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·