在大脑神经传导信号分类中的判别性子图挖掘方法
【专利摘要】一种在大脑神经传导信号分类中的判别性子图挖掘方法，首先对每个样本构建结构连接网络，然后根据的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
【专利说明】在大脑神经传导信号分类中的判别性子图挖掘方法
【技术领域】
[0001] 本发明属于大脑神经传导信号【技术领域】，具体涉及一种在大脑神经传导信号分类 中的判别性子图挖掘方法。
【背景技术】
[0002] 大脑神经传导信号分为正常信号和异常信号，异常信号频繁出现就会导致大脑神 经传导信号的错失率高，这是需要避免的，所以对于这样的正常信号和异常信号的正确划 分越来越重要，近几年来许多研究提出基于单一或多种生物模态的方法用于大脑神经传导 的正常信号和异常信号的分类，除了使用单一的体素或者脑区，结构或功能连接网络也已 被广泛用于大脑神经传导的正常信号和异常信号的的分类。已有研究表明，可以通过研究 脑区之间结构或功能的连接来更好的理解这些大脑神经传导的正常信号和异常信号的区 别因素。
[0003] 传统的基于连接网络的分类方法仅仅从网络中选取一系列特征，如结点度，聚类 系数和路径长度等，并将这些提取的特征串联成特征向量，再用于后续的分类。然而，连接 网络中的一些有用的网络拓扑结构信息（包括样本自身拓扑结构以及样本间网络的拓扑 关系）可能因此而丢失，继而影响到分类器的性能。
【发明内容】
[0004] 本发明的目的提供一种在大脑神经传导信号分类中的判别性子图挖掘方法，首先 对每个样本构建结构连接网络。然后根据的它们的标签把训练样本分为两个组即正常信 号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组 频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性 能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号 和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于 连接网络的分类方法。
[0005] 为了克服现有技术中的不足，本发明提供了一种在大脑神经传导信号分类中的判 别性子图挖掘方法的解决方案，具体如下：
[0006] -种在大脑神经传导信号分类中的判别性子图挖掘方法，步骤如下：
[0007] 步骤1 :首先对需要对大脑神经传导信号分类的大脑分别进行核磁共振成像，核 磁共振成像后构成需要对大脑神经传导信号分类的大脑各自对应的脑图像，然后将脑图 像通过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模 板将预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互 连接以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结 构网络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区 之间不存在连接，连接矩阵相应位置的元素的值为〇,所述的标签包括大脑神经传导信号属 于正常信号或者异常信号的属性；
[0008] 步骤2 :根据每个结构网络化的脑图像的标签中的大脑神经传导信号属于正常信 号或者异常信号的属性，将结构网络化的脑图像分别划分为属于正常信号的正常组和属于 异常信号的异常组，然后分别对于正常组内的结构网络化的脑图像和异常组内的结构网络 化的脑图像利用gSpan算法在组内进行频繁子图挖掘以此得到针对正常组的频繁子图的 集合S1和针对异常组的频繁子图的集合S2 ;
[0009] 步骤3 :将针对正常组的频繁子图的集合S1中的频繁子图和针对异常组的频繁子 图的集合S2中的频繁子图按照各自在属于异常信号的异常组或者属于正常信号的正常组 中出现的频度大小分别进行升序排列，升序排列中的针对正常组的频繁子图的集合S1中的 第i个频繁子图用乂来表示，升序排列中的针对异常组的频繁子图的集合S2中的第i个频 繁子图用来表示，其中i为代表序列号的自然数，另外把所述的正常组内的结构网络化 的脑图像和异常组内的结构网络化的脑图像进行合并构造成有标签的无向图的集合，其中 G = (V，E，L)，G为有标签的无向图的集合中的有标签的无向图，其中V为图中顶点的集合， Ee FxF是图中边的集合，e = {u，v}表示从顶点u到顶点V之间存在一条边，L为图中 顶点的标签集合；
[0010] 步骤4:运用图核的方法在针对正常组的频繁子图的集合S1和针对异常组的频 繁子图的集合S2中选出最具判别能力的频繁子图结构，也就是把正常组内的结构网络化 的脑图像和异常组内的结构网络化的脑图像逐一取出同针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中的对应位置的频繁子图所组成的频繁子图对根据 Weisfeiler-Lehman subtree kernel算法进行相似度度量，将正常组内的结构网络化的脑 图像和异常组内的结构网络化的脑图像分给最具有最大相似度值的频繁子图所属的组，判 别其是否分组正确，最后选出那些具有最高分类精确度所对应的频繁子图对作为最具判别 性的频繁子图对。
[0011] 所述的步骤2的利用gSpan算法在组内进行频繁子图挖掘的方法为分别针对正常 组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构 成的异常图集中的所有图首先各自构建一个正常信号的字典序列和异常信号的字典序列， 并将每个图映射到唯一一个最小的深度优先搜索编码作为图的唯一标签，然后，基于所构 建的正常信号的字典序列和异常信号的字典序列，gSpan算法采用深度优先搜索策略分别 对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑 图像构成的异常图集中的所有图进行频繁子图挖掘，以此分别得到针对正常组的频繁子图 和针对异常组的频繁子图。
[0012] 应用本发明上述方案，根据对每个样本构建结构连接网络。然后根据的它们的标 签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别 利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进 一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在 真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表 明，本发明的方法要优于现阶段基于连接网络的分类方法。
【专利附图】
【附图说明】
[0013] 图1为本发明的流程图。
【具体实施方式】
[0014] 本发明提出了一种新的基于结构连接网络的分类方法。基本的条件是大脑神经传 导的正常信号和异常信号之间存在不同的网络拓扑结构。本文的目标是找出这些不同的拓 扑结构，并用于后续的分类当中。具体而言，首先对每个样本构建结构连接网络。然后根据 的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对 每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选 择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于 分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方 法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
[0015] 下面结合附图对
【发明内容】
作进一步说明：
[0016] 在大脑神经传导信号分类中的判别性子图挖掘方法，步骤如下：
[0017] 步骤1 :首先对需要对大脑神经传导信号分类的大脑分别进行核磁共振成像，核 磁共振成像后构成需要对大脑神经传导信号分类的大脑各自对应的脑图像，然后将脑图 像通过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模 板将预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互 连接以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结 构网络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区 之间不存在连接，连接矩阵相应位置的元素的值为〇,所述的标签包括大脑神经传导信号属 于正常信号或者异常信号的属性；
[0018] 步骤2 :根据每个结构网络化的脑图像的标签中的大脑神经传导信号属于正常信 号或者异常信号的属性，将结构网络化的脑图像分别划分为属于正常信号的正常组和属于 异常信号的异常组，然后分别对于正常组内的结构网络化的脑图像和异常组内的结构网络 化的脑图像利用gSpan算法在组内进行频繁子图挖掘以此得到针对正常组的频繁子图的 集合S1和针对异常组的频繁子图的集合S2 ;
[0019] 步骤3 :将针对正常组的频繁子图的集合S1中的频繁子图和针对异常组的频繁子 图的集合S2中的频繁子图按照各自在属于异常信号的异常组或者属于正常信号的正常组 中出现的频度大小分别进行升序排列，升序排列中的针对正常组的频繁子图的集合S1中的 第i个频繁子图用5V来表示，升序排列中的针对异常组的频繁子图的集合S2中的第i个频 繁子图用来表示，其中i为代表序列号的自然数，另外把所述的正常组内的结构网络化 的脑图像和异常组内的结构网络化的脑图像进行合并构造成有标签的无向图的集合，其中 G = (V，E，L)，G为有标签的无向图的集合中的有标签的无向图，其中V为图中顶点的集合， FxF是图中边的集合，e = {u, v}表示从顶点u到顶点V之间存在一条边，L为图中 顶点的标签集合；
[0020] 步骤4:运用图核的方法在针对正常组的频繁子图的集合S1和针对异常组的频 繁子图的集合S2中选出最具判别能力的频繁子图结构，也就是把正常组内的结构网络化 的脑图像和异常组内的结构网络化的脑图像逐一取出同针对正常组的频繁子图的集合S1 和针对异常组的频繁子图的集合S2中的对应位置的频繁子图所组成的频繁子图对根据 Weisfeiler-Lehman subtree kernel算法进行相似度度量，将正常组内的结构网络化的脑 图像和异常组内的结构网络化的脑图像分给最具有最大相似度值的频繁子图所属的组，判 别其是否分组正确，最后选出那些具有最高分类精确度所对应的频繁子图对作为最具判别 性的频繁子图对。所述的步骤2的利用gSpan算法在组内进行频繁子图挖掘的方法为分别 针对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的 脑图像构成的异常图集中的所有图首先各自构建一个正常信号的字典序列和异常信号的 字典序列，并将每个图映射到唯一一个最小的深度优先搜索编码作为图的唯一标签，然后， 基于所构建的正常信号的字典序列和异常信号的字典序列，gSpan算法采用深度优先搜索 策略分别对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网 络化的脑图像构成的异常图集中的所有图进行频繁子图挖掘，以此分别得到针对正常组的 频繁子图和针对异常组的频繁子图。
[0021] 为了评估本文所提出的判别子图挖掘算法的性能，在弥散张量成像的数据集上对 本发明的方法进行了验证。表1给出了本文使用的数据集的样本信息。样本为美国北卡罗 来纳Duke-UNC脑影像和分析中心（Brain Imaging and Analysis center, BIAC)米集。所有 数据通过3T扫描仪扫描获得。每个受试者的弥散加权图像通过使用以下弥散加权参数值 获得：b = 0和 1000s/mm2，flip angle = 90°，repetition(TR)= 17000ms，echo time(TE) =78ms. Imaging matrix = 128X128, FOV = 256 X 256mm2, voxel size = 2 X 2 X 2mm3. 一 共获取72张连续的切片。
[0022] 表 1
[0023]
【权利要求】
1. 一种在大脑神经传导信号分类中的判别性子图挖掘方法，其特征在于，步骤如下： 步骤1:首先对需要对大脑神经传导信号分类的大脑分别进行核磁共振成像，核磁共 振成像后构成需要对大脑神经传导信号分类的大脑各自对应的脑图像，然后将脑图像通 过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模板将 预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互连接 以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结构网 络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区之间 不存在连接，连接矩阵相应位置的元素的值为0,所述的标签包括大脑神经传导信号属于正 常信号或者异常信号的属性； 步骤2 :根据每个结构网络化的脑图像的标签中的大脑神经传导信号属于正常信号或 者异常信号的属性，将结构网络化的脑图像分别划分为属于正常信号的正常组和属于异常 信号的异常组，然后分别对于正常组内的结构网络化的脑图像和异常组内的结构网络化的 脑图像利用gSpan算法在组内进行频繁子图挖掘以此得到针对正常组的频繁子图的集合Si 和针对异常组的频繁子图的集合S2 ; 步骤3 :将针对正常组的频繁子图的集合Si中的频繁子图和针对异常组的频繁子图的 集合S2中的频繁子图按照各自在属于异常信号的异常组或者属于正常信号的正常组中出 现的频度大小分别进行升序排列，升序排列中的针对正常组的频繁子图的集合&中的第i 个频繁子图用X来表示，升序排列中的针对异常组的频繁子图的集合S2中的第i个频繁 子图用来表示，其中i为代表序列号的自然数，另外把所述的正常组内的结构网络化的 脑图像和异常组内的结构网络化的脑图像进行合并构造成有标签的无向图的集合，其中G=(V，E，L)，G为有标签的无向图的集合中的有标签的无向图，其中V为图中顶点的集合， KxF是图中边的集合，e= {u，v}表示从顶点u到顶点v之间存在一条边，L为图中 顶点的标签集合； 步骤4 :运用图核的方法在针对正常组的频繁子图的集合Si和针对异常组的频繁 子图的集合&中选出最具判别能力的频繁子图结构，也就是把正常组内的结构网络化 的脑图像和异常组内的结构网络化的脑图像逐一取出同针对正常组的频繁子图的集合 Si和针对异常组的频繁子图的集合S2中的对应位置频繁子图所组成的频繁子图对根据 Weisfeiler-Lehmansubtreekernel算法进行相似度度量，将正常组内的结构网络化的脑 图像和异常组内的结构网络化的脑图像分给最具有最大相似度值的频繁子图所属的组，判 别其是否分组正确，选出那些具有最高分类精确度所对应的频繁子图对作为最具判别性的 频繁子图对。
2. 根据权利要求1所述的在大脑神经传导信号分类中的判别性子图挖掘方法，其特征 在于所述的步骤2的利用gSpan算法在组内进行频繁子图挖掘的方法为分别针对正常组内 的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的 异常图集中的所有图首先各自构建一个正常信号的字典序列和异常信号的字典序列，并将 每个图映射到唯一一个最小的深度优先搜索编码作为图的唯一标签，然后，基于所构建的 正常信号的字典序列和异常信号的字典序列，gSpan算法采用深度优先搜索策略分别对正 常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像 构成的异常图集中的所有图进行频繁子图挖掘，以此分别得到针对正常组的频繁子图和针 对异常组的频繁子图。
【文档编号】G06K9/62GK104408464SQ201410576621
【公开日】2015年3月11日 申请日期:2014年10月24日 优先权日:2014年10月24日
【发明者】张道强, 费飞, 王立鹏, 接标 申请人:南京航空航天大学