一种基于脑连接对偶子空间学习的ADHD分类诊断方法与流程

本发明涉及一种基于脑连接对偶子空间学习的儿童注意力缺陷多动障碍(adhd)分类诊断方法，属于精神疾病分类诊断领域。

背景技术：

adhd是一种较常见的儿童精神行为疾病。目前adhd的临床诊断主要依据hamilton量表并辅以临床观察。但是随着血氧浓度信号功能磁共振图像(blood-oxygen-leveldependentfunctionalmagneticresonanceimaging，bold-fmri)技术的应用，其通过检测血红蛋白的不同磁性，有效地反应了adhd患者的大脑异常情况。利用fmri数据中bold信号的相关性构建脑功能连接(functionalconnectivity，fc)可以进一步反映adhd脑回路特征及其与健康人的差异。因此，本发明将从静息态fmri数据出发进行fc分析，从而实现adhd的分类和诊断。

目前在adhd分类和诊断方面，提出许多基于fmri的先进方法，例如，基于图的fmri(graphfmri)分类方法(dey,s.,etal,attributedgraphdistancemeasureforautomaticdetectionofattentiondeficithyperactivedisorderedsubjects,2014)、基于多数据融合的fmri(fusionfmri)分类方法(riaz,a.,etal,fusionoffmriandnon-imagingdataforadhdclassification,2017)、基于深度学习fmri(fcnetfmri)分类方法(riaz,a.,etal,fcnet:aconvolutionalneuralnetworkforcalculatingfunctionalconnectivityfromfunctionalmri,2017)和基于全深度学习fmri(deepfmri)分类方法(riaz,a.,etal,deepfmri:anend-to-enddeepnetworkforclassificationoffmridata,2018)。但是上述多种分类方法将训练和测试数据完全分开，当训练数据较小时，所获训练数据上典型脑连接的鲁棒性较差。其所构的分类空间不足以覆盖测试数据的典型脑连接，从而导致分类效果下降。

技术实现要素：

为了克服现有技术中的不足，本发明提供了一种基于脑连接对偶子空间学习的adhd分类诊断方法。该分类诊断方法首先对测试数据做不同的类别假设标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同假设下对应训练数据的典型脑连接特征。随后，分别对测试数据不同假设下对应训练数据的典型脑连接特征进行对偶子空间学习，计算对应假设下训练数据典型脑连接特征在对偶子空间上的能量和。最后，比较在测试数据不同假设下训练数据典型脑连接特征在对偶子空间上能量和的大小，并选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为adhd疾病或健康个体，最终完成adhd疾病诊断分类过程。

本发明中主要采用的技术方案为：

一种基于脑连接对偶子空间学习的adhd分类诊断方法，具体步骤如下：

步骤1：获取测试数据在不同类别假设下的训练数据典型脑连接特征，其中，所述测试数据为待诊断的个体脑连接数据，对所述测试数据做不同的类别假设标注，所述类别假设包括adhd疾病个体假设和健康个体假设分别简称为假设和假设，并将已进行类别假设标注的测试数据和训练数据一起进行典型脑连接特征选择，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征，其中，所述训练数据为已进行诊断标注的一组个体脑连接数据集；

步骤2：对偶子空间学习，根据测试数据在假设和假设下对应训练数据的典型脑连接特征，利用对偶子空间学习方法获得假设下的对偶子空间和假设下的对偶子空间其中，表示在假设下健康脑连接特征子空间，表示在假设下adhd脑连接特征子空间,表示在假设下健康脑连接特征子空间，表示在假设下adhd脑连接特征子空间；

步骤3：分别计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，其中，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和；

步骤4：基于步骤3求得的测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，进行adhd分类诊断，比较测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为adhd疾病或健康个体，最终完成adhd疾病诊断分类过程。

优选地，所述步骤1中获取测试数据在不同的类别假设下对应训练数据的典型脑连接特征的具体步骤如下：

步骤1-1：对所述测试数据做不同的类别假设标注，将已给定类别假设的测试数据与训练数据一起参加典型脑连接特征选择过程；

步骤1-2：利用特征选择方法，获得该类别假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k条对应脑连接特征作为个体典型脑连接特征；

步骤1-3：随后将步骤1-2所述的个体典型脑连接特征构成训练数据典型脑连接特征，按不同的类别假设，可得测试数据在假设下训练数据典型脑连接特征为测试数据在假设下训练数据典型脑连接特征为在此，令为训练数据健康个体典型脑连接特征集合，为训练数据adhd个体典型脑连接特征集合，和分别表示训练数据健康个体典型脑连接特征和训练数据adhd个体典型脑连接特征，nc和na分别为健康个体和adhd个体的样本个数，则在假设和假设下的训练数据健康个体典型脑连接特征分别表示为和在假设和假设下的训练数据adhd个体典型脑连接特征分别表示为和

优选地，所述步骤2中对偶子空间学习，通过设计多个子空间度量，从而学习获得adhd脑连接特征子空间qa和健康脑连接特征子空间qc，具体步骤如下：

步骤2-1：设计子空间能量度量，所述子空间能量度量为训练数据健康个体和adhd个体典型脑连接特征集合在所属子空间上投影成分的能量和，标识为emajor，如式(1)表示：

式(1)中，为adhd脑连接特征子空间，为健康脑连接特征子空间，且子空间qc和qa定义为互为对偶的子空间，其中，和分别为adhd脑连接特征子空间和健康脑连接特征子空间的正交基，r为正交基的个数；

步骤2-2：设计子空间干扰能量度量，所述子空间干扰能量度量为训练数据健康个体和adhd个体典型脑连接特征集合在各自对偶子空间上的投影成分的能量和，标识为einf，如式(2)所示：

步骤2-3：设计子空间距离度量，所述子空间距离度量为训练数据健康个体和adhd个体典型脑连接特征集合在各自所属子空间上所有投影成分与对应对偶子空间上所有投影成分的差的能量和，如式(3)所示：

其中，和分别表示训练数据第i个健康个体典型脑连接特征和训练数据第j个adhd个体典型脑连接特征；

步骤2-4：设计图平滑度量，所述图平滑度量采用平滑矩阵描述训练数据健康个体和adhd个体典型脑连接特征集合在所属子空间和对应对偶子空间中投影成分之间渐变的平滑度，所述图平滑度量定义如式(4)所示：

其中，lc＝dc-wc和la＝da-wa分别为训练数据健康个体和adhd个体典型脑连接特征集合的平滑矩阵，其中，wc为nc×nc的全1矩阵，wa为na×na的全1矩阵，dc为nc×nc的对角线元素数值全为nc的对角阵，da为na×na的对角线元素数值全为na的对角阵；

步骤2-5：根据上述步骤中设计的多个子空间度量，构建对偶子空间学习模型，用于获得的最优对偶子空间，所述对偶子空间学习模型如式(5)所示：

式(5)中，α、γ、η、λ均为权重系数，记为根据对偶子空间模型获得的最优对偶子空间。

优选地，所述步骤3中的测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和的具体计算步骤如下：

步骤3-1：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和为在假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(6)所示：

步骤3-2：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和为假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(7)所示：

有益效果：本发明提供一种基于脑连接对偶子空间学习的adhd分类诊断方法，通过对测试数据作不同假设，在训练数据典型脑连接特征的获取中加入部分测试数据信息，进而增强训练数据典型脑连接特征的鲁棒性。然后通过偶子空间学习过程，在测试数据假设和假设下，各自获得adhd脑连接特征子空间qa和健康脑连接特征子空间qc分离度较好的对偶子空间和比较测试数据假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，从而实现更好的分类效果，分类准确率约为90％，优于现有多种adhd分类诊断方法，目前现有adhd分类诊断方法的分类准确率大都在65％至85％，且对不同adhd数据库分类准确率波动较大。

附图说明

图1是基于对偶子空间学习的adhd分类方法示意图；

图2是nyu数据集对偶子空间学习结果；

图3是pu数据集对偶子空间学习结果；

图4是测试数据(健康个体脑连接数据测试样本)在不同假设下的子空间能量比较；

图5是测试数据(adhd个体脑连接数据测试样本)在不同假设下的子空间能量比较；

图6是不同数据集下的本发明分类诊断结果比较。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

下面结合附图对本发明的技术方案做了进一步的详细说明：

一种基于脑连接对偶子空间学习的adhd分类诊断方法，如图1所示，具体步骤如下：

步骤1：获取测试数据在不同类别假设下的训练数据典型脑连接特征，其中，所述测试数据为待诊断的个体脑连接数据，对所述测试数据做不同的类别假设标注，所述类别假设包括adhd疾病个体假设和健康个体假设分别简称为假设和假设，并将已进行类别假设标注的测试数据和训练数据一起进行典型脑连接特征选择，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征，其中，所述训练数据为已进行诊断标注的一组个体脑连接数据集；

步骤2：对偶子空间学习，根据测试数据在假设和假设下对应训练数据的典型脑连接特征，利用对偶子空间学习方法获得假设下的对偶子空间和假设下的对偶子空间其中，表示在假设下健康脑连接特征子空间，表示在假设下adhd脑连接特征子空间,表示在假设下健康脑连接特征子空间，表示在假设下adhd脑连接特征子空间；

步骤3：分别计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，其中，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和；

步骤4：基于步骤3求得的测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，进行adhd分类诊断，比较测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为adhd疾病或健康个体，最终完成adhd疾病诊断分类过程。

优选地，所述步骤1中获取测试数据在不同的类别假设下对应训练数据的典型脑连接特征的具体步骤如下：

步骤1-1：对所述测试数据做不同的类别假设标注，将已给定类别假设的测试数据与训练数据一起参加典型脑连接特征选择过程；

步骤1-2：利用特征选择方法，获得该类别假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k条对应脑连接特征作为个体典型脑连接特征；

步骤1-3：随后将步骤1-2所述的个体典型脑连接特征构成训练数据典型脑连接特征，按不同的类别假设，可得测试数据在假设下训练数据典型脑连接特征为测试数据在假设下训练数据典型脑连接特征为在此，令为训练数据健康个体典型脑连接特征集合，为训练数据adhd个体典型脑连接特征集合，和分别表示训练数据健康个体典型脑连接特征和训练数据adhd个体典型脑连接特征，nc和na分别为健康个体和adhd个体的样本个数，则在假设和假设下的训练数据健康个体典型脑连接特征分别表示为和在假设和假设下的训练数据adhd个体典型脑连接特征分别表示为和

优选地，所述步骤2中对偶子空间学习，通过设计多个子空间度量，从而学习获得adhd脑连接特征子空间qa和健康脑连接特征子空间qc，具体步骤如下：

步骤2-1：设计子空间能量度量，所述子空间能量度量为训练数据健康个体和adhd个体典型脑连接特征集合在所属子空间上投影成分的能量和，标识为emajor，如式(1)表示：

式(1)中，为adhd脑连接特征子空间，为健康脑连接特征子空间，且子空间qc和qa定义为互为对偶的子空间，其中，和分别为adhd脑连接特征子空间和健康脑连接特征子空间的正交基，r为正交基的个数；

步骤2-2：设计子空间干扰能量度量，所述子空间干扰能量度量为训练数据健康个体和adhd个体典型脑连接特征集合在各自对偶子空间上的投影成分的能量和，标识为einf，如式(2)所示：

步骤2-3：设计子空间距离度量，所述子空间距离度量为训练数据健康个体和adhd个体典型脑连接特征集合在各自所属子空间上所有投影成分与对应对偶子空间上所有投影成分的差的能量和，如式(3)所示：

其中，和分别表示训练数据第i个健康个体典型脑连接特征和训练数据第j个adhd个体典型脑连接特征；

步骤2-4：设计图平滑度量，所述图平滑度量采用平滑矩阵描述训练数据健康个体和adhd个体典型脑连接特征集合在所属子空间和对应对偶子空间中投影成分之间渐变的平滑度，所述图平滑度量定义如式(4)所示：

其中，lc＝dc-wc和la＝da-wa分别为训练数据健康个体和adhd个体典型脑连接特征集合的平滑矩阵，其中，wc为nc×nc的全1矩阵，wa为na×na的全1矩阵，dc为nc×nc的对角线元素数值全为nc的对角阵，da为na×na的对角线元素数值全为na的对角阵；

步骤2-5：根据上述步骤中设计的多个子空间度量，构建对偶子空间学习模型，用于获得的最优对偶子空间，所述对偶子空间学习模型如式(5)所示：

式(5)中，α、γ、η、λ均为权重系数，记为根据对偶子空间模型获得的最优对偶子空间。

优选地，所述步骤3中的测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和的具体计算步骤如下：

步骤3-1：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和为在假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(6)所示：

步骤3-2：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和为假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(7)所示：

实施例1：

一种基于脑连接对偶子空间学习的adhd的分类方法，具体步骤如下：

步骤1：测试数据在不同假设下的训练数据典型脑连接特征获取。对测试数据做不同的类别假设(即adhd疾病个体假设和健康个体假设分别简称为假设和假设)标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征。在此，本发明选用支持向量机-递归特征消除法(svm-rfe)(该方法属于常规技术手段)获得不同假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k＝110条对应脑连接作为个体典型脑连接特征，随后构成训练数据典型脑连接特征；

步骤2：对偶子空间学习。分别对测试数据假设和假设下所获训练数据的典型脑连接特征，利用对偶子空间学习方法获得假设下的对偶子空间和假设下的对偶子空间对偶子空间学习过程中，利用多个子空间度量(包括子空间能量度量、子空间干扰能量度量、子空间距离度量、图平滑度量)，构建对偶子空间学习模型，如式(5)所示，并根据对偶子空间模型获得的最优对偶子空间此过程中，我们选取子空间正交基个数r＝5；对偶子空间学习模型中权重系数(α,γ,η,λ)因各adhd数据库在数据库规模、adhd和健康个体比例、采用的fmri成像设备等都不尽相同，需根据不同数据库进行单独设置；

步骤3：计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和。利用式(6)和式(7)分别计算测试数据在假设和假设下训练数据典型脑连接特征在对偶子空间和上投影成分的能量和，即和

步骤4：基于对偶子空间上的能量和进行adhd分类诊断。比较测试数据假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为adhd疾病或健康个体，最终完成adhd疾病诊断分类过程。

本发明在测试adhd分类诊断准确率时，采用adhd-200数据集中的nyu(newyorkuniversitymedicalcenter)、ni(neuroimage)、kki(kennedykriegerinstitute)和pu(pekinguniversity)数据集验证分类算法的效果。其中训练数据集和测试数据都为脑连接(fc)数据，其由bold信号经过处理后得到。具体过程为：首先，对fmri图像序列进行删除前四个时间帧的数据，时间切片校正，运动校正(第一幅图像作为参考)，4×4×4体素标注，滤波(带通滤波器0.009hz＜f＜0.08hz)和平滑(6mmfwhm高斯滤波器)操作，获得每个体素上的矫正后bold信号。随后，矫正后bold信号依据aal-116(automatedanatomicallabeling-116)脑区模板进行体素匹配，获得每个脑区的平均bold信号，其中aal-116中前90个大脑脑区为本发明的感兴趣脑区(roi，regionsofinterest)。最后，依据roi脑区bold信号之间的皮尔逊相关系数构建个体的fc，并利用fisherr-z变换使相关系数服从正态假设，再通过经验阈值截断，进一步去除被认为为噪声的fc数据，最终获得个体的fc数据。从获得的fc中选择一个样本作为测试数据，其他数据作为训练数据，通过留一法交叉验证本发明的adhd分类诊断准确率。

表1所示为不同adhd分类诊断方法与本发明方法性能比较。

表1

从表1中可见，本发明的分类诊断准确率最高。其主要得益于通过对测试数据作不同假设，在训练数据典型脑连接特征的获取中加入部分测试数据信息，增强了训练数据典型脑连接特征的鲁棒性。此外，对偶子空间的学习使得adhd脑连接特征子空间qa和健康脑连接特征子空间qc分离度较好，有利于通过训练数据典型脑连接特征在对偶子空间上投影成分的能量和的比较确定真实假设，从而对测试数据获得可靠的诊断结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。