机器感知与模式识别：脑功能网络的fMRI特征提取及脑部疾病机器识别

第10卷第2期 智能系统学报 Vol.10 No.2 2015年4月 CAAI Transactions on Intelligent Systems Apr.2015 D0:10.3969/j.issn.1673-4785.201312043 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20150302.1106.002.html 脑功能网络的MRI特征提取 及脑部疾病机器识别 黄嘉爽，梅雪，袁晓龙，李振华 (南京工业大学自动化与电气工程学院，江苏南京211816) 摘要：脑部疾病的机器识别是医学图像领域研究的热点。传统的功能磁共振图像研究方法大多只针对部分脑区。 考虑到脑功能网络具有全局性的特征，利用静息态功能磁共振图像数据，在全脑范围内使用极大重叠离散小波变 换，分别构建加权和无权脑功能网络，运用复杂网络理论对网络结构进行分析研究，提取网络聚集系数作为分类识 别的特征分量。将该文方法用于对精神分裂症患者的识别，由识别率、灵敏度、特异度表明，该方法能够提高识别效 果，且具有普遍适应性，能推广到其他脑部疾病的机器识别应用中。 关键词：功能磁共振图像：精神分裂症：复杂网络理论；特征提取；脑部疾病；机器识别 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2015)02-0248-07 中文引用格式：黄嘉爽，梅雪，袁晓龙，等.脑功能网络的MRI特征提取及脑部疾病机器识别[J].智能系统学报，2015,10(2)： 248-254. 英文引用格式：HUANG Jiashuang,MEI Xue,YUAN Xiaolong,etal.FMRI feature extraction and identification of brain diseases based on the brain functional network[J].CAAI Transactions on Intelligent Systems,2015,10(2):248-254. FMRI feature extraction and identification of brain diseases based on the brain functional network HUANG Jiashuang,MEI Xue,YUAN Xiaolong,LI Zhenhua (College of Automation and Electrical Engineering,Nanjing University of Technology,Nanjing 211816,China) Abstract:The machine recognition of brain diseases is a hotspot issue in the field of medical images.However,tra- ditional fMRI image analysis only treats part of the brain region.Considering the overall characteristics of the brain network,the maximal overlap discrete wavelet transform is used to construct weighted and binary networks based on the rest-fMRI data.The complex networks theory is applied to the network structure analysis.Finally,the clustering coefficient of the network is extracted as the characteristic component of classification identification,which allowed the separation of schizophrenia patients from normal control subjects.This method is applied to the recognition of schizophrenia in this paper.The experimental results of recognition rate,sensitivity and specificity show that this method is able to improve the effect of recognition and has the universal adaptability,which can be extended to the recognition of other brain diseases. Keywords:fMRI;schizophrenia;complex network theory;feature extraction;brain disease;machine recognition 近年来，随着静息态功能磁共振图像(rest func- 发展，研究者对大脑的探索正逐步从结构分析转为 tional magnetic resonance imaging,R-fMRI)技术的 关注脑区间的功能连接，越来越多的实验也正在探 收稿日期：2013-12-24.网络出版日期：2015-0302. 索一些精神类疾病，如阿耳滋海默氏病(Alzhei- 基金项目：国家自然科学基金资助项目(51205185) mer)、抑郁症(depression)、精神分裂症(schizophre- 通信作者：黄嘉爽E-mail:hjshdym@163.com, nia,SZ)与患者脑内功能连接存在的联系[3。机器

第 １０ 卷第 ２ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．２ ２０１５ 年 ４ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｐｒ． ２０１５ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３１２０４３ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１５０３０２．１１０６．００２．ｈｔｍｌ 脑功能网络的 ｆＭＲＩ 特征提取 及脑部疾病机器识别 黄嘉爽，梅雪，袁晓龙，李振华 （南京工业大学 自动化与电气工程学院，江苏 南京 ２１１８１６） 摘 要：脑部疾病的机器识别是医学图像领域研究的热点。 传统的功能磁共振图像研究方法大多只针对部分脑区。 考虑到脑功能网络具有全局性的特征，利用静息态功能磁共振图像数据，在全脑范围内使用极大重叠离散小波变 换，分别构建加权和无权脑功能网络，运用复杂网络理论对网络结构进行分析研究，提取网络聚集系数作为分类识 别的特征分量。 将该文方法用于对精神分裂症患者的识别，由识别率、灵敏度、特异度表明，该方法能够提高识别效 果，且具有普遍适应性，能推广到其他脑部疾病的机器识别应用中。 关键词：功能磁共振图像；精神分裂症；复杂网络理论；特征提取；脑部疾病；机器识别 中图分类号：ＴＰ３９１．４ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０２⁃０２４８⁃０７ 中文引用格式：黄嘉爽，梅雪，袁晓龙，等． 脑功能网络的 ｆＭＲＩ 特征提取及脑部疾病机器识别［ Ｊ］． 智能系统学报， ２０１５， １０（ ２）： ２４８⁃２５４． 英文引用格式：ＨＵＡＮＧ Ｊｉａｓｈｕａｎｇ， ＭＥＩ Ｘｕｅ， ＹＵＡＮ Ｘｉａｏｌｏｎｇ， ｅｔ ａｌ． ＦＭＲＩ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｂｒａｉｎ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（２）： ２４８⁃２５４． ＦＭＲＩ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｂｒａｉｎ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋ ＨＵＡＮＧ Ｊｉａｓｈｕａｎｇ， ＭＥＩ Ｘｕｅ， ＹＵＡＮ Ｘｉａｏｌｏｎｇ， ＬＩ Ｚｈｅｎｈｕａ （Ｃｏｌｌｅｇｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ，Ｎａｎｊｉｎｇ ２１１８１６， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｍａｃｈｉｎｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅｓ ｉｓ ａ ｈｏｔｓｐｏｔ ｉｓｓｕｅ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｍｅｄｉｃａｌ ｉｍａｇｅｓ． Ｈｏｗｅｖｅｒ， ｔｒａ⁃ ｄｉｔｉｏｎａｌ ｆＭＲＩ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｏｎｌｙ ｔｒｅａｔｓ ｐａｒｔ ｏｆ ｔｈｅ ｂｒａｉｎ ｒｅｇｉｏｎ ． Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｏｖｅｒａｌｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｂｒａｉｎ ｎｅｔｗｏｒｋ， ｔｈｅ ｍａｘｉｍａｌ ｏｖｅｒｌａｐ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｉｓ ｕｓｅｄ ｔｏ ｃｏｎｓｔｒｕｃｔ ｗｅｉｇｈｔｅｄ ａｎｄ ｂｉｎａｒｙ ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｒｅｓｔ⁃ｆＭＲＩ ｄａｔａ． Ｔｈｅ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ｔｈｅｏｒｙ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ ａｎａｌｙｓｉｓ． Ｆｉｎａｌｌｙ， ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ｉｓ ｅｘｔｒａｃｔｅｄ ａｓ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｏｍｐｏｎｅｎｔ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， ｗｈｉｃｈ ａｌｌｏｗｅｄ ｔｈｅ ｓｅｐａｒａｔｉｏｎ ｏｆ ｓｃｈｉｚｏｐｈｒｅｎｉａ ｐａｔｉｅｎｔｓ ｆｒｏｍ ｎｏｒｍａｌ ｃｏｎｔｒｏｌ ｓｕｂｊｅｃｔｓ． Ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｓｃｈｉｚｏｐｈｒｅｎｉａ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｏｆ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ， ｓｅｎｓｉｔｉｖｉｔｙ ａｎｄ ｓｐｅｃｉｆｉｃｉｔｙ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ａｂｌｅ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｈａｓ ｔｈｅ ｕｎｉｖｅｒｓａｌ ａｄａｐｔａｂｉｌｉｔｙ， ｗｈｉｃｈ ｃａｎ ｂｅ ｅｘｔｅｎｄｅｄ ｔｏ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｏｔｈｅｒ ｂｒａｉｎ ｄｉｓｅａｓｅｓ． Ｋｅｙｗｏｒｄｓ：ｆＭＲＩ； ｓｃｈｉｚｏｐｈｒｅｎｉａ； ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ｂｒａｉｎ ｄｉｓｅａｓｅ；ｍａｃｈｉｎｅ ｒｅｃｏｇｎｉｔｉｏｎ 收稿日期：２０１３⁃１２⁃２４． 网络出版日期：２０１５ ． 基金项目：国家自然科学基金资助项目（ ５１２０ ⁃０ ５ ３ １ ⁃ ８ ０ ５ ２ ） 近年来，随着静息态功能磁共振图像（ｒｅｓｔ ｆｕｎｃ⁃ ｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ ， Ｒ⁃ｆＭＲＩ） 技术的 发展，研究者对大脑的探索正逐步从结构分析转 通信作者：黄嘉爽．Ｅ⁃ｍａｉｌ： ｈｊｓｈｄｙｍ＠ １６３．ｃｏｍ． 为 关注脑区间的功能连接，越来越多的实验也正在探 索一些精神类疾病， 如阿耳滋海默氏病 （ Ａｌｚｈｅｉ⁃ ｍｅｒ）、抑郁症（ ｄｅｐｒｅｓｓｉｏｎ）、精神分裂症（ ｓｃｈｉｚｏｐｈｒｅ⁃ ｎｉａ，ＳＺ）与患者脑内功能连接存在的联系［１⁃３］ 。 机器 ．

第2期 黄嘉爽，等：脑功能网络的MR特征提取及脑部疾病机器识别 ·249. 识别技术可以从由图像数据处理得到的脑功能连接 种：1)将每一个体素定义为一个节点，该方法虽然 矩阵中，挖掘出可作为脑部疾病临床诊断指标的有 可以在最大分辨率下分析脑网络，但是计算量巨大， 用信息[4)，但脑功能连接矩阵一般都是超高维数 不利于进一步研究：2)根据体素间的空间独立性， 据，无法直接将已有的机器识别技术用于数据处理， 使用ICA算法将全脑分为若干个独立成分，将每个 因此传统的一些线性降维方法，如PCA(principal 独立成分作为节点。该方法无需任何先验知识，是 component analysis),ICA(independent component a- 一种纯数据驱动的方法，但是其分割的独立成分缺 nalysis)等被用于数据的预处理中[)，但是这些降维 少生理学解释，很难将实验结果运用到临床治疗； 方法都有各种使用限制的缺陷，使得在运用上述方 3)选用生理学解剖模板分割脑区，该方法有多种模 法前必须假设数据符合一定的统计特性。为解决上 板可选，简单高效且实验方法具有可重复性，现为多 述问题，国外H.Shen等将低维嵌入引入到对fMRI 数研究者采用。因此本文选用AAL(anatomical au- 脑连接矩阵数据的分析中6：S.Lee构建了一种高 tomatic labeling)模板将全脑分为90个脑区I,每 斯过程分类器来研究异常的脑功能连接)：国内支 个脑区代表脑网络中的一个独立节点，并分别提取 联合等劉基于离散小波变化，设计了一种具有高灵 每个节点的平均体素时间序列，定义节点时间序列 敏度的MRI数据特征提取方法：王华东等)研究 矩阵为 了针对事件相关MRI数据的多尺度特征提取方法。 x1.1 x1.2 XI.N 但上述方法都局限于局部分析，无法从整体上分析 X2.1 X2.2 X2.N 脑网络的差异，导致部分重要分类信息的缺失。因 X= 此本文着重从整体研究脑功能网络，将脑功能连接 矩阵考虑为图论中的无向图，运用复杂网络理论知 Lx90,1 X90,2 X9o.N 识将图信息用一组一维特征向量表示，并将其运用 式中：x,为在j时刻第i脑区的所有体素的平均值， 在对精神类脑部疾病的机器分类研究中。 N为时间序列长度。 复杂网络理论是基于图论发展起来的，它将真 1.2定义网络连接 实世界的大规模复杂系统抽象成由节点和边集构成 边在脑网络中常由大脑的解剖学连接、功能连 的数学表达式，通过分析网络的拓扑结构，从而揭示 接或者有效连接构成。其中功能连接代表脑区间血 原复杂系统内部的特性。而大脑作为人体最为复杂 氧依赖水平信号变化的互相关程度，有效连接则代 的器官，已经被证明为是一个复杂系统，使用复杂网 表脑区间因果联系。本文构建的为脑网络的无向 络分析脑连接矩阵目前已成为研究的主流方法，特 图，传统方法为选用皮尔逊相关： 别是在针对没有明显病灶的精神分裂症研究中，复 cov(x,y) ps.y= 杂网络理论得到广泛运用。研究者发现SZ患者的 0x0、 脑功能连接网络相比正常被试在“小世界现象”、有 但传统皮尔逊相关无法反映时间序列细节，为 效连接、聚集程度等网络特性上均存在不同程度的 克服此问题，本文选用节点间的子波相关系数作为 减弱。Yu等也发现SZ患者的脑功能网络中存在节 功能连接边权值。具体算法如下：设时间序列 点分布及其社团结构异常[o]。 X={x1,x,2,…,x.N}为第i脑区的平均体素时间 将复杂网络运在分类研究中主要有3个优势：1) 序列，根据极大重叠离散小波变换(maximal overlap 复杂网络理论具有多种计算结构特征的方法，能够解 discrete wavelet transform,MODWT),h.;1 决连接矩阵维数过高、特征提取困难的问题：2)通过 0,…,L-1}和{.1；1=0…，L-1}分别为在j层 对大脑的分割脑区设置节点可以很方便地找寻到结 的小波滤波器和尺度滤波器。其中L:=(2!- 构和功能上的联系：3)可以在不同被试间定量比较其 1)(L-1)+1,L为初始滤波器的长度。设在j层的 网络特征，便于研究脑部疾病的病理特性。 小波系数和尺度系数分别为W,和V,,满足 L-1 1 脑功能复杂网络 W.=∑iX- 1=0 1.1定义网络节点 L-1 在脑网络分析中常用的定义节点的方法有3 Vi (o=

识别技术可以从由图像数据处理得到的脑功能连接 矩阵中，挖掘出可作为脑部疾病临床诊断指标的有 用信息［４］ ，但脑功能连接矩阵一般都是超高维数 据，无法直接将已有的机器识别技术用于数据处理， 因此传统的一些线性降维方法，如 ＰＣＡ（ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）、ＩＣＡ（ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａ⁃ ｎａｌｙｓｉｓ）等被用于数据的预处理中［５］ ，但是这些降维 方法都有各种使用限制的缺陷，使得在运用上述方 法前必须假设数据符合一定的统计特性。 为解决上 述问题，国外 Ｈ． Ｓｈｅｎ 等将低维嵌入引入到对 ｆＭＲＩ 脑连接矩阵数据的分析中［６］ ；Ｓ．Ｌｅｅ 构建了一种高 斯过程分类器来研究异常的脑功能连接［７］ ；国内支 联合等［８］基于离散小波变化，设计了一种具有高灵 敏度的 ｆＭＲＩ 数据特征提取方法；王华东等［９］ 研究 了针对事件相关 ｆＭＲＩ 数据的多尺度特征提取方法。 但上述方法都局限于局部分析，无法从整体上分析 脑网络的差异，导致部分重要分类信息的缺失。 因 此本文着重从整体研究脑功能网络，将脑功能连接 矩阵考虑为图论中的无向图，运用复杂网络理论知 识将图信息用一组一维特征向量表示，并将其运用 在对精神类脑部疾病的机器分类研究中。 复杂网络理论是基于图论发展起来的，它将真 实世界的大规模复杂系统抽象成由节点和边集构成 的数学表达式，通过分析网络的拓扑结构，从而揭示 原复杂系统内部的特性。 而大脑作为人体最为复杂 的器官，已经被证明为是一个复杂系统，使用复杂网 络分析脑连接矩阵目前已成为研究的主流方法，特 别是在针对没有明显病灶的精神分裂症研究中，复 杂网络理论得到广泛运用。 研究者发现 ＳＺ 患者的 脑功能连接网络相比正常被试在“小世界现象”、有 效连接、聚集程度等网络特性上均存在不同程度的 减弱。 Ｙｕ 等也发现 ＳＺ 患者的脑功能网络中存在节 点分布及其社团结构异常［１０］ 。 将复杂网络运在分类研究中主要有 ３ 个优势：１） 复杂网络理论具有多种计算结构特征的方法，能够解 决连接矩阵维数过高、特征提取困难的问题；２）通过 对大脑的分割脑区设置节点可以很方便地找寻到结 构和功能上的联系；３）可以在不同被试间定量比较其 网络特征，便于研究脑部疾病的病理特性。 １ 脑功能复杂网络 １．１ 定义网络节点 在脑网络分析中常用的定义节点的方法有 ３ 种：１）将每一个体素定义为一个节点，该方法虽然 可以在最大分辨率下分析脑网络，但是计算量巨大， 不利于进一步研究；２） 根据体素间的空间独立性， 使用 ＩＣＡ 算法将全脑分为若干个独立成分，将每个 独立成分作为节点。 该方法无需任何先验知识，是 一种纯数据驱动的方法，但是其分割的独立成分缺 少生理学解释，很难将实验结果运用到临床治疗； ３）选用生理学解剖模板分割脑区，该方法有多种模 板可选，简单高效且实验方法具有可重复性，现为多 数研究者采用。 因此本文选用 ＡＡＬ（ ａｎａｔｏｍｉｃａｌ ａｕ⁃ ｔｏｍａｔｉｃ ｌａｂｅｌｉｎｇ） 模板将全脑分为 ９０ 个脑区［１１］ ，每 个脑区代表脑网络中的一个独立节点，并分别提取 每个节点的平均体素时间序列，定义节点时间序列 矩阵为 Ｘ ＝ ｘ１，１ ｘ１，２ … ｘ１，Ｎ ｘ２，１ ｘ２，２ … ｘ２，Ｎ ︙ ︙ ︙ ｘ９０，１ ｘ９０，２ … ｘ９０，Ｎ é ë ê ê ê ê ê ê ù û ú ú ú ú ú ú 式中： ｘｉ，ｊ 为在 ｊ 时刻第 ｉ 脑区的所有体素的平均值， Ｎ 为时间序列长度。 １．２ 定义网络连接 边在脑网络中常由大脑的解剖学连接、功能连 接或者有效连接构成。 其中功能连接代表脑区间血 氧依赖水平信号变化的互相关程度，有效连接则代 表脑区间因果联系。 本文构建的为脑网络的无向 图，传统方法为选用皮尔逊相关： ρｘ，ｙ ＝ ｃｏｖ（ｘ，ｙ） σｘσｙ 但传统皮尔逊相关无法反映时间序列细节，为 克服此问题，本文选用节点间的子波相关系数作为 功能 连 接 边 权 值。 具 体 算 法 如 下： 设 时 间 序 列 Ｘ ＝｛ｘｉ，１ ，ｘｉ，２ ，…，ｘｉ，Ｎ｝ 为第 ｉ 脑区的平均体素时间 序列，根据极大重叠离散小波变换（ｍａｘｉｍａｌ ｏｖｅｒｌａｐ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ， ＭＯＤＷＴ ）， 设 ｛ｈｊ，１ ；ｌ ＝ ０，．．．，Ｌｊ － １｝ 和 ｛ｇｊ，１ ；ｌ ＝ ０，．．．，Ｌｊ － １｝ 分别为在 ｊ 层 的小波 滤 波 器 和 尺 度 滤 波 器。 其 中 Ｌｊ ＝ （２ ｊ － １）（Ｌ －１） ＋ １， Ｌ 为初始滤波器的长度。 设在 ｊ 层的 小波系数和尺度系数分别为 Ｗｊ 和 Ｖｊ ，满足 Ｗｊ，ｔ （Ｘ） ＝ ∑ Ｌｊ －１ ｌ ＝ ０ ｈ ～ ｊ，１Ｘｔ－ｌｍｏｄＮ Ｖｊ，ｔ （Ｘ） ＝ ∑ Ｌｊ －１ ｌ ＝ ０ ｇ ～ ｊ，１Ｘｔ－ｌｍｏｄＮ 第 ２ 期 黄嘉爽，等： 脑功能网络的 ｆＭＲＩ 特征提取及脑部疾病机器识别 ·２４９·

.250. 智能系统学报 第10卷 式中：h.1=h./2,81=g1/22。 本文将根据对角矩阵分别构建这2类网络。对于加 于是有时间序列{X,}={x.1,x2,…,xw}和 权网络，当2个脑区连接值小于阈值时，连接矩阵中 {y}=1,2,…,}分别为第i和j脑区的平 相对应的权值设为0，即表示在无向图中两脑区所 均体素时间序列，它们是具有稳定增量的高斯过程， 代表节点间没有边连接。而当两脑区连接值大于或 其中N≥L,1=0,1…,N-1。它们之间尺度相关 等于阈值时，即认为两脑区存在连接且连接强度即 的协方差定义为 为连接矩阵中对应的权值。无权网络与加权网络不 N-I 同的是，当2个脑区的连接值大于设定阈值则存在 ()=1 N=-1 连接，赋值为1，不存在则为0。 它们的无偏估计为 1.0 1.0 0.8 n()=Coviw wi 0.6 0.6 侯0.4 壁0.4 式中：{和}和{w”}分别为{x}和{Y}在尺 0.2 0.2 度入，=2-1时的MODWT系数。于是有时间序列的 00.20.40.60.81.0 00.20.40.60.81.0 阈值 國值 子波相关系数定义为 (a)绝对值 (b)B=2 1.0m 1.0 a 0.8 0.8 0.6 摇0.6酬 0.4 定0.4 式中：（入，）=Var(,)/2入，。本文使用小波包将 0.2 0.2 原始0.01~0.12Hz的平均体素时间序列信号分为4 00.20.40.60.81.0 0 0.20.40.60.81.0 层，分别选第2层(0.06~0.12Hz)、第3层(0.03~ 阈值 國值 (c)B=4 (dB=8 0.06Hz)、第4层(0.01~0.03Hz)的系数构建脑功能 图1网络稀疏度随阈值变化曲线 网络。于是有每个被试在全脑范围内构建的90×90 Fig.1 The curve of network sparsity with threshold 的对角连接矩阵A,定义为 P1.(入)P1,2（A） …P1,0(入） P2,1(入y)P2,2(入)…P2,0(入y） wg=zg,之g≥threshold A= 0=0g=0,i=j P90.1(入）P0.2(入)…p0.90(A）」 wg=0,z<threshold 因为在复杂网络中处理的权值一般为正值，而 [ag=1,cg≥threshold P∈【-1,1)，为使得连接矩阵中所有权值为正， ag=ay=0,i=j 本文使用了一种非线性变换为 a=0,z<threshold 1.3网络拓扑结构特征度量 静息态脑功能连接网络包含有大量数据。本文 图1为19个正常被试的脑网络稀疏度随阈值 采用90个节点共4005条边。如此超高维的数据 变化曲线，非线性变换在处理相关时，如图1中所 难以用于下一步的分类识别，因此将复杂网络中对 示，随着B值的升高，在原网络中权值大的边，在变 网络拓扑结构的研究成果运用于脑功能网络的降维 换后的网络中分布区域更广，网络稀疏度的变化越 中，用小规模的网络特征度量数据去表征结构特性， 来越集中于权值的前段，在同一稀疏度下，阈值更加 本文主要用到节点度、聚集系数、全局效率等网络特 集中，但是过大的B值使得稀疏度急速下降。因此 征度量。 B一般取2或者4较为适宜。 节点度指的是与某节点相关联的边的数目，它 在以往的研究中，研究者多忽略连接矩阵内的 直接反应了该节点在网络中的重要程度。无权网络 和加权网络节点i的节点度分别定义为 权值，构建结构简单、特征度量计算成本小的无权网 络。最近Mkal等)的研究表明加权网络较无权 网络能更加全面地反映网络的拓扑结构特征，因此 ∑Wg

式中： ｈ ～ ｊ，１ ＝ ｈｊ，１ ／ ２ ｊ ／ ２ ， ｇ ～ ｊ，１ ＝ ｇｊ，１ ／ ２ ｊ ／ ２ 。 于是有时间序列 ｛Ｘｔ｝ ＝ ｛ｘｉ，１ ，ｘｉ，２ ，…，ｘｉ，Ｎ｝ 和 ｛Ｙｔ｝ ＝ ｛ｘｊ，１ ，ｘｊ，２ ，…，ｘｊ，Ｎ｝ 分别为第 ｉ 和 ｊ 脑区的平 均体素时间序列，它们是具有稳定增量的高斯过程， 其中 Ｎ ≥ Ｌｊ ， ｔ ＝ ０，１…，Ｎ － １。 它们之间尺度相关 的协方差定义为 ηＸＹ（λｊ） ＝ １ Ｎ ∑ Ｎ－１ ｌ ＝ Ｌｊ －１ Ｗ Ｘ ｊ，１Ｗ Ｙ ｊ，１ 它们的无偏估计为 γＸＹ（λｊ） ＝ １ ２λｊ Ｃｏｖ｛Ｗ （Ｘ） ｊ，ｔ Ｗ （Ｙ） ｊ，ｔ ｝ 式中： ｛Ｗ （Ｘ） ｊ，１ ｝ 和 ｛Ｗ （Ｙ） ｊ，１ ｝ 分别为 ｛Ｘｔ｝ 和 ｛Ｙｔ｝ 在尺 度 λｊ ＝ ２ ｊ－１ 时的 ＭＯＤＷＴ 系数。 于是有时间序列的 子波相关系数定义为 ρＸＹ（λｊ） ＝ γＸＹ（λｊ） ｖＸ（λｊ）ｖＹ（λｊ） 式中： ｖ ２ Ｘ（λｊ） ＝ Ｖａｒ（Ｗｊ） ／ ２λｊ 。 本文使用小波包将 原始 ０．０１～０．１２ Ｈｚ 的平均体素时间序列信号分为 ４ 层，分别选第 ２ 层（０．０６ ～ ０．１２ Ｈｚ）、第 ３ 层（０．０３ ～ ０．０６ Ｈｚ）、第 ４ 层（０．０１～０．０３ Ｈｚ）的系数构建脑功能 网络。 于是有每个被试在全脑范围内构建的 ９０×９０ 的对角连接矩阵 Ａｊ ，定义为 Ａｊ ＝ ρ１，１（λｊ） ρ１，２（λｊ） … ρ１，９０（λｊ） ρ２，１（λｊ） ρ２，２（λｊ） … ρ２，９０（λｊ） ︙ ︙ ︙ ρ９０，１（λｊ） ρ９０，２（λｊ） … ρ９０，９０（λｊ） é ë ê ê ê ê ê ê ù û ú ú ú ú ú ú 因为在复杂网络中处理的权值一般为正值，而 ρｉｊ ∈ [ － １，１] ，为使得连接矩阵中所有权值为正， 本文使用了一种非线性变换为 ｚｉｊ ＝ （ ρｉｊ ＋ １ ２ ） β 图 １ 为 １９ 个正常被试的脑网络稀疏度随阈值 变化曲线，非线性变换在处理相关时，如图 １ 中所 示，随着 β 值的升高，在原网络中权值大的边，在变 换后的网络中分布区域更广，网络稀疏度的变化越 来越集中于权值的前段，在同一稀疏度下，阈值更加 集中，但是过大的 β 值使得稀疏度急速下降。 因此 β 一般取 ２ 或者 ４ 较为适宜。 在以往的研究中，研究者多忽略连接矩阵内的 权值，构建结构简单、特征度量计算成本小的无权网 络。 最近 Ｍｉｋａｌ 等［１２］ 的研究表明加权网络较无权 网络能更加全面地反映网络的拓扑结构特征，因此 本文将根据对角矩阵分别构建这 ２ 类网络。 对于加 权网络，当 ２ 个脑区连接值小于阈值时，连接矩阵中 相对应的权值设为 ０，即表示在无向图中两脑区所 代表节点间没有边连接。 而当两脑区连接值大于或 等于阈值时，即认为两脑区存在连接且连接强度即 为连接矩阵中对应的权值。 无权网络与加权网络不 同的是，当 ２ 个脑区的连接值大于设定阈值则存在 连接，赋值为 １，不存在则为 ０。 图 １ 网络稀疏度随阈值变化曲线 Ｆｉｇ．１ Ｔｈｅ ｃｕｒｖｅ ｏｆ ｎｅｔｗｏｒｋ ｓｐａｒｓｉｔｙ ｗｉｔｈ ｔｈｒｅｓｈｏｌｄ ｗｉｊ ＝ ｗｉｊ ＝ ｚｉｊ， ｚｉｊ ≥ ｔｈｒｅｓｈｏｌｄ ｗｉｊ ＝ ０，ｉ ＝ ｊ ｗｉｊ ＝ ０， ｚｉｊ ＜ ｔｈｒｅｓｈｏｌｄ ì î í ï ï ï ï ａｉｊ ＝ ａｉｊ ＝ １，ｚｉｊ ≥ ｔｈｒｅｓｈｏｌｄ ａｉｊ ＝ ０，ｉ ＝ ｊ ａｉｊ ＝ ０，ｚｉｊ ＜ ｔｈｒｅｓｈｏｌｄ ì î í ï ï ï ï １．３ 网络拓扑结构特征度量 静息态脑功能连接网络包含有大量数据。 本文 采用 ９０ 个节点共 ４ ００５ 条边。 如此超高维的数据 难以用于下一步的分类识别，因此将复杂网络中对 网络拓扑结构的研究成果运用于脑功能网络的降维 中，用小规模的网络特征度量数据去表征结构特性， 本文主要用到节点度、聚集系数、全局效率等网络特 征度量。 节点度指的是与某节点相关联的边的数目，它 直接反应了该节点在网络中的重要程度。 无权网络 和加权网络节点 ｉ 的节点度分别定义为 ｋｉ ＝ ∑ ｊ∈Ｎ ａｉｊ ｋ ｗ ｉ ＝ ∑ ｊ∈Ｎ Ｗｉｊ ·２５０· 智 能 系 统 学 报 第 １０ 卷

第2期 黄嘉爽，等：脑功能网络的fMRI特征提取及脑部疾病机器识别 ·251. 网络成本k衡量了网络的稀疏度，定义为 机。对于网络来说，阈值越趋向于0，连接的边数越 1 多其网络所含信息越多。但当网络稀疏度较大时， 无权网络“小世界”特征指标趋近于数值1，整个网 聚集系数C:反应了该节点与其所在子网络联 络结构变得没有区分度。因此选择合适的阈值对最 系的紧密性，C反应了环绕在节点i周边的三角形 后的分类至关重要。 的平均强度。定义为 本文通过以下2条规则确定阈值区间： 2t: 1)设定阈值后必须保证所构成的网络为稀疏 Ci= k,(k:-1) 网络，即满足k,≥2logN≈9，即最大的阈值必须满 2 足网络中有405条连接边确保每个节点都有连接。 k,(k:-1) 2)最小阈值应满足所构成的网络在相同的节 式中：4，=2 ∑a与aa克，= .（0g10h0秀) 点分布下相比随机网络具有更小的全局连接效率和 更大的局部连接效率。 t:从几何特点上来看代表着与节点i连接的三角形 在以往的研究中，研究者主要根据概率分布来 的数量，它们都代表着节点i的分离度。 选定阈值，但是阈值受节点和边值计算影响，缺乏一 全局效率节点是逆最短路径长度的平均值并包 般性1)。因此本文选择网络连接边数为变量，以在 含路径长度特征，具有较高全局效率的节点其连接 0.06~0.12Hz尺度下为例，比较SZ患者和正常被试 距离较远节点的能力更强。定义有 的静息态脑功能连接网络及同规模下的随机网络。 d, 1 jeN,Nti 如图3所示，当3类网络稀疏度超过0.3时，网络结 E= n eN n-1 构区分度下降。综上研究，本文重点研究稀疏度在 ∑(d) 0.2~0.3间的网络。 1 jeN,N n ieN n-1 1.0 式中：dg、d,"为节点i和j之间的最短路径长度。 0.9 1.4阈值选择 0.8 阈值的选择直接影响网络的规模，当连接网络 0.7 0.6 矩阵选取不同阈值时，网络规模、网络结构都会发明 显变化。图2显示了不同稀疏度时的脑功能网络。 0.4 一精神分裂患者网络 0.3 ..正常被试网络 …-随机网络 0.2 .10.20.30.40.50.60.70.80.9T.0 稀疏度 (a)全局效率 1.0i (a)网络稀疏度为0.1 (b)网铬稀疏度为0.2 0.9 0.8 0.7 返0.6 0.5 一精神分裂患者网络 (c)网络稀疏度为0.3 d)网络稀疏度为0.4 0.4i ·,正常被试网络 图2脑功能复杂网络 ···随机网络 Fig.2 Brain function in complex networks 0.10.20.30.40.50.60.70.80.91.0 稀疏度 很明显图2(b)中所示网络，在网络稀疏度为 (b)局部效率 0.2时，分为了2个社团部分：在稀疏度较小时，如图 图3网络全局效率、局部效率随连接边数变化曲线 2(a)中所示，网络结构不明显；当稀疏度增大到0.4 Fig.3 The curve of network global efficiency,local ef- 时，如图2(d)所示，网络变得密集，结构趋向于随 ficiency increases with the number of edges con- necting

网络成本 ｋｃｏｓｔ 衡量了网络的稀疏度，定义为 ｋｃｏｓｔ ＝ １ Ｎ（Ｎ － １）∑ Ｎ ｊ ＝ １ ｋｉ（１４）ｋ ｗ ｃｏｓｔ ＝ １ Ｎ（Ｎ － １）∑ Ｎ ｊ ＝ １ ｋ ｗ ｉ 聚集系数 Ｃｉ 反应了该节点与其所在子网络联 系的紧密性， Ｃ Ｗ ｉ 反应了环绕在节点 ｉ 周边的三角形 的平均强度。 定义为 Ｃｉ ＝ ２ｔ ｉ ｋｉ（ｋｉ － １） Ｃ Ｗ ｉ ＝ ２ｔ Ｗ ｉ ｋｉ（ｋｉ － １） 式中： ｔ ｉ ＝ １ ２ ｊ ∑，ｈ∈Ｎ ａｉｊａｉｈ ａｊｈ ， ｔ Ｗ ｉ ＝ １ ２ ｊ ∑，ｈ∈Ｎ （ｗｉｊｗｉｈｗｊｈ ） １／ ３ ， ｔ ｉ 从几何特点上来看代表着与节点 ｉ 连接的三角形 的数量，它们都代表着节点 ｉ 的分离度。 全局效率节点是逆最短路径长度的平均值并包 含路径长度特征，具有较高全局效率的节点其连接 距离较远节点的能力更强。 定义有 Ｅ ＝ １ ｎ ∑ｉ∈Ｎ ｊ∈∑Ｎ，Ｎ≠ｉ ｄｉｊ －１ ｎ － １ Ｅ Ｗ ＝ １ ｎ ∑ｉ∈Ｎ ｊ∈∑Ｎ，Ｎ≠ｉ （ｄｉｊ Ｗ ） －１ ｎ － １ 式中： ｄｉｊ 、 ｄｉｊ Ｗ 为节点 ｉ 和 ｊ 之间的最短路径长度。 １．４ 阈值选择 阈值的选择直接影响网络的规模，当连接网络 矩阵选取不同阈值时，网络规模、网络结构都会发明 显变化。 图 ２ 显示了不同稀疏度时的脑功能网络。 图 ２ 脑功能复杂网络 Ｆｉｇ．２ Ｂｒａｉｎ ｆｕｎｃｔｉｏｎ ｉｎ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ 很明显图 ２（ ｂ） 中所示网络，在网络稀疏度为 ０．２时，分为了 ２ 个社团部分；在稀疏度较小时，如图 ２（ａ）中所示，网络结构不明显；当稀疏度增大到 ０．４ 时，如图 ２（ ｄ） 所示，网络变得密集，结构趋向于随 机。 对于网络来说，阈值越趋向于 ０，连接的边数越 多其网络所含信息越多。 但当网络稀疏度较大时， 无权网络“小世界”特征指标趋近于数值 １，整个网 络结构变得没有区分度。 因此选择合适的阈值对最 后的分类至关重要。 本文通过以下 ２ 条规则确定阈值区间： １）设定阈值后必须保证所构成的网络为稀疏 网络，即满足 ｋｉ ≥ ２ｌｏｇ Ｎ ≈ ９，即最大的阈值必须满 足网络中有 ４０５ 条连接边确保每个节点都有连接。 ２）最小阈值应满足所构成的网络在相同的节 点分布下相比随机网络具有更小的全局连接效率和 更大的局部连接效率。 在以往的研究中，研究者主要根据概率分布来 选定阈值，但是阈值受节点和边值计算影响，缺乏一 般性［１３］ 。 因此本文选择网络连接边数为变量，以在 ０．０６～０．１２ Ｈｚ 尺度下为例，比较 ＳＺ 患者和正常被试 的静息态脑功能连接网络及同规模下的随机网络。 如图 ３ 所示，当 ３ 类网络稀疏度超过 ０．３ 时，网络结 构区分度下降。 综上研究，本文重点研究稀疏度在 ０．２～０．３ 间的网络。 图 ３ 网络全局效率、局部效率随连接边数变化曲线 Ｆｉｇ．３ Ｔｈｅ ｃｕｒｖｅ ｏｆ ｎｅｔｗｏｒｋ ｇｌｏｂａｌ ｅｆｆｉｃｉｅｎｃｙ， ｌｏｃａｌ ｅｆ⁃ ｆｉｃｉｅｎｃｙ ｉｎｃｒｅａｓｅｓ ｗｉｔｈ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｅｄｇｅｓ ｃｏｎ⁃ ｎｅｃｔｉｎｇ 第 ２ 期 黄嘉爽，等： 脑功能网络的 ｆＭＲＩ 特征提取及脑部疾病机器识别 ·２５１·

.252 智能系统学报 第10卷 2实验数据与结果分析 SS=- TP TP FN 2.1数据来源及预处理 TN SC=- 本文所用数据来源于美国奥林神经精神病 TN FP 研究中心。参加实验的有19个正常被试（平均 式中：TP、TN、FP和FN分别代表正确识别SZ患者 年龄(31.7±9.2)和21个精神分裂症患者（平均 的人数、正确识别正常被试的人数、正常被试被识别 年龄35.9±12.1)。2组被试的年龄分布没有明 为SZ的人数，SZ被识别为正常被试的人数。灵敏 显差异(T检验P=0.18)。所有精神分裂症患者 度可以衡量算法识别出患者的能力，特异度是正确 均经过Hartford医院临床确诊。采集静息态功能 识别无病者的能力。 磁共振图像数据的仪器为西门子公司的Allegra 本文在综合比较前期研究成果后，选择聚集 3T磁共振采集系统。功能像采用GRE-EPI序列 系数作为分类脑功能网络的特征向量，于是有表 采集，TR=1500ms,TE=27ms,FA=70°，F0V为 示图结构信息的一维向量F= 24cm,矩阵为64×64，层厚4mm,间隔1mm。数 [C1C2…Co]作为分类器的输入。图5为 据采用SPM8进行预处理，具体包括：时间层校 尺度1(0.06~0.12Hz)、尺度2(0.03~0.06Hz)、 正：头动校正，将扫描得到的图像标准化到SPM8 尺度3(0.01~0.03Hz)的加权网络和无权网络在 所对应的标准MNI空间，并将体素重新采样为 不同B值时分类精度随稀疏度变化曲线。很明 3mm×3mm×3mm(原始数据为3.75mm× 显，加权网络无论在最高识别精度及识别平稳度 3.75mm×4mm)。然后采用REST软件进行去基 上都优于无权网络，并且在尺度一的加权网络中 线漂移和滤波处理(0.01Hz<f<0.12Hz),减少 在稀疏度为0.2~0.3时有着较好的识别精度。 低频漂移并且过滤掉如心跳、呼吸等高频噪声。 相比无权网络在3个尺度下识别精度整体上没 2.2分类精度研究 有明显区别，加权网络的3个尺度，除了尺度3 本文首先将在全脑范围内定义大脑节点，使 识别效果不佳外，其他2个尺度均有不错的识别 用MODWT来分解节点的平均体素时间序列，然 效果。 后计算子波相关系数并分别构建无权网络和加 0.90 0.85 权网络，最后提取网络结构统计向量作为机器识 0.80 别特征。选用“留一法”分析2类网络在不同网 0.75 络稀疏度下的分类精度，通过对Z患者和正常 0.70 069 被试组之间的分类研究论证所述方法的可行性。 0.60 具体流程如图4。 0.55 尺度 0.50 fMRI原 ·尺度3 始数据 预处理 AAL模版 构建连 0.4 分割脑区 接矩阵」 0.10.20.30.40.50.60.70.80.9 稀疏度 最终分类 (a)无权网络B=2 分类器 提取各网络 构建功能 结果分 识别 聚集系数 连接网络 0.90 0.85 图4本文实验仿真流程 0.80 Fig.4 The experimental simulation process 0.75 0.70 本文在选用“留一法”分别研究无权网络和加 0.65 权网络的分类精度随稀疏度变化时，每次选取样本 0.60 I 1 0.55 集中的一个样本作为测试样本，其余作为训练样本 0.50 尺度1 尺度2 并重复该过程。分类精度将量化为识别率GR、灵 0.45 尺度3 0.4 敏度SS、特异度SC,公式为 0.10.20.30.40.50.60.70.80.9 稀疏度 TP TN GR=TP +FN +TN FP (b)无权网络B=4

２ 实验数据与结果分析 ２．１ 数据来源及预处理 本文所用数据来源于美国奥林神经精神病 研究中心。 参加实验的有 １９ 个正常被试（ 平均 年龄（ ３１．７ ± ９．２）和 ２１ 个精神分裂症患者（平均 年龄３５．９ ± １２．１） 。 ２ 组被试的年龄分布没有明 显差异（ Ｔ 检验 Ｐ ＝ ０．１８） 。 所有精神分裂症患者 均经过 Ｈａｒｔｆｏｒｄ 医院临床确诊。 采集静息态功能 磁共振图像数据的仪器为西门子公司的 Ａｌｌｅｇｒａ ３Ｔ 磁共振采集系统。 功能像采用 ＧＲＥ⁃ＥＰＩ 序列 采集，ＴＲ ＝ １ ５００ ｍｓ，ＴＥ ＝ ２７ ｍｓ，ＦＡ ＝ ７０°，ＦＯＶ 为 ２４ ｃｍ，矩阵为 ６４×６４，层厚 ４ ｍｍ，间隔 １ ｍｍ。 数 据采用 ＳＰＭ８ 进行预处理，具体包括：时间层校 正；头动校正，将扫描得到的图像标准化到 ＳＰＭ８ 所对应的标准 ＭＮＩ 空间，并将体素重新采样为 ３ ｍｍ× ３ ｍｍ × ３ ｍｍ （ 原 始 数 据 为 ３． ７５ ｍｍ × ３．７５ ｍｍ×４ ｍｍ） 。 然后采用 ＲＥＳＴ 软件进行去基 线漂移和滤波处理（ ０． ０１ Ｈｚ＜ ｆ ＜ ０． １２ Ｈｚ） ，减少 低频漂移并且过滤掉如心跳、呼吸等高频噪声。 ２．２ 分类精度研究 本文首先将在全脑范围内定义大脑节点，使 用 ＭＯＤＷＴ 来分解节点的平均体素时间序列，然 后计算子波相关系数并分别构建无权网络和加 权网络，最后提取网络结构统计向量作为机器识 别特征。 选用“留一法” 分析 ２ 类网络在不同网 络稀疏度下的分类精度，通过对 ＳＺ 患者和正常 被试组之间的分类研究论证所述方法的可行性。 具体流程如图 ４。 图 ４ 本文实验仿真流程 Ｆｉｇ．４ Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｓｉｍｕｌａｔｉｏｎ ｐｒｏｃｅｓｓ 本文在选用“留一法”分别研究无权网络和加 权网络的分类精度随稀疏度变化时，每次选取样本 集中的一个样本作为测试样本，其余作为训练样本 并重复该过程。 分类精度将量化为识别率 ＧＲ、灵 敏度 ＳＳ、特异度 ＳＣ，公式为 ＧＲ ＝ ＴＰ ＋ ＴＮ ＴＰ ＋ ＦＮ ＋ ＴＮ ＋ ＦＰ ＳＳ ＝ ＴＰ ＴＰ ＋ ＦＮ ＳＣ ＝ ＴＮ ＴＮ ＋ ＦＰ 式中：ＴＰ、ＴＮ、ＦＰ 和 ＦＮ 分别代表正确识别 ＳＺ 患者 的人数、正确识别正常被试的人数、正常被试被识别 为 ＳＺ 的人数、ＳＺ 被识别为正常被试的人数。 灵敏 度可以衡量算法识别出患者的能力，特异度是正确 识别无病者的能力。 本文在综合比较前期研究成果后，选择聚集 系数作为分类脑功能网络的特征向量，于是有表 示 图 结 构 信 息 的 一 维 向 量 Ｆ ＝ ［ Ｃ１ Ｃ２ … Ｃ９０ ］ 作为分类器的输入。 图 ５ 为 尺度 １（ ０．０６ ～ ０．１２ Ｈｚ） 、尺度 ２（ ０．０３ ～ ０．０６ Ｈｚ） 、 尺度 ３（ ０．０１ ～ ０．０３ Ｈｚ）的加权网络和无权网络在 不同 β 值时分类精度随稀疏度变化曲线。 很明 显，加权网络无论在最高识别精度及识别平稳度 上都优于无权网络，并且在尺度一的加权网络中 在稀疏度为 ０． ２ ～ ０． ３ 时有着较好的识别精度。 相比无权网络在 ３ 个尺度下识别精度整体上没 有明显区别，加权网络的 ３ 个尺度，除了尺度 ３ 识别效果不佳外，其他 ２ 个尺度均有不错的识别 效果。 （ａ）无权网络 β ＝ ２ （ｂ）无权网络 β ＝ ４ ·２５２· 智 能 系 统 学 报 第 １０ 卷

第2期 黄嘉爽，等：脑功能网络的fMI特征提取及脑部疾病机器识别 .253. 0.95 明，网络在不同稀疏度时识别具有差异，并且加权网 0.90 络较无权网络在识别精度上具有一定的优越性。本 0.85 文方法既可推广到其他脑部疾病的机器识别，也为 0.80 0.75 研究异常脑区的定位打下研究基础。目前对于加权 0.70 网络的拓扑结构研究成果还比较少，对于脑网络的 0.65 0.60 尺度1 研究理论还未成熟。相信随着复杂网络理论的发 展，运用该理论识别脑功能网络的精度将得到提高， 0.55 0.10.20.3 0.40.50.60.70.80.9 这也是有待进一步深入研究的课题。 稀疏度 致谢感谢来自于美国The Mind Research (c)加权网络B=2 Network的Yu Qingbao博士在论文撰写中的答疑； 1.00 0.95 论文实验中所用的fMRI数据来自美国Hartford的 0.90 Olin Neuropsychiatry研究中心。 0.85 0.80 参考文献： 0.75升 0.70 [1]KOCH W,TEIPEL S,MUELLER S,et al.Diagnostic pow- 0.65 0.60 er of default mode network resting state fMRI in the detec- 0.55 .10.20.30.40.50.60.70.80.9 tion of Alzheimer's disease[J].Neurobiology of Aging, 稀疏度 2012,33(3):466-478. (d)加权网络B=4 [2]袁辉，祁吉.首次发作抑郁症患者认知功能的MRI研 图5分类精度随稀疏度变化曲线 究[J].临床放射学杂志，2011,30(3)：304-309 Fig.5 The curve of the classification accuracy with YUAN Hui,QI Ji.The fMRI study of cognitive function in the sparsity patients with first attack depression[J].Journal of Clinical 表1给出了本文算法在尺度1下，网络稀疏度 Radiology,2011,30(3):304-309. 为0.2~0.3时，加权网络B取不同B值时的平均识 [3]YOON J H,NGUYEN D V,MCVAY L M,et al.Automa- 别精度，并将其结果与其他算法对SZ患者的识别 ted classification of fMRI during cognitive control identifies more severely disorganized subjects with schizophrenia[J]. 效果进行比较。数据表明本文算法具有一定的优越 Schizophrenia Research,2012,135(1):28-33. 性，且采用非线性变换处理连接矩阵权值比采用传 [4]PEREIRA F,MITCHELL T,BOTVINICK M.Machine 统的绝对值变换识别精度更高。综合衡量当B取4 learning classifiers and fMRI:a tutorial overview[J].Neu- 时与B取2时的识别精度发现，两者识别精度相差 roimage,2009,45(1):S199-S209. 不大，但B=2时有着更好的灵敏度，其正确识别患 [5]蔡军，郑玲，李林，等.独立成分分析的MH对癫痫灶 者能力更强。综合考虑B=2时有最好的识别效果。 检测的对比研究[J].临床放射学杂志，2012,31(010)： 表1各类算法识别精度表 1370-1374. Table 1 Restoration index comparison of three methods % CAI Jun,ZHENG Ling,LI Lin,et al.Comparative study of 算法 识别精度灵敏度 特异度 independent components analysis and combined EEG func- 本文算法(B=2) 87.52 90.24 84.51 tional MRI in epileptic focus detection[J].Journal of Clini- 本文算法(B=4) 90.00 84.12 96.52 cal Radiolog,2012,31(10):1370-1374. 本文算法(B=8) 87.50 80.77 94.94 [6]SHEN H,WANG L,LIU Y,et al.Discriminative analysis 本文算法绝对值 77.50 72.41 83.13 of resting-state functional connectivity patterns of schizophre- 皮尔逊相关 75.00 67.74 83.02 nia using low dimensional embedding of fMRI[J].Neuroim- 文献[6]算法 76.90 90.60 61.75 age,2010,49(4):3110-3121. 3 结束语 [7]LEE S,ZELAYA F,SAMARASINGHE Y,et al.Data-driv- en fMRI group classification using connected components 本文运用复杂网络理论构建脑功能网络，并对 and Gaussian process classifiers [C]//2011 IEEE Interna- 精神分裂症的分类进行了仿真实验。实验结果证 tional Conference on Acoustics,Speech and Signal Process-

（ｃ） 加权网络 β ＝ ２ （ｄ） 加权网络 β ＝ ４ 图 ５ 分类精度随稀疏度变化曲线 Ｆｉｇ．５ Ｔｈｅ ｃｕｒｖｅ ｏｆ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｗｉｔｈ ｔｈｅ ｓｐａｒｓｉｔｙ 表 １ 给出了本文算法在尺度 １ 下，网络稀疏度 为 ０．２ ～ ０．３ 时，加权网络 β 取不同 β 值时的平均识 别精度，并将其结果与其他算法对 ＳＺ 患者的识别 效果进行比较。 数据表明本文算法具有一定的优越 性，且采用非线性变换处理连接矩阵权值比采用传 统的绝对值变换识别精度更高。 综合衡量当 β 取 ４ 时与 β 取 ２ 时的识别精度发现，两者识别精度相差 不大，但 β ＝ ２ 时有着更好的灵敏度，其正确识别患 者能力更强。 综合考虑 β ＝ ２ 时有最好的识别效果。 表 １ 各类算法识别精度表 Ｔａｂｌｅ １ Ｒｅｓｔｏｒａｔｉｏｎ ｉｎｄｅｘ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｒｅｅ ｍｅｔｈｏｄｓ ％ 算法 识别精度 灵敏度 特异度 本文算法（ β ＝ ２ ） ８７．５２ ９０．２４ ８４．５１ 本文算法（ β ＝ ４ ） ９０．００ ８４．１２ ９６．５２ 本文算法（ β ＝ ８ ） ８７．５０ ８０．７７ ９４．９４ 本文算法绝对值 ７７．５０ ７２．４１ ８３．１３ 皮尔逊相关 ７５．００ ６７．７４ ８３．０２ 文献［６］算法 ７６．９０ ９０．６０ ６１．７５ ３ 结束语 本文运用复杂网络理论构建脑功能网络，并对 精神分裂症的分类进行了仿真实验。 实验结果证 明，网络在不同稀疏度时识别具有差异，并且加权网 络较无权网络在识别精度上具有一定的优越性。 本 文方法既可推广到其他脑部疾病的机器识别，也为 研究异常脑区的定位打下研究基础。 目前对于加权 网络的拓扑结构研究成果还比较少，对于脑网络的 研究理论还未成熟。 相信随着复杂网络理论的发 展，运用该理论识别脑功能网络的精度将得到提高， 这也是有待进一步深入研究的课题。 致谢 感谢来自于美国 Ｔｈｅ Ｍｉｎｄ Ｒｅｓｅａｒｃｈ Ｎｅｔｗｏｒｋ 的 Ｙｕ Ｑｉｎｇｂａｏ 博士在论文撰写中的答疑； 论文实验中所用的 ｆＭＲＩ 数据来自美国 Ｈａｒｔｆｏｒｄ 的 Ｏｌｉｎ Ｎｅｕｒｏｐｓｙｃｈｉａｔｒｙ 研究中心。 参考文献： ［１］ＫＯＣＨ Ｗ， ＴＥＩＰＥＬ Ｓ， ＭＵＥＬＬＥＲ Ｓ， ｅｔ ａｌ． Ｄｉａｇｎｏｓｔｉｃ ｐｏｗ⁃ ｅｒ ｏｆ ｄｅｆａｕｌｔ ｍｏｄｅ ｎｅｔｗｏｒｋ ｒｅｓｔｉｎｇ ｓｔａｔｅ ｆＭＲＩ ｉｎ ｔｈｅ ｄｅｔｅｃ⁃ ｔｉｏｎ ｏｆ Ａｌｚｈｅｉｍｅｒ′ ｓ ｄｉｓｅａｓｅ ［ Ｊ］． Ｎｅｕｒｏｂｉｏｌｏｇｙ ｏｆ Ａｇｉｎｇ， ２０１２， ３３（３）： ４６６⁃４７８． ［２］袁辉， 祁吉． 首次发作抑郁症患者认知功能的 ｆＭＲＩ 研 究［Ｊ］． 临床放射学杂志， ２０１１， ３０（３）： ３０４⁃３０９． ＹＵＡＮ Ｈｕｉ， ＱＩ Ｊｉ． Ｔｈｅ ｆＭＲＩ ｓｔｕｄｙ ｏｆ ｃｏｇｎｉｔｉｖｅ ｆｕｎｃｔｉｏｎ ｉｎ ｐａｔｉｅｎｔｓ ｗｉｔｈ ｆｉｒｓｔ ａｔｔａｃｋ ｄｅｐｒｅｓｓｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉｃａｌ Ｒａｄｉｏｌｏｇｙ， ２０１１， ３０（３）： ３０４⁃３０９． ［３］ＹＯＯＮ Ｊ Ｈ， ＮＧＵＹＥＮ Ｄ Ｖ， ＭＣＶＡＹ Ｌ Ｍ， ｅｔ ａｌ． Ａｕｔｏｍａ⁃ ｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｆＭＲＩ ｄｕｒｉｎｇ ｃｏｇｎｉｔｉｖｅ ｃｏｎｔｒｏｌ ｉｄｅｎｔｉｆｉｅｓ ｍｏｒｅ ｓｅｖｅｒｅｌｙ ｄｉｓｏｒｇａｎｉｚｅｄ ｓｕｂｊｅｃｔｓ ｗｉｔｈ ｓｃｈｉｚｏｐｈｒｅｎｉａ［ Ｊ］． Ｓｃｈｉｚｏｐｈｒｅｎｉａ Ｒｅｓｅａｒｃｈ， ２０１２， １３５（１）： ２８⁃３３． ［ ４ ］ ＰＥＲＥＩＲＡ Ｆ， ＭＩＴＣＨＥＬＬ Ｔ， ＢＯＴＶＩＮＩＣＫ Ｍ． Ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｃｌａｓｓｉｆｉｅｒｓ ａｎｄ ｆＭＲＩ： ａ ｔｕｔｏｒｉａｌ ｏｖｅｒｖｉｅｗ［Ｊ］． Ｎｅｕ⁃ ｒｏｉｍａｇｅ， ２００９， ４５（１）： Ｓ１９９⁃Ｓ２０９． ［５］蔡军， 郑玲， 李林， 等． 独立成分分析的 ｆＭＲＩ 对癫痫灶 检测的对比研究［Ｊ］． 临床放射学杂志， ２０１２， ３１（０１０）： １３７０⁃１３７４． ＣＡＩ Ｊｕｎ， ＺＨＥＮＧ Ｌｉｎｇ， ＬＩ Ｌｉｎ， ｅｔ ａｌ． Ｃｏｍｐａｒａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔｓ ａｎａｌｙｓｉｓ ａｎｄ ｃｏｍｂｉｎｅｄ ＥＥＧ ｆｕｎｃ⁃ ｔｉｏｎａｌ ＭＲＩ ｉｎ ｅｐｉｌｅｐｔｉｃ ｆｏｃｕｓ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉ⁃ ｃａｌ Ｒａｄｉｏｌｏｇｙ， ２０１２， ３１（１０）： １３７０⁃１３７４． ［６］ＳＨＥＮ Ｈ， ＷＡＮＧ Ｌ， ＬＩＵ Ｙ， ｅｔ ａｌ． Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｒｅｓｔｉｎｇ⁃ｓｔａｔｅ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｐａｔｔｅｒｎｓ ｏｆ ｓｃｈｉｚｏｐｈｒｅ⁃ ｎｉａ ｕｓｉｎｇ ｌｏｗ ｄｉｍｅｎｓｉｏｎａｌ ｅｍｂｅｄｄｉｎｇ ｏｆ ｆＭＲＩ［Ｊ］． Ｎｅｕｒｏｉｍ⁃ ａｇｅ， ２０１０， ４９（４）： ３１１０⁃３１２１． ［７］ＬＥＥ Ｓ， ＺＥＬＡＹＡ Ｆ， ＳＡＭＡＲＡＳＩＮＧＨＥ Ｙ， ｅｔ ａｌ． Ｄａｔａ⁃ｄｒｉｖ⁃ ｅｎ ｆＭＲＩ ｇｒｏｕｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｃｏｎｎｅｃｔｅｄ ｃｏｍｐｏｎｅｎｔｓ ａｎｄ Ｇａｕｓｓｉａｎ ｐｒｏｃｅｓｓ ｃｌａｓｓｉｆｉｅｒｓ［ Ｃ］ ／ ／ ２０１１ ＩＥＥＥ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ， Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓ⁃ 第 ２ 期 黄嘉爽，等： 脑功能网络的 ｆＭＲＩ 特征提取及脑部疾病机器识别 ·２５３·

.254. 智能系统学报 第10卷 ing (ICASSP).Prague,Czech Republic,2011:717-720. 2002,15(1):273-289. [8]支联合，李玉晓，赵书俊，等.基于离散小波变换的M [12]RUBINOV M,SPORNS O.Weight-conserving character- RI数据特征提取[J].中国医学影像技术，2010(6)： ization of complex functional brain networks[J].Neuroim- 1151-1154. age,2011,56(4):2068-2079. ZHI Lianhe,Li Yuxiao,ZHAO Shujun,et al.Feature ex- [13]BRAUN U,PLICHTA MM,ESSLINGER C,et al.Test- traction of fMRI data based on discrete wavelet transform retest reliability of resting-state connectivity network char- [J].Chin J Med Imaging Technol,2010 (6):1151-1154. acteristics using fMRI and graph theoretical measures[J]. [9]支联合，王华东，张洁.统计参数图和多尺度特征提取 Neuroimage,2012,59(2):1404-1412. 用于事件相关MRI分析的比较[J刀].中国生物医学工程 学报，2011,30(1)：135-139. 作者简介： ZHI Lianhe,WANG Huadong,ZHANG Jie.Comparison of 黄嘉爽，男，1988年生，硕士研究生， SPM2 and MFE in Event-related fMRI Processing[J].Chi- 主要研究方向为模式识别，图像处理。 nese Journal of Biomedical Engineering,2011,30(1): 135-139. [10]YU Q,SUI J,LIU J,et al.Disrupted correlation between low frequency power and connectivity strength of resting state brain networks in schizophrenia[J].Schizophrenia 梅雪，女，1975年生，副教授，主要 Research,2013,143(1):165-171. 研究方向为图像处理、模式识别及计算 [11]TZOURIO-MAZOYER N,LANDEAU B,PAPATHANAS- 机视觉。 SIOU D,et al.Automated anatomical labeling of activa- tions in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain[J].Neuroimage, 2015中国计算机学会人工智能会议(CCFAI2015) 2015 CCF Conference on Artificial Intelligence 中国计算机学会人工智能会议(CCF Conference on Artificial Intelligence,CCFAI)是由中国计算机学会主办，中 国计算机学会人工智能与模式识别专业委员会协办的人工智能领域盛会。该系列会议每两年举行一次，现已成 为国内人工智能领域最主要的学术活动，为广大的人工智能研究人员提供了一个交流、合作的平台，使得研究人 员分享人工智能领域的研究成果、创新思想、最新研究进展。 2015年中国计算机学会人工智能会议将于2015年8月21~23日在山西省太原市举行，由山西大学计算机与 信息技术学院、山西大学计算智能与中文信息处理教育部重点实验室联合承办。本次会议将汇聚从事人工智能 理论与应用研究的人员，广泛开展学术交流，研讨发展战略，共同促进人工智能相关理论、技术及应用的发展。 征文范围：人工智能理论基础、人工智能应用、智能机器人、Aget理论及应用、智能控制与智能管理、机 器感知与虚拟现实、生物信息学与人工生命、机器学习、数据挖掘、时空知识表示、推理与挖掘、社会网络分析 及应用、神经网络与计算智能、人工免疫、粗糙集与软计算、图像和语音处理、模式识别、知识科学与知识工 程、自然语言处理和机器翻译。 Website:http://ccfai2015.sxu.edu.cn/default.aspx

ｉｎｇ （ＩＣＡＳＳＰ）． Ｐｒａｇｕｅ， Ｃｚｅｃｈ Ｒｅｐｕｂｌｉｃ， ２０１１： ７１７⁃７２０． ［８］支联合， 李玉晓， 赵书俊， 等． 基于离散小波变换的 ｆＭ⁃ ＲＩ 数据特征提取［ Ｊ］． 中国医学影像技术， ２０１０ （ ６）： １１５１⁃１１５４． ＺＨＩ Ｌｉａｎｈｅ， Ｌｉ Ｙｕｘｉａｏ， ＺＨＡＯ Ｓｈｕｊｕｎ， ｅｔ ａｌ． Ｆｅａｔｕｒｅ ｅｘ⁃ ｔｒａｃｔｉｏｎ ｏｆ ｆＭＲＩ ｄａｔａ ｂａｓｅｄ ｏｎ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ［Ｊ］． Ｃｈｉｎ Ｊ Ｍｅｄ Ｉｍａｇｉｎｇ Ｔｅｃｈｎｏｌ， ２０１０ （６）： １１５１⁃１１５４． ［９］支联合， 王华东， 张洁． 统计参数图和多尺度特征提取 用于事件相关 ｆＭＲＩ 分析的比较［Ｊ］． 中国生物医学工程 学报， ２０１１， ３０（１）： １３５⁃１３９． ＺＨＩ Ｌｉａｎｈｅ， ＷＡＮＧ Ｈｕａｄｏｎｇ， ＺＨＡＮＧ Ｊｉｅ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＳＰＭ２ ａｎｄ ＭＦＥ ｉｎ Ｅｖｅｎｔ⁃ｒｅｌａｔｅｄ ｆＭＲＩ Ｐｒｏｃｅｓｓｉｎｇ［Ｊ］． Ｃｈｉ⁃ ｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１１， ３０ （ １ ）： １３５⁃１３９． ［１０］ＹＵ Ｑ， ＳＵＩ Ｊ， ＬＩＵ Ｊ， ｅｔ ａｌ． Ｄｉｓｒｕｐｔｅｄ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｌｏｗ ｆｒｅｑｕｅｎｃｙ ｐｏｗｅｒ ａｎｄ ｃｏｎｎｅｃｔｉｖｉｔｙ ｓｔｒｅｎｇｔｈ ｏｆ ｒｅｓｔｉｎｇ ｓｔａｔｅ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ ｉｎ ｓｃｈｉｚｏｐｈｒｅｎｉａ ［ Ｊ］． Ｓｃｈｉｚｏｐｈｒｅｎｉａ Ｒｅｓｅａｒｃｈ， ２０１３， １４３（１）： １６５⁃１７１． ［１１］ＴＺＯＵＲＩＯ⁃ＭＡＺＯＹＥＲ Ｎ， ＬＡＮＤＥＡＵ Ｂ， ＰＡＰＡＴＨＡＮＡＳ⁃ ＳＩＯＵ Ｄ， ｅｔ ａｌ． Ａｕｔｏｍａｔｅｄ ａｎａｔｏｍｉｃａｌ ｌａｂｅｌｉｎｇ ｏｆ ａｃｔｉｖａ⁃ ｔｉｏｎｓ ｉｎ ＳＰＭ ｕｓｉｎｇ ａ ｍａｃｒｏｓｃｏｐｉｃ ａｎａｔｏｍｉｃａｌ ｐａｒｃｅｌｌａｔｉｏｎ ｏｆ ｔｈｅ ＭＮＩ ＭＲＩ ｓｉｎｇｌｅ⁃ｓｕｂｊｅｃｔ ｂｒａｉｎ［Ｊ］． Ｎｅｕｒｏｉｍａｇｅ， ２００２， １５（１）： ２７３⁃２８９． ［１２］ ＲＵＢＩＮＯＶ Ｍ， ＳＰＯＲＮＳ Ｏ． Ｗｅｉｇｈｔ⁃ｃｏｎｓｅｒｖｉｎｇ ｃｈａｒａｃｔｅｒ⁃ ｉｚａｔｉｏｎ ｏｆ ｃｏｍｐｌｅｘ ｆｕｎｃｔｉｏｎａｌ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｎｅｕｒｏｉｍ⁃ ａｇｅ， ２０１１， ５６（４）： ２０６８⁃２０７９． ［１３］ＢＲＡＵＮ Ｕ， ＰＬＩＣＨＴＡ Ｍ Ｍ， ＥＳＳＬＩＮＧＥＲ Ｃ， ｅｔ ａｌ． Ｔｅｓｔ⁃ ｒｅｔｅｓｔ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｒｅｓｔｉｎｇ⁃ｓｔａｔｅ ｃｏｎｎｅｃｔｉｖｉｔｙ ｎｅｔｗｏｒｋ ｃｈａｒ⁃ ａｃｔｅｒｉｓｔｉｃｓ ｕｓｉｎｇ ｆＭＲＩ ａｎｄ ｇｒａｐｈ ｔｈｅｏｒｅｔｉｃａｌ ｍｅａｓｕｒｅｓ［ Ｊ］． Ｎｅｕｒｏｉｍａｇｅ， ２０１２， ５９（２）： １４０４⁃１４１２． 作者简介： 黄嘉爽，男，１９８８ 年生，硕士研究生， 主要研究方向为模式识别、图像处理。 梅雪，女，１９７５ 年生，副教授，主要 研究方向为图像处理、模式识别及计算 机视觉。 ２０１５ 中国计算机学会人工智能会议（ＣＣＦＡＩ ２０１５） ２０１５ ＣＣＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ 中国计算机学会人工智能会议（ＣＣＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＣＣＦＡＩ）是由中国计算机学会主办，中 国计算机学会人工智能与模式识别专业委员会协办的人工智能领域盛会。 该系列会议每两年举行一次，现已成 为国内人工智能领域最主要的学术活动，为广大的人工智能研究人员提供了一个交流、合作的平台，使得研究人 员分享人工智能领域的研究成果、创新思想、最新研究进展。 ２０１５ 年中国计算机学会人工智能会议将于 ２０１５ 年 ８ 月 ２１～ ２３ 日在山西省太原市举行，由山西大学计算机与 信息技术学院、山西大学计算智能与中文信息处理教育部重点实验室联合承办。 本次会议将汇聚从事人工智能 理论与应用研究的人员，广泛开展学术交流，研讨发展战略，共同促进人工智能相关理论、技术及应用的发展。 征文范围：人工智能理论基础、人工智能应用、智能机器人、Ａｇｅｎｔ 理论及应用、智能控制与智能管理、机 器感知与虚拟现实、生物信息学与人工生命、机器学习、数据挖掘、时空知识表示、推理与挖掘、社会网络分析 及应用、神经网络与计算智能、人工免疫、粗糙集与软计算、图像和语音处理、模式识别、知识科学与知识工 程、自然语言处理和机器翻译。 Ｗｅｂｓｉｔｅ：ｈｔｔｐ： ／ ／ ｃｃｆａｉ２０１５．ｓｘｕ．ｅｄｕ．ｃｎ ／ ｄｅｆａｕｌｔ．ａｓｐｘ ·２５４· 智 能 系 统 学 报 第 １０ 卷