
特征向量进行统计分析，即t检验，将p值小于0.05的脑区作为判别性脑区，以此来准确定位病变脑区。
[0029]
本发明所述的一种基于图核的动态脑网络状态构建方法，采用以上技术方案与现有技术相比，具有以下技术效果：
[0030]
本发明提出的基于图核的动态脑网络状态构建方法，不仅使用了图核替换了传统的矩阵l2距离，从而可以更好的衡量网络之间的相似性，而且本发明设计的算法针对单样本设计，即为每个样本构建动态脑网络状态，从而可以更好得刻画样本特有的脑网络动态活动信息，其可以更好的指导学习算法挖掘疾病相关信息。最后提出了在多示例学习框架下，进行基于动态脑网络的脑疾病识别。在该框架下，可以基于构建的动态脑网络状态为每个样本构建了一个包特征，而不是简单得合并这些特征。本发明方法生成的动态脑网络状态不仅可以提升脑疾病的识别准确率，而且可以有效帮助定位病变脑区。
附图说明
[0031]
图1所示为本发明一实施例的一种基于图核的动态脑网络状态构建方法流程图；
[0032]
图2所示为本发明一实施例的一种基于图核的动态脑网络状态构建方法的整体框图；
[0033]
图3所示为本发明一实施例构建的动态脑网络状态示意图；
[0034]
图4所示为本发明一实施例根据动态脑网络状态选择的判别性脑区示意图。
具体实施方式
[0035]
下面结合附图详细的描述本发明的作进一步的解释说明，以使本领域的技术人员可以更深入地理解本发明并能够实施，但下面通过参考实例仅用于解释本发明，不作为本发明的限定。
[0036]
如图1-4所示，一种基于图核的动态脑网络状态构建方法，包括以下步骤：
[0037]
s10、使用由静息态功能磁共振数据得到的感兴趣时间序列通过滑动窗构建每个样本的动态连接矩阵，并对所得到动态连接矩阵进行稀疏化，得到结构更为精简的系数动态连接网络；
[0038]
s20、利用最短路径图核构建步骤s10中动态脑网络之间的结构相似性矩阵，为每个网络选择结构最为相似的网络进行合并，构建网络状态，重复上述操作，直至产生设定数目的网络状态；
[0039]
s30、每一个状态均有特征表示，抽取步骤s20中所获得的网络状态的特征，将同一个样本的所有网络状态用一个包表示，则所有状态的特征集合称为包特征，基于包特征，使用多实例分类器，获取最终的分类结果。
[0040]
步骤s10包括以下步骤：
[0041]
s11、给定时间序列其中k＝1,...,k，k为总的样本数，p＝90为所有的感兴趣数目，x
i(k)
＝{x
i(k)
(1),x
i(k)
(2),...,x
i(k)
(n)}
t
为脑区i的时间序列，n为所有时间点个数；
[0042]
s12、设滑动窗是矩形的，则动态脑网络连接矩阵动态脑网络连接矩阵m中脑网络脑区i和脑区j之间的连接权重为：
[0043][0044]
其中，m∈[0,n-l 1]是时间窗口的起始点，l是窗口的长度，xi(n)表示脑网络中第i个脑区的第n个时间点的活动值，xj(n)表示脑网络中第j个脑区的第n个时间点的活动值，m
′
＝m l-1；
[0045]
s13、对所得到动态连接矩阵进行稀疏化，保留每个连接矩阵中权重前25％的连接信息，记稀疏后的连接矩阵为a
(k)
＝{a
(k)
[1],a
(k)
[2],...,a
(k)
[m]}，其中m为动态脑网络连接矩阵的个数。
[0046]
步骤s20包括以下步骤：
[0047]
s21、选用最短路径图核衡量步骤s10中所获得的稀疏连接矩阵的相似性，其相似性衡量公式如下：
[0048][0049]
其中，s1是a[1]的一个最短路径，s2是a[2]的一个最短路径，s(a[1])和s(a[2])分别为a[1]和a[2]中所有最短路径的集合，当s1和s2长度相等时δ(s1,s2)为1，否则为0，对所有的连接矩阵求取相似性后，得到最终的相似性矩阵k∈rm×m；
[0050]
s22、根据相似性矩阵k∈rm×m，为每个动态连接矩阵找到最为相似的连接矩阵，随后这些矩阵采用加法聚合的方式进行两两聚合，生成动态网络状态可表示为：
[0051][0052]
其中，表示a[α]与其他连接矩阵被聚合进状态
[0053]
s23、接着对新获取的网络状态，重复步骤s21～步骤s22可以继续求取相似性矩阵并进行聚合，直至达到设定的聚合次数。
[0054]
步骤s30包括以下步骤：
[0055]
s31、经过步骤s10～步骤s20，每个样本将由多个动态网络状态表示，对这些网络状态抽取特征，选用局部聚集系数作为这些动态脑网络的特征，其计算公式如下：
[0056][0057]
其中ki为网络状态第i个脑区的节点度，而ti为网络状态第i个脑区周边三角形的个数，为每个样本构建一个包特征b
(k)
＝{d
(k)
[1],d
(k)
[2],...,d
(k)
[h]}，其中，每个包均对应着一个标签y(k)∈{
±
1}，其中，-1表示阴性即没有患病，1表示阳性即患病；
[0058]
s32、选择多示例支持向量机作为分类器获取最终的分类结果，设最终的分类模式是线性模型：f(d)＝w
′
φ(d)，其中φ是由任意核生成的特征映射，那么多示例支持向量机的目标就是去找到可以最小化结构风险的f：
[0059]
[0060]
其中ω可以是任何严格单调递增的函数，而l(
·
)为一个单调递增的损失函数，η是一个正则化参数，表示正类样本中最为关键的示例，即最具判别信息的动态脑网络状态，将由这些状态生成的特征向量与正常被试的动态脑网络状态特征向量进行统计分析，即t检验，将p值小于0.05的脑区作为判别性脑区，以此来准确定位病变脑区。
[0061]
具体实施后，将本发明专利所提方法与如下7种方法进行对比：
[0062]
1)基于静态网络聚集系数的方法(记作cc)：为对比动态网络的有效性，比较了基于静态网络聚集系数的方法，该方法首先阈值化网络，并使用局部聚集系数提取特征，最后使用支持向量机进行分类。
[0063]
2)基于节点时间动态性的方法(记作tv)：在该方法中，首先根据文献(zhang j,cheng w,liu z,et al.neural,electrophysiological and anatomical basis of brain-network variability and its characteristic changes in mental disorders[j].brain,2016,139(8):2307-2321.)，提取了动态网络的特征，随后使用支持向量机进行分类。
[0064]
3)基于空间-时间节点动态性的方法(记作stv)：在该方法中，根据文献(jie b,liu m,shen d.integration of temporal and spatial properties of dynamic connectivity networks for automatic diagnosis of brain disease[j].medical image analysis,2018,47:81-94.)，提取了动态网络的特征，并进行稀疏特征选择，最后使用多核支持向量机进行分类。
[0065]
4)基于二次平均的方法(记作rms)：在该方法中，使用了文献(hutchison r m,womelsdorf t,allen e a,et al.dynamic functional connectivity:promise,issues,and interpretations[j].neuroimage,2013,80:360-378.)提出的特征抽取方法，随后使用稀疏特征选择的方法进行特征选择，最后使用支持向量机进行分类。
[0066]
5)基于l2矩阵距离的方法(记作l2 misvm)：为验证提出的图核衡量连接矩阵相似性的有效性。使用了传统l2矩阵距离的方式去构建动态网络状态。为保证实验公平，对该矩阵保持了连接权重信息，并在动态网络状态特征提取中使用了加权的局部聚集系数，其他实验设置与所提方法一致。
[0067]
6)基于多示例分类器的方法(记作misvm)：为了验证构建的动态脑网络状态的有效性，对原始的所有动态连接矩阵直接抽取上三角元素作为特征，随后使用了多示例分类器进行分类。
[0068]
7)基于图核和二次平均结合的方法(记作gk rms)：为了验证多实例分类器的有效性，首先利用基于图核的方法构建动态脑网络状态，随后使用二次平均的方法抽取动态脑网络状态特征，最后使用支持向量机进行分类。
[0069]
本专利所提方法与其他7种方法进行对比，所有方法均通过十折交叉验证划分训练和测试集，即将样本划分为数目接近的十份数据，其中九份作为训练集，而余下的那份作为测试集。重复十次，取平均结果作为最终的结果。本文构建的动态网络窗口大小为20个时间点，共构建了16个动态连接矩阵(时间窗之间有重叠)，即m＝16。而我们进行了两次的动态脑网络状态聚合，生成了4个动态脑网络状态，即h＝4。
[0070]
对比实验数据如下：
[0071][0072][0073]
本发明专利所提方法分别在准确度，特异度，敏感度上分别提高了10％，11％，8％。
[0074]
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。