基于磁共振成像的情绪稳定性评价系统及其评价方法

专利名称：基于磁共振成像的情绪稳定性评价系统及其评价方法
技术领域：
本发明涉及医学领域，尤其涉及一种基于磁共振成像的情绪稳定性评价系统及其评价方法。
背景技术：
情绪，是人各种的感觉、思想和行为的一种综合的心理和生理状态，是对外界刺激所产生的心理反应，以及附带的生理反应，如喜、怒、哀、乐等。情绪是个人的主观体验和感受，常跟心情、气质、性格和性情有关。情绪是心理活动的外在表型，这种外在表型在个体处在压力情景下更容易表现出来。情绪稳定是指个体在情绪情境下不表现出过分激动的反应，是个体情绪自我调节能力的体现和个性成熟度的标志参见“张氏心理学大辞典” [M]l，上海辞书出版社， 1991. 225，作者张春兴。个体的情绪稳定性差异是相对稳定的，并且在不同情绪情境下表现出来在面对复杂、紧急、恐惧或危险情况下，情绪稳定的个体表现出泰然处之，能发挥个人能力；情绪不稳定的个体表现出不知所措，过度紧张，行为失常，丧失控制局面的能力。情绪稳定性差异不但表现在随情境的变化认知活动水平变化的差异上，也表现在情境控制能力的差异上。参见 Claudia H, Michael K, Lilly B. The impact of personality andtaskcharacteristies on stress and strain during helicopter flight[J]. International JAviation Psychology,1991,1(4) :3012318.及 Bertschy G.Relations between mooddisorders and personality[J]. Recent Data Encephale,1992,18(2) 187292.情绪不稳定性，又译神经质(Neuroticism)是心理学研究中一个基本的人格特质。它是一种经历消极情绪状态的持久倾向。情绪不稳定性得分高的人比一般人更容易经历可能遇到的焦虑，愤怒，内疚和抑郁这样的情绪G.Matthewsand Ian J. Deary. Personality traits. Cambridge, UK Cambridge University Press. 1998.。他们应对环境压力能力较差，更有可能将正常情况解释为威胁，将小挫折看成绝望的困难。他们通常是自我意识和害羞，并有可能难以控制冲动和延迟满足。情绪不稳定性与低情商相关，包括情绪调节，动机和人际关系技巧较低参见Daniel Goleman. Emotional Intelligence. New ^rk =Bantam. 1997.。这也是“内化”精神疾病如恐惧症，抑郁症，恐慌症。和其他焦虑症 (传统上被称为神经症)的一个危险因素。参见这篇论文(Hettema，J. Μ.，Neale, Μ. C.， Myers, J. Μ.，Prescott，C. Α.，&Kendler，K. S.神经质和内化障碍关系的双生子人群研究。 American journal of Psychiatry，163 :857_864，2006)。情绪不稳定的人对事件的发生容易引起情绪反应，一经引起情绪波动，对情绪的控制较差。这种情绪的稳定性与个人的意志强度有关。作者为朱智贤的心理学大辞典认为个体由于意志上的差异导致情绪控制的差异。在紧张情境下，情景控制能量储备高的个体认知活动准确性和动作操作灵活性受损小，并恢复速度大于能量储备低的个体；紧张情境使能量储备低的个体表现出交感活动亢进，交感-副交感活动失平衡。
相反，情绪稳定性得分较高的人情绪比较稳定，他们通常是平静的，不容易感到紧张或慌乱。虽然他们消极情绪低，但是正面的情绪不一定高。这是与外向性相独立的一个特质。情绪不稳定外向型，是一种正面和负面的情绪状态水平都很高的类型，即所谓“情绪过山车”。情绪稳定性得分较高的人，尤其是那些外向性也高的，通常幸福程度和对生活的满意度较高。情绪稳定性(emotional stability)是特定职业人群如飞行人员(航天员)、升学前学生等高应激、高认知负荷和高危险性职业活动所必须的基本心理品质，是这一特殊环境和条件下完成高技术作业的前提和条件。升学成绩好坏、飞行(航天)活动的安全、飞行特情的处理能力均与该职业个体的情绪稳定性水平密切相关。因此，有效地对情绪稳定性进行评价及预测个性影响因素与飞行学员情绪稳定性关系研究就显得十分重要。情绪稳定性普遍被认为由三个有区别的但又相互重叠的成因构成人格因素、情绪因素、认知因素，所有的这些会对个体在某种情景下的情绪表现产生不同程度的影响。目前的主观诊断技术，如评价量表、情绪稳定性问卷表，只能单一地对情绪稳定的等级进行评定，并不能得出情绪稳定性的性质；且这种方法对于丧失主观表达的患者受到限制。而目前的客观评价方法，行为测定法和生理学测定法都是从不同的角度对情绪稳定性进行间接的评价，不够可靠且只能给出有限的信息，对情绪稳定性的量化也受到限制。因此，一种能客观准确地评价情绪稳定性和检测情绪稳定性中各种因素作用的系统和方法，有着很大的社会需求。目前对于情绪稳定性的评定在很大程度上依赖于对象的主观的陈述和心理学量表测评，具有较强的主观性，一种能够可靠检测与情绪稳定性相关变化的客观方法能够改进对情绪稳定性的评估和预测。如果这种技术还能够检测情绪稳定性中的不同相关成因，如人格因素、情绪因素、认知因素，这将会给情绪相关的测评和诊疗工作带来强有力的推动作用。近年来脑功能成像的研究已使人们对情绪状态的中枢机制的理解产生了革命性白勺$4t。 ·$±，^ 1 入 β&FMRI (Functional Magnetic ResonanceImaging, ! 共振功能成像)来获得被试情绪状态全新临床信息的边缘。情绪稳定性是一种相对恒定的状态，功能成像已经重新定义抑郁、精神分裂症等精神疾病的不同亚型具有特定的神经影像学标志物,在此参考了这篇论文(Gong Q，Wu Q, Scarpazza C, Lui S, Jia Ζ,Marquand A, Huang X,McGuire P,Mechelli Α..使用高场手段的抑郁症治疗的预后预测。Neuroimage， 55 :1497-503, 2011)。并且已经为标示一些复杂疾病比如首发抑郁这些疾病的严重程度研发了影像特征指标，在此参考了这篇论文Oiang JR,ffang JH,Wu QZ,Kuang WH,Huang XQ, HeY,Gong QY.首发、未用药抑郁患者的异常脑连接网络。Biological Psychiatry, 2011) 0 结构及静息功能磁共振成像对被试和成像操作人员要求少、可重复性高，能够反映脑结构和自发活动的新功能成像手段。因为大脑的活动是对情绪状态的综合反映，包括有意识或无意自发的，功能成像的运用将使人们能以一种客观的方法认识情绪状态，并更好地理解其潜在神经环路，区分其情绪状态中的不同成分。然而，现有的评定情绪稳定性的主观评定方法容易受诸多外加因素的影响，从而影响评定的客观和准确，现有客观评定方法只依靠单一指标判断，不能够精确客观地反映情绪稳定性的等级，而且现有评定方法主要关注情绪稳定性强弱，不能区分情绪状态中的心理、情感因素成分。
综上可知，现有的情绪评价技术在实际使用上，显然存在不便与缺陷，所以有必要加以改进。

发明内容
针对上述的缺陷，本发明的目的在于提供一种基于磁共振成像的情绪稳定性评价系统及其评价方法，以实现对被测个体情绪稳定等级和成因的准确、客观、稳定地评定。为了实现上述目的，本发明提供一种基于磁共振成像的情绪稳定性评价系统，包括情绪稳定特征样本库，用于存储具有不同情绪稳定性的情绪等级和情绪成分的磁共振结构及静息态功能影像属性；磁共振成像单元，用于获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元；特征提取单元，用于从所述磁共振成像单元传输的磁共振结构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；模式分类器，用于将所述特征提取单元提取的所述被测个体脑部的磁共振结构及静息态功能影像属性进行分类器训练；情绪稳定性评定单元，用于根据所述模式分类器的分类器训练结果以及所述情绪稳定特征样本库存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。根据所述的基于磁共振成像的情绪稳定性评价系统，所述磁共振结构及静息态功能影像属性包括反映大脑全局整合能力的全脑网络属性、反映大脑局部整合能力的局部属性、反映大脑各脑区之间协同能力的功能连接属性、反映脑区影响力的节点属性、反映脑区模块化或不同组分的子网/组分属性。根据所述的基于磁共振成像的情绪稳定性评价系统，所述子网/组分的脑区包括右侧框额皮质、腹外侧前额叶皮层、双侧颞皮层、杏仁核、尾状核、伏隔核、前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质。根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪稳定性评定单元包括情绪稳定等级评定子单元，用于将所述被测个体的磁共振结构及静息态功能影像属性与所述情绪稳定特征样本库中对应的情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性进行比较，获取所述被测个体的情绪稳定等级；和/或情绪成分评定子单元，用于根据所述情绪稳定特征样本库存储的不同情绪成分的子网/组分的分类属性与所述被测个体脑部的子网/组分属性，进行所述被测个体的情绪稳定性的成分识别，获取所述被测个体的情绪稳定性成因和/或所述成因的权重。根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪稳定性评定单元还包括获取子单元，用于接收被测个体的临床情绪测评信息，并根据所述被测个体的磁共振结构及静息态功能影像属性和所述临床心理测评信息，分析所述被测个体的情绪稳定性等级和/或情绪成因；和/或
微调子单元，用于微调所述情绪稳定特征样本库的情绪稳定等级和/或情绪成因的相关参数。根据所述的基于磁共振成像的情绪稳定性评价系统，所述特征提取单元包括特征提取子单元，用于从所述被测个体的脑部的全脑网络中分离出反映不同情绪成分的子网/组分，并计算所述分离出的子网/组分属性、功能连接属性以及节点属性；划分子单元，用于把全脑按照解剖模板划分成多个不同的脑区，然后根据所述磁共振结构及静息态功能成像数据，以所述脑区为单位提取反映静息态脑区活动的时间序列，再采用所述脑区的时间序列/皮层厚度构建所述全脑网络和子网网络。根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪状态特征样本库还用于存储用于构建所述全脑网络和子网网络、功能连接节点时，由所述磁共振结构及静息态功能成像数据通过计算得到的中间值、情绪稳定性等级/成因评定结果、临床心理测评信息以及情绪稳定性等级/成因的微调值。根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪成因包括人格因素、情绪因素以及认知因素。根据所述的基于磁共振成像的情绪稳定性评价系统，所述模式分类器为非线性支持向量机分类器；所述模式分类器对所述分类器训练结果进行交叉验证。本发明还提供了一种利用上述任意一项的系统实现情绪稳定性评价的方法，所述方法包括A、磁共振成像单元获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元；B、特征提取单元从所述磁共振成像单元传输的磁共振结构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；C、模式分类器将所述特征提取单元提取的所述被测个体脑部的磁共振结构及静息态功能影像属性进行分类器训练；D、情绪稳定性评定单元根据所述模式分类器的分类器训练结果，以及所述情绪稳定特征样本库存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性， 评定所述被测个体的情绪稳定性等级和/或情绪成因。本发明通过采集结构和静息态磁共振功能成像所得的客观影像数据，采用信息处理技术从中提取被测新个体结构及静息态功能影像属性，并将该与情绪稳定特征样本库中的历史结构及静息态功能影像属性的进行比对，优选通过模式分类、自适应反馈学习等方法对影像数据特征值和临床情绪信息进行分类、提取、优化，综合成能反映客观情绪稳定等级和成因的评定系统，并最终得到量化指标来客观、准确地评定被试的情绪稳定等级和/ 或情绪成分，该情绪稳定性评定结果可用于指导医护人员对患者进行科学诊断、管理以及治疗。并且本发明所使用的基于支持向量机的模式分类方法可以获得较高分类准确率，在基于支持向量机的模式分类方法使用交叉验证方法可以获得更精准的分类。因此，与已有技术相比较，本发明具有情绪信息的无创、动态和瞬时采集，通过样本量特征优化，可以准确、客观、稳定地评定患者在某一时期内的情绪稳定等级和成因情况。


图1是本发明提供的基于磁共振成像的情绪稳定性评价系统的组成示意图；图2是本发明提供的基于磁共振成像的情绪稳定性评价系统的组成示意图；图3是本发明提供的基于磁共振成像的情绪稳定性评价的方法流程图；图4是本发明提供的情绪稳定性等级评定的方法流程图；图5是本发明提供的情绪成因评定的方法流程图；图6是本发明提供的基于磁共振成像的情绪稳定性评价系统的组分识别流程图。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。参见图1，本发明提供了一种基于磁共振成像的情绪稳定性评价系统10，包括情绪稳定特征样本库11，用于存储具有不同情绪稳定性的情绪等级和情绪成分的磁共振结构及静息态功能影像属性；磁共振成像单元12，用于获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元13;特征提取单元13，用于从所述磁共振成像单元12传输的磁共振结构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；模式分类器14，用于将所述特征提取单元13提取的所述被测个体脑部的磁共振结构及静息态功能影像属性进行分类器训练；情绪稳定性评定单元15，用于根据所述模式分类器14的分类器训练结果，以及所述情绪稳定特征样本库11存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。情绪稳定性是指个体对于情境变化控制和认知水平表现出来的个性特征。情绪状态的稳定是个人在承担某项具有一定压力的工作所必须考虑的个体因素。本发明所要解决的问题是目前对于个体情绪稳定性的评定缺乏主观的标准，主观性强，容易受个体差异和诸多外加因素的影响，从而影响评价的客观和准确。另外，现有的情绪稳定性的评定方法主要依靠心理量表做定性判断，不能够客观地反映情绪状态的分级以及情绪中所包含的心理因素。因此，本发明预先将多个被测个体的历史不同情绪稳定性的情绪等级和情绪成分的磁共振结构及静息态功能影像属性存储于情绪稳定特征样本库11中；然后在对新的被测个体的情绪进行评价时，通过磁共振成像单元12获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元13 ；特征提取单元13在磁共振结构相和静息态功能相成像数据中，提取新的所述被测个体脑部的磁共振结构及静息态功能影像属性；再将磁共振结构及静息态功能影像属性发送到模式分类器14进行分类器训练，最后情绪稳定性评定单元15根据所述模式分类器14的分类器训练结果与情绪稳定特征样本库11存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性，评定新的被测个体的情绪稳定性等级及情绪成因。这对新的被测个体的情绪评定带来了准确的评判，为新的被测个体的工作或是生活学习给予良好的指导。
在本发明中提供的基于SVM(Suport Vector Machine，非线性支持向量机)的模式分类器14是一种建立在统计学习理论基础之上的机器学习方法，其最大的特点是根据结构风险最小化原则，尽量提高学习机的泛化能力，即由有限的训练集样本得到小的误差仍然能够保证对独立的测试集保持小的误差。另外，由于支持向量算法是一个凸优化问题，所以局部最优解一定是全局最优解，这是其他分类算法所不能及的。通过该种从不同情绪稳定性人群样本磁共振结构及静息态功能影像进行学习训练得到的SVM模式分类器14，使用该模式分类器14的得分可以用来判别某种异常情绪状态的程度。在本发明的一个实施例中，SVM被采用作为模式分类算法，通过使用高斯径向基作为核函数，首先把最初所选取的特征属性映射到高维空间从而计算出一个超平面，在此超平面中最大化此平面和每个属性类实例的距离，找到这个超平面后，SVM能够通过映射个体到特征空间并检查该个体属于哪个分离的平面预测出一个未标示样本的类别；输入给模式分类器14的是特征矩阵和类标示向量，如1表示情绪稳定性高或者-1表示情绪稳定性低。 而情绪稳定性评定单元15将被测个体的磁共振结构及静息态功能影像属性和情绪状态特征样本库11中相应的历史磁共振结构及静息态功能影像属性，利用模式分类器14进行识别，评定出所述被测个体的情绪稳定性等级和/或情绪成因。优选的，通过情绪稳定性评定单元15应用交叉验证的方法能确定一个个体属于某种情绪稳定性群体的得分值，从而判定该个体的情绪稳定性状态，通过交叉验证的方法可以提高确认被测个体的情绪稳定性等级及成因的准确性。在本发明的一个实施例中，所述磁共振结构及静息态功能影像属性包括反映大脑全局整合能力的全脑网络属性、反映大脑局部整合能力的局部属性、反映大脑各脑区之间协同能力的功能连接属性、反映脑区影响力的节点属性、反映脑区模块化或不同组分的子网/组分属性。而对于所述子网/组分的脑区包括右侧框额皮质、腹外侧前额叶皮层、 双侧颞皮层、杏仁核、尾状核、伏隔核、前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质。其中，所述磁共振结构相属性包括间接反映神经元稠密情况的脑灰质密度，反映脑区形状大小情况的脑灰质体积、脑白质体积、脑区变形场，反映神经细胞间复杂连接情况的皮层厚度。所述磁共振功能相属性包括功能连接度、相关性、互信息等。所述节点属性包括某一个脑区(节点)的度(degree)、效率(Effciency)和连通性(Betweenness), H 区体素之间生理频段的振幅指标。所述子网/组分属性包括成因的重要性排序(ranking value)，每次划分的稳定性，成因的显著性水平等。通过磁共振功能成像技术对人脑的研究证明许多脑部区域(简称脑区或节点) 与情绪过程相关，这些脑区包括下右侧框额皮质、腹外侧前额叶皮层、双侧颞皮层、杏仁核、 尾状核、伏隔核、前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质等。情绪稳定性可能与这些脑区的功能连接、结构以及生物化学变化相关。人脑磁共振成像数据和基于解剖模板的后续分析可以检测到被试在这些脑区的激活强度、功能连接强度、密度/ 体积、皮层厚度等脑区结构变化情况；指出与情绪稳定正向或负向相关的功能连接变异、可能的结构变化以及生物化学变化；识别与情绪稳定性和情绪状态成因相关的中枢神经系统机制。参见图2，在本发明的一个实施例中，所述情绪稳定性评定单元15包括
情绪稳定等级评定子单元151，用于将所述被测个体的磁共振结构及静息态功能影像属性与所述情绪稳定特征样本库11中对应的情绪等级和情绪成分的磁共振结构及静息态功能影像属性进行比较，获取所述被测个体的情绪稳定等级；和/或情绪成分评定子单元152，用于根据所述情绪稳定特征样本库11存储的不同情绪成分的子网/组分的分类属性与所述被测个体脑部的子网/组分属性，进行所述被测个体的的情绪稳定性的成分识别，获取所述被测个体的情绪稳定性成因及所述成因的权重。情绪稳定等级评定子单元151将被测个体的磁共振结构及静息态功能功能影像属性和历史磁共振结构及静息态功能影像属性进行比对，对同类属性利用模式分类器14 进行模式分类分析得出新的被测个体磁共振结构及静息态功能影像属性，与所述情绪稳定特征样本库11中不同情绪稳定性等级群体的历史结构及静息态功能影像属性的分类值， 并联合对磁共振结构属性和静息态功能属性使用模式分类器14提高分类准确率。其中，联合使用磁共振结构相属性和静息态功能属性所得出分类值作为个体属于某一群体的隶属度；对多种属性进行重复分类识别之后的所得分类的变异程度作为此隶属度的置信度；新的所述被测个体或者说新的患者的情绪稳定等级评定值=某一情绪稳定等级隶属度+置信度。情绪成分评定子单元152用基于情绪稳定特征样本库11已存储的不同情绪成分群体的的历史子网/组分的分类属性，对所述新的被测个体子网/组分属性进行成分识别，通过具有先验知识的主成分分析技术将被测个体子网/组分属性进行成分识别得出新被试的情绪成分。通过被测个体子网/组分属性与不同历史等级样本的同一子网/组分分类属性之间的成分识别等级得出新被试的各种情绪成分的权重。在本发明的一个实施例中，情绪稳定性评定单元15还包括获取子单元153，用于接收被测个体的临床情绪测评信息，并根据所述被测个体的磁共振结构及静息态功能影像属性和所述临床心理测评信息，分析所述被测个体的情绪稳定性等级和/或情绪成因；和/或微调子单元154，用于微调所述情绪稳定特征样本库11的情绪稳定等级和/或情绪成因的相关参数。获取子单元153获取被试的临床情绪信息，例如接收患者的电子病历记录信息， 或者医生通过获取子单元153输入的患者电子病历记录信息。结合所述情绪成分的基准权重和临床情绪信息分析出患者的情绪成分的修正权重。并且微调子单元1 通过情绪稳定特征样本库11的自适应反馈学习方法，例如人工神经网络微调新的被测个体的情绪稳定性等级和/或情绪成分。微调子单元1 通过情绪稳定特征样本库11的自适应反馈学习方法微调所述情绪成分的微调权重，得到优化后的权重。以上调整方式也适用于情绪稳定等级评定子单元151评定情绪稳定等级时的修正和微调。情绪成分评定子单元152通过具有先验知识的模式识别技术从全脑网络中分离出反映不同情绪成分的子网/组分，分别反映某种情绪成分的子网/组分属性的权重和优先关系。情绪成分评定子单元152通过组分识别技术识别出的组分确定被测个体的情绪成因，而组分识别技术得出代表该个体该种情绪成因的子网/组分属性之间不同等级的子网 /组分属性排序，得出各种情绪成因的权重。在本发明中，所述情绪成因包括人格因素、情绪因素以及认知因素。在本发明的一个实施例中，所述特征提取单元13包括
特征提取子单元131，用于从所述被测个体的脑部的全脑网络中分离出反映不同情绪成分的子网/组分，并计算所述分离出的子网/组分属性、功能连接属性以及节点属性；划分子单元132，用于把全脑按照解剖模板划分成多个不同的脑区，然后根据所述磁共振结构及静息态功能成像数据，以所述脑区为单位提取反映静息态脑区活动的时间序列，再采用所述脑区的时间序列/皮层厚度构建全脑网络和子网网络。特征提取单元13分别对结构相和静息态功能像提取网络属性、功能连接属性和节点属性等不同层面的属性，同时联合对结构相和静息态功能像提取全脑、子网、节点三个层面的联合属性。其中，特征提取子单元131通过具有先验知识的组分识别技术从全脑网络中分离出反映不同情绪成分的子网/组分，分别计算分离出的子网/组分属性、功能连接属性和节点属性。划分子单元132则按照解剖模板把全脑划分成若干个不同的脑区，然后利用所述解剖模板分割所述功能成像单元所得到的所述磁共振结构及静息态功能成像数据，以所述脑区为单位提取反映静息态脑活动的时间序列，用所述脑区和时间序列/皮层厚度来构建全脑网络和子网网络。在本发明的一个实施例中，特征提取单元13的划分子单元132首先按照解剖模板把全脑划分成若干个不同的脑区，然后利用解剖模板分割磁共振成像单元12所得到的结构及静息态功能成像数据，以脑区为单位提取反映脑活动的时间序列，用脑区和时间序列来构建全脑网络和子网网络。其方式包括以不同的脑区作为节点，以脑区之间时间序列的关系作为边，构建有向连接图，即脑区之间关系有次序和指向，以及无向连接图即脑区之间关系无次序和指向；计算图的全脑、子网和节点层面的各种磁共振结构和功能相属性； 功能连接的计算包括以解剖模板或者自定义方式确定感兴趣脑区，提取感兴趣脑区的时间序列，计算感兴趣脑区之间的相关关系。情绪稳定性网络主要参考(Moissset et al., 2007)这两篇论文(Mobbs D, Hagan CC, Azim E, Menon V，Reiss AL，与幽默相关的奖赏和情绪区域的人格预测活动，PNAS,45 :16502-16506,2005 ；Reske M etal.，情绪稳定功能障碍，JOURNAL OF PSYCHIATRIC RESEARCH, 41 :918_927，2007)。特征提取单元 13 构建子网 / 组分的脑区包含右侧框额皮质、腹外侧前额叶皮层、双侧颞皮层、杏仁核、尾状核、伏隔核、 前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质。在本发明的其他优选实施中，所述情绪状态特征样本库11还用于存储用于构建全脑网络和子网网络、功能连接节点时，由所述磁共振结构及静息态功能成像数据通过计算得到的中间值、情绪稳定性等级/成因评定结果、临床心理测评信息以及情绪稳定性等级/成因的微调值。该情绪稳定特征样本库11在情绪稳定性评定时进行参考比对和必要的信息反馈。所述子网是指几个脑区的组合，但其功能不明确；而所述组分也是几个脑区的组合，但具有明确的功能。在对情绪稳定特征样本库11的样本经过多次学习之后，最终使每次的评定结果都达到稳定状态，从而保证情绪稳定性评定结果的稳定性。参见图3，本发明还提供了采用上述系统实现基于磁共振成像的情绪稳定性评价的方法，所述方法包括步骤S301中，磁共振成像单元12获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元13 ；步骤S302中，特征提取单元13从所述磁共振成像单元12传输的磁共振结构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；步骤S303中，模式分类器14将特征提取单元13提取的所述被测个体脑部的磁共振结构及静息态功能影像属性进行分类器训练；步骤S304中，情绪稳定性评定单元15根据模式分类器14的分类器训练结果，以及情绪稳定特征样本库11存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。在本发明中，磁共振成像单元12可以采用现有的MRI (Magnetic Resonancelmaging，磁共振成像)设备实现。磁共振成像单元12从被测个体的脑部获取不同磁共振成像数据包括结构相和功能相，还可用于获取不同层面的被测个体的不同相的磁共振影像数据并传输给特征提取单元13。特征提取单元13从新的被测个体的磁共振结构及静息态功能成像数据中提取被测个体的磁共振结构及静息态功能影像属性。对于情绪稳定特征样本库11中的历史结构及静息态功能影像属性，也由特征提取单元13获取并保存的。特征提取单元13提取出被测个体的结构及静息态功能影像属性，再输入给支持向量机的模式分类器14，模式分类器14使用核函授对属性进行非线性的映射，属性被映射到高维空间，联合使用结构相和静息态功能属性训练模式分类器14 ；基于在高维空间超平面中的距离，模式分类器14能够计算出新个体属于情绪稳定特征样本库11中相应群体的概率，如果该新个体相对应于此群体的概率得分大于等于90%、则该新的被测个体就属于此群体； 1-概率分类得分代表了这个个体的异常水平；联合对结构属性和静息态功能属性使用分类器提高分类准确率；多次使用分类器得出分类值的变异程度作为该个体的分类置信度。在本发明中，采用基于支持向量机的模式分类方法使用交叉验证方法提高模式分类器14的分类准确性。交叉验证是通过使用留一交叉验证方法可以计算出每个个体的异常概率分布，在留一交叉验证中，一个样本被选择用来测试，而其余的样本被用来训练模式分类器14，模式分类器14的好坏用测试个体的分类结果来评估；通过重复的拿开群体中不同个体作为测试个体，获得属于它的异常得分，并平均所有拿开的个体的得分，得到一个平均的分类率；验证同时被使用绘制受试者工作特征曲线来执行，受试者工作特征曲线是一个当区分阈值不同时敏感性作为横坐标、特异性作为纵坐标的分类器曲线图。情绪稳定等级评定子单元151将被测个体的磁共振结构及静息态功能影像属性和历史磁共振结构及静息态功能影像属性进行比对，对同类属性利用模式分类器14得出新个体磁共振结构及静息态功能影像属性与情绪稳定特征样本库11中不同情绪稳定等级群体的历史磁共振结构及静息态功能静息态功能影像属性的分类值，首先联合使用磁共振结构相属性和静息态功能的模式分类器14中的属性训练分类器，使用模式分类器14中联合特征分类器所得出分类值作为个体属于某一群体的隶属度，作为最终的分类值D(KP)； 对多种情绪稳定特征样本库11中同类属性进行重复分类识别之后的所得分类的变异程度作为此隶属度D(KP)的置信度C(C%)。最终新的被测试的情绪稳定等级评定值=某一情绪稳定等级分类值D (KP) +置信度(C% )。研究表明，不同的情绪成分可能对应着不同的子网/组分，检测不同的子网/组分激活程度可以确定情绪中成分因素。针对被试的结构及静息态功能成像数据，结合先验知识采用PCA (Principal component analysis，主成分分析)等模式识别技术检测不同子网 /组分激活程度；通过具有先验分类知识的主成分分析所得出来的组分，可以确定为情绪中的不同成分因素；而通过比较同一个体不同子网/组分之间的差异和登记排序，可以确定各种情绪成分所占的比重。参见图4，在本发明的一个实施例中，情绪稳定评定系统100进行情绪稳定性等级评定的流程步骤S401中，磁共振成像单元12对被试个体的脑部进行磁共振结构及静息态功能成像数据进行采集；步骤S402中，磁共振成像单元12对所采集的磁共振结构及静息态功能成像数据进行预处理；步骤S403中，特征提取单元13从磁共振结构及静息态功能成像数据中，提取被测个体的全脑网络属性和正常人全脑网络属性等多个层面的属性特征；根据情绪成分选取情绪特征网络(及子网)，辅以临床情绪量表和其他信息，计算情绪特征网络及节点影像特征的分类值。步骤S404中，模式分类器14根据情绪成分、临床情绪信息、基本影像特征由算法库确定情绪稳定性标定算法，并利用所述算法进行计算，获取情绪稳定等级参数值。步骤S405中，根据影像特征标定情绪稳定性等级值。情绪稳定特征样本库11建立阶段情绪稳定性测定值。步骤S406中，根据情绪稳定特征样本库11建立阶段评定值和临床测定值进行比较，两者匹配情况及情绪稳定等级评定值均存入情绪稳定特征样本库11。步骤S407中，模式分类器14进行交叉验证，对情绪稳定特征样本库11的样本经过多层次人工神经学习网络修正与微调，得到最终测定的情绪稳定性等级评定值。在本发明的一个实施例中，提供了一个情绪稳定等级划分的具体实例，描述如下支持向量机(SVM)算法使用表达量的加权线性组合等方式作为两类间的判别器。 该线性组合能够最大化分类表现最差的样本与判别平面间的边界或距离。初始情况下所有数据库样本个体被用于训练SVM算法。判定情绪稳定性等级过程，首先SVM算法会移除线性组合中权重绝对值较小的被试个体，并在剩余个体上构造新的SVM模式分类器14。在找到一个新的线性判别平面后，再移除线性组合中权重绝对值较小的被试个体，并在剩余个体上构造又一个新的SVM模式分类器14。该过程重复进行直到所有的样本都被用到构造 SVM模式分类器14。SVM算法是从线性可分情况下的最优分类面(Optimal Hyperplane)提出的。所谓最优分类面就是要求分类面不但能将两类样本点无错误地分开，而且要使两类的分类空隙最大。d维空间中线性判别函数的一般形式为g(x) =wTx+b，分类面方程是wTx+b = 0，我们将判别函数进行归一化，使两类所有样本都满足Ig(X) I ^ 1，此时离分类面最近的样本的Ig(X) I = 1，而要求分类面对所有样本都能正确分类，就是要求它满足Yi(W1Xdb)-I 彡 0，i = 1，2，...，η。(1)式(1)中使等号成立的那些样本叫做支持向量(Support Vectors) 0两类样本的分类空隙(Margin)的间隔大小Margin = 2/| |w| | (2)因此，最优分类面问题可以表示成如下的约束优化问题，即在条件(4)的约束下，
权利要求
1.一种基于磁共振成像的情绪稳定性评价系统，其特征在于，包括情绪稳定特征样本库，用于存储具有不同情绪稳定性的情绪等级和情绪成分的磁共振结构及静息态功能影像属性；磁共振成像单元，用于获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元；特征提取单元，用于从所述磁共振成像单元传输的磁共振结构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；模式分类器，用于将所述特征提取单元提取的所述被测个体脑部的磁共振结构及静息态功能影像属性进行分类器训练；情绪稳定性评定单元，用于根据所述模式分类器的分类器训练结果以及所述情绪稳定特征样本库存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。
2.根据权利要求1所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述磁共振结构及静息态功能影像属性包括反映大脑全局整合能力的全脑网络属性、反映大脑局部整合能力的局部属性、反映大脑各脑区之间协同能力的功能连接属性、反映脑区影响力的节点属性、反映脑区模块化或不同组分的子网/组分属性。
3.根据权利要求2所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述子网/组分的脑区包括右侧框额皮质、腹外侧前额叶皮层、双侧颞皮层、杏仁核、尾状核、 伏隔核、前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质。
4.根据权利要求2所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述情绪稳定性评定单元包括情绪稳定等级评定子单元，用于将所述被测个体的磁共振结构及静息态功能影像属性与所述情绪稳定特征样本库中对应的情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性进行比较，获取所述被测个体的情绪稳定等级；和/或情绪成分评定子单元，用于根据所述情绪稳定特征样本库存储的不同情绪成分的子网 /组分的分类属性与所述被测个体脑部的子网/组分属性，进行所述被测个体的情绪稳定性的成分识别，获取所述被测个体的情绪稳定性成因和/或所述成因的权重。
5.根据权利要求4所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述情绪稳定性评定单元还包括获取子单元，用于接收被测个体的临床情绪测评信息，并根据所述被测个体的磁共振结构及静息态功能影像属性和所述临床心理测评信息，分析所述被测个体的情绪稳定性等级和/或情绪成因；和/或微调子单元，用于微调所述情绪稳定特征样本库的情绪稳定等级和/或情绪成因的相关参数。
6.根据权利要求2所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述特征提取单元包括特征提取子单元，用于从所述被测个体的脑部的全脑网络中分离出反映不同情绪成分的子网/组分，并计算所述分离出的子网/组分属性、功能连接属性以及节点属性；划分子单元，用于把全脑按照解剖模板划分成多个不同的脑区，然后根据所述磁共振结构及静息态功能成像数据，以所述脑区为单位提取反映静息态脑区活动的时间序列，再采用所述脑区的时间序列/皮层厚度构建所述全脑网络和子网网络。
7.根据权利要求6所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述情绪状态特征样本库还用于存储用于构建所述全脑网络和子网网络、功能连接节点时，由所述磁共振结构及静息态功能成像数据通过计算得到的中间值、情绪稳定性等级/成因评定结果、临床心理测评信息以及情绪稳定性等级/成因的微调值。
8.根据权利要求3所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述情绪成因包括人格因素、情绪因素以及认知因素。
9.根据权利要求1所述的基于磁共振成像的情绪稳定性评价系统，其特征在于，所述模式分类器为非线性支持向量机分类器；所述模式分类器对所述分类器训练结果进行交叉验证。
10.一种利用权利要求1 9任意一项的系统实现情绪稳定性评价的方法，其特征在于，所述方法包括A、磁共振成像单元获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元；B、特征提取单元从所述磁共振成像单元传输的磁共振结构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；C、模式分类器将所述特征提取单元提取的所述被测个体脑部的磁共振结构及静息态功能影像属性进行分类器训练；D、情绪稳定性评定单元根据所述模式分类器的分类器训练结果，以及所述情绪稳定特征样本库存储的所述情绪等级信息和情绪成分的磁共振结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。
全文摘要
本发明公开了一种基于磁共振成像的情绪稳定性评价系统及其评价方法，情绪稳定性评价系统，包括情绪稳定特征样本库，存储具有不同情绪稳定性的情绪等级和情绪成分的磁共振结构及静息态功能影像属性；磁共振成像单元，获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元；特征提取单元，从所述成像数据中，提取被测个体脑部的磁共振结构及静息态功能影像属性；模式分类器，将所述磁共振结构及静息态功能影像属性进行分类器训练；情绪稳定性评定单元，根据分类器训练结果以及磁共振结构及静息态功能影像属性，评定被测个体的情绪稳定性等级和/或情绪成因。借此，本发明实现了对被测个体情绪稳定等级和成因的准确、客观、稳定地评定。
文档编号A61B5/16GK102293656SQ20111013909
公开日2011年12月28日 申请日期2011年5月25日 优先权日2011年5月25日
发明者张俊然, 龚启勇 申请人:四川大学华西医院