基于fMRI多频段分析的亚健康人员分类方法、系统及设备

基于fmri多频段分析的亚健康人员分类方法、系统及设备
技术领域
1.本发明涉及磁共振成像数据分析技术领域，更具体地，涉及一种基于fmri多频段分析的亚健康人员分类方法、系统及设备。


背景技术：

2.基于血氧依赖水平的功能磁共振成像是目前广泛使用的无创性脑功能研究方法，具有高时空分辨率等特点，其中低频成分中的0.01-0.08hz为目前大多数功能磁共振研究选取的频段，因为该频段被认为与神经波动有关。而一些功能磁共振研究并不选取0.01-0.08hz频段，而是选取多个频率范围不同的频段。这是因为人们开始逐渐认识到频段和神经活动之间存在密切联系，神经元并不是在整个频率范围内都活跃，而是在其中的某几段上。人脑是一个复杂的动力系统，能自发地产生大量的振荡波。相关研究显示，可观测到的神经振荡频率范围很广，从小于0.01hz到大于1000hz。因此，基于多频段的功能磁共振成像技术开始被应用于神经疾病的研究，为人脑功能连接的研究、脑科疾病及心理疾病的诊断等提供了有利的技术保障。
3.在基于功能磁共振的多频段神经疾病研究中，选取什么频段，什么特征对分类器性能和分类结果至关重要。常规频段虽然能保证保留原始信号中的大部分信息，但对每一个感兴趣区，或者每一对感兴趣区的交互研究都使用“一刀切”式的频律范围选择是不合适的。当前分频段的方法比较少，且大部分方法都对频段的划分并不精确，因此可能会对分析结果造成影响。此外，在现有多频段的研究中，主要为异常脑区的检测，所用的分析指标与常规的0.01-0.08hz频段类似，主要为低频振幅、局部一致性等，而很少使用到功能连接分析法甚至进一步研究被试的动态功能连接去分析异常脑区之间的交互。这些方法在一定程度上都能发现一些神经疾病的隐含信息，但是在应用过程中还是都存在各自的不足与缺陷，利用得到的组合特征对神经疾病进行分类，其准确性也还待进一步提高。
4.因此，针对现有的利用功能磁共振成像数据进行亚健康人员分类的方法还有待进一步发展与提高，需要在更加深入研究的基础上，提出更加完善的技术方案。


技术实现要素：

5.由于现有技术存在上述缺陷，本发明提供了一种基于fmri多频段分析的亚健康人员分类方法、系统及设备，以解决现有技术分析准确性不足的问题。
6.为实现上述目的，一方面，本发明提供一种基于fmri多频段分析的亚健康人员分类方法，其特征在于，包括以下步骤：
7.步骤s1、提取和预处理单个被试水平上的fmri数据：对原始fmri数据进行提取和预处理，得到基于频段、被试和体素的时间序列；
8.步骤s2、提取多频段上异常脑区：利用快速傅里叶变换和自动解剖模板再处理数据，得到每个被试每个脑区在多个频段上的低频振幅，通过机器学习的方法得到每个频段上亚健康人员的异常脑区；
9.步骤s3、多频段上异常脑区的动态功能连接特征分类：利用快速傅立叶变换、快速傅里叶逆变换和自动解剖模板，根据异常脑区，得到每个被试每个脑区在各个频段上的时间序列，再通过机器学习对亚健康人员动态功能连接的相关性系数进行特征选择和分类。
10.所述分类方法利用多频段的方法分析fmri数据，考虑到了频段和神经活动之间的密切联系，能够有效挖掘出更多的亚健康人员隐含病理学信息，可以克服使用常规频段可能会来带来的一些缺点和限制；提取出每个频段的异常脑区后，在每个频段上对异常脑区的时间序列作不同时间窗口宽度下的动态功能连接分析，能挖掘出更多的亚健康人员隐含病理学信息，为临床辅助诊断提供更多的分析角度。
11.进一步地，所述步骤s1包括以下处理：
12.步骤s11、对数据进行预处理，所述预处理过程包括剔除时间点、时间层校正、头动校正、空间标准化以及平滑处理；
13.步骤s12、对频段进行划分：先根据奎奈斯特采样定理，得到整个频段的范围；再根据自然对数线性理论，将整个频段具体化，同时选择0.01-0.08hz的常规频段作为对比例；
14.步骤s13、通过快速傅里叶变换和快速傅里叶逆变换得到每个频段上每个被试每个体素的时间序列。
15.进一步地，所述步骤s2包括以下处理：
16.步骤s21、计算多频段的每个频段上，每个被试、每个感兴趣区的低频振幅，得到多个矩阵作为原始特征矩阵，每个矩阵的大小为a
×
(b+1)，其中a为行为被试的编号，b为感兴趣区的低频振幅；最后一列为被试标签，亚健康人员记为1，正常对照记为0；
17.步骤s22、根据每个频段上的原始特征矩阵，进行特征重要性排序，从前往后为特征重要性的降序排列；对重新排列后的特征，将最重要的前n个特征放入分类器，其中1≤n≤特征数量，记录准确率最高的点以及在该点所选的特征，这些特征即为需要提取并进一步做动态功能连接分析的异常脑区。
18.进一步地，所述步骤s21包括以下处理：
19.步骤s211、计算每个体素的低频振幅：对每个频段上，每个被试、每个体素的时间做快速傅立叶变换，得到功率谱，然后对功率谱开方，在特定频率范围内求振幅平均值，即为所述体素的低频振幅；
20.预处理后的时间序列为：
[0021][0022]
低频振幅的计算公式为：
[0023][0024]
步骤s212、感兴趣区的选择使用自动解剖模板，将大脑皮层分为116个感兴趣区，在属于大脑的90个脑区中，将每个脑区包含的所有体素低频振幅的均值作为所述脑区的低频振幅。
[0025]
进一步地，所述步骤s22包括以下处理：
[0026]
步骤s221、特征重要性排序：利用10折交叉验证的递归特征删除法对每种频段上
的特征进行重要性排序，即在每个频段上，对每个脑区能区分出亚健康人员和正常人的能力强弱进行排序；能力的强弱用一个回归系数表示，回归系数的绝对值越大，说明重要性越强。
[0027]
步骤s222、异常脑区提取：使用的分类器为经过网格搜索调参与10折交叉验证的支持向量机分类器；在每一个频段上，将最重要的前n个特征放入分类器，其中1≤n≤特征数量，记录准确率最高的点以及在该点所选的特征，即得到每一个频段上的异常脑区。
[0028]
进一步地，所述步骤s3包含以下处理：
[0029]
步骤s31、取若干种滑动时间窗口宽度下，每个频段异常脑区的时变相关性系数矩阵计算；在同一种滑动时间窗口宽度下，在每一个频段上计算异常脑区时间序列的时变皮尔森相关系数，得到多个皮尔森相关系数矩阵；滑动时间窗法相关性系数的计算式为：
[0030][0031]
步骤s32、在每种滑动时间窗口宽度下，将多频段的特征融合起来，进行分类预测，同时与常规频段提取的特征作比较。
[0032]
进一步地，所述步骤s31中，所述滑动时间窗口宽度取四种，分别为15trs、20trs、25trs、30trs，步长5trs。
[0033]
进一步地，所述步骤s32包括以下处理：
[0034]
步骤s321、特征融合：皮尔森相关系数矩阵是对称矩阵，因而只需取上三角或下三角的数；在每一种滑动时间窗口宽度下，在每一个频段上把所有被试的动态功能连接相关性系数取出，再融合到一起，作为多频段的特征用于后续的特征选择和分类，同时对0.01-0.08hz的常规频段也进行上述操作作为对比；
[0035]
步骤s322、分类效果评价和模型评估：使用精度、查准率、召回率和f1得分对分类效果进行评价，使用受试者工作特征曲线下面积表示分类器性能好坏。
[0036]
另一方面，本发明提供一种基于fmri多频段分析的亚健康人员分类系统，其特征在于，用以实现上述的基于fmri多频段分析的亚健康人员分类方法，包括单个被试水平上的功能磁共振数据提取模块、多频段上异常脑区的提取模块和多频段上异常脑区的动态功能连接特征分类模块。
[0037]
再一方面，本发明提供一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器调用所述存储器存储的计算机程序，执行上述的基于fmri多频段分析的亚健康人员分类方法。
[0038]
与现有技术相比，上述发明具有如下优点或者有益效果：
[0039]
(1)利用多频段的方法分析fmri数据，考虑到了频段和神经活动之间的密切联系，神经元并不是在整个频率范围内都活跃，而是在其中的某几段上，这种方法能够有效挖掘出更多的亚健康人员隐含病理学信息，克服使用常规频段可能会来带来的一些缺点和限制；
[0040]
(2)提取出每个频段的异常脑区后，在每个频段上对异常脑区的时间序列作不同时间窗口宽度下的动态功能连接分析，相对于常规的动态功能连接分析，能挖掘出更多的亚健康人员隐含病理学信息，为临床辅助诊断提供更多的分析角度。
附图说明
[0041]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未可以按照比例绘制附图，重点在于示出本发明的主旨。
[0042]
图1为本发明一实施例中亚健康人员分类方法的步骤图；
[0043]
图2为本发明一实施例中亚健康人员分类流程图。
具体实施方式
[0044]
下面结合附图和具体的实施例对本发明中的结构作进一步的说明，但是不作为本发明的限定。
[0045]
实施例1
[0046]
参见图1和图2，一种基于fmri多频段分析的亚健康人员分类方法，包括以下步骤：
[0047]
步骤s1、提取和预处理单个被试水平上的fmri数据：对原始fmri数据进行提取和预处理，得到基于频段、被试和体素的时间序列。
[0048]
步骤s2、提取多频段上异常脑区：利用快速傅里叶变换和自动解剖模板再处理数据，得到每个被试每个脑区在多个频段上的低频振幅，通过机器学习的方法得到每个频段上亚健康人员的异常脑区；作为一个优选的实施例，所述频段有6个。
[0049]
步骤s3、多频段上异常脑区的动态功能连接特征分类：利用快速傅立叶变换、快速傅里叶逆变换和自动解剖模板，根据异常脑区，得到每个被试每个脑区在各个频段上的时间序列，再通过机器学习对亚健康人员动态功能连接的相关性系数进行特征选择和分类。
[0050]
参见图2，基于fmri多频段动态功能连接的亚健康人员分类流程，能实现寻找亚健康人员在多频段上存在和正常被试存在显著差异的动态交互作为特征进行分类，尝试得到比研究常规频段更好的分类效果。
[0051]
作为一个优选的实施例，所述步骤s1中，对单个被试水平上的功能磁共振数据提取的方法，具体包含以下步骤：
[0052]
步骤s11、对数据进行预处理，所述预处理过程包括剔除时间点、时间层校正、头动校正、空间标准化以及平滑处理；具体地，涉及到的预处理过程为：(1)剔除前10个时间点；(2)时间层校正，对被试在每个时间点上的数据进行采集时间差异的校正；(3)头动校正，去除头动大于1.5mm，旋转大于1.5度的被试；(4)空间标准化把功能像配准至蒙特利尔神经学研究所空间，并把图像体素重采样为3mm
×
3mm
×
3mm；(5)采用4mm
×
4mm
×
4mm的半高全宽高斯核做平滑处理。
[0053]
步骤s12、对频段进行划分：先根据奎奈斯特采样定理，得到整个频段的范围；通常tr＝2，因此整个频段的范围为0-0.25hz。再根据自然对数线性理论，将整个频段具体化，例如将整段信号具体划为如下5个频段：slow-6(0.0040-0.0111hz)，slow-5(0.0111-0.0302hz)，slow-4(0.0302-0.0820hz)，slow-3(0.0820-0.2231hz)，slow-2(0.02231-0.2500hz)，同时选择0.01-0.08hz的常规频段作为对比例。
[0054]
步骤s13、通过快速傅里叶变换和快速傅里叶逆变换得到每个频段上每个被试每个体素的时间序列。典型的体素大小为3mm
×
3mm
×
3mm。
[0055]
使用的快速傅里叶变换公式为：
[0056][0057]
使用的快速傅里叶逆变换公式为：
[0058][0059]
作为一个优选的实施例，所述步骤s2中，多频段上异常脑区的提取方法具体包含以下步骤：
[0060]
步骤s21、计算6个频段的每个频段上，每个被试、每个感兴趣区的低频振幅，得到6个矩阵作为原始特征矩阵，每个矩阵的大小为a
×
(b+1)，其中a为行为被试的编号，列为编号从1到90的脑区，b为感兴趣区的低频振幅；矩阵最后一列为被试标签，亚健康人员记为1，正常对照记为0；
[0061]
步骤s22、根据每个频段上的原始特征矩阵，将1到90列的特征根据特征重要性进行排序，从前往后为特征重要性的降序排列；对重新排列后的特征，将最重要的前n个特征放入分类器，其中1≤n≤特征数量；当分类效果最佳时，记录准确率最高的点以及在该点所选的特征，这些特征即为需要提取并进一步做动态功能连接分析的异常脑区，同事记录准确率最高时的各项参数，各项评估指标的数值及具体的特征。
[0062]
作为一个优选的实施例，所述步骤s21中，具体包含以下步骤：
[0063]
s211、计算每个体素的低频振幅。对每个频段上，每个被试，每个体素的时间做快速傅里叶变换，得到功率谱，然后对功率谱开方，在特定频率范围内求振幅平均值，即为该体素的低频振幅。
[0064]
预处理后的时间序列为：
[0065][0066]
低频振幅的计算公式为：
[0067][0068]
s212、感兴趣区的选择使用自动解剖模板，将大脑皮层分为116个感兴趣区，在属于大脑的90个脑区中，将每个脑区包含的所有体素低频振幅的均值作为该脑区的低频振幅。
[0069]
作为一个优选的实施例，所述步骤s22中具体包含以下步骤：
[0070]
步骤s221、特征重要性排序：利用10折交叉验证的递归特征删除法对每种频段上的特征进行重要性排序，即在每个频段上，对每个脑区能区分出亚健康人员和正常人的能力强弱进行排序；能力的强弱用一个回归系数表示，回归系数的绝对值越大，说明重要性越
强。
[0071]
步骤s222、异常脑区提取：使用的分类器为经过网格搜索调参与10折交叉验证的支持向量机分类器；在每一个频段上，将最重要的前n个特征放入分类器，其中1≤n≤特征数量，记录准确率最高的点以及在该点所选的特征，即得到每一个频段上的异常脑区。
[0072]
作为一个优选的实施例，所述步骤s3中，对多频段上一场脑区的动态功能连接特征分类的方法具体包含以下步骤：
[0073]
步骤s31、取四种滑动时间窗口宽度下，每个频段异常脑区的时变相关性系数矩阵计算。其中，四种滑动时间窗口宽度分别取15trs，20trs，25trs，30trs，步长取5trs。在同一种滑动时间窗宽下，在每一个频段上计算异常脑区时间序列的时变皮尔森相关系数，得到多个皮尔森相关系数矩阵。滑动时间窗法相关性系数的计算方式如下：
[0074][0075]
步骤s32、在每种滑动时间窗口宽度下，将多频段的特征融合起来，进行分类预测，同时与常规频段提取的特征作比较。
[0076]
作为一个优选的实施例，所述步骤s32中，具体包含以下步骤：
[0077]
步骤s321、特征融合：由于皮尔森相关系数矩阵是对称矩阵，故只需取上三角或下三角的数。在每一种滑动时间窗口宽度下，在每一个频段上把所有被试的动态功能连接相关性系数取出，再融合到一起，作为多频段的特征用于后续的特征选择和分类，同时对0.01-0.08hz的常规频段也作上述操作对比实验。
[0078]
步骤s322、分类效果评价和模型评估：本研究使用精度(acc)、查准率(precision/tpr)、召回率(recall/tnr)、f1得分(f1-score)对分类效果进行评价，使用受试者工作特征曲线下面积表示分类器性能好坏。评价指标的计算公式如下：
[0079][0080]
对多频段的方法进行分类效果评价和模型评估，并于常规频段做对比，后续对于分类效果更好，模型更稳定的情形，可以选取这种情况下选取得特征作为亚健康人员的生物标记物。
[0081]
实施例2
[0082]
一种基于fmri多频段分析的亚健康人员分类系统，用以实现实施例1的基于fmri多频段分析的亚健康人员分类方法，包括单个被试水平上的功能磁共振数据提取模块、多频段上异常脑区的提取模块和多频段上异常脑区的动态功能连接特征分类模块。
[0083]
实施例3
[0084]
一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器调用所述存储器存储的计算机程序，执行实施例1的基于fmri多频段分析的亚健康人员分类方法。
[0085]
综上，本发明提供了一种基于fmri多频段分析的亚健康人员分类方法、系统及设备，以提高分类准确性。所述方法涉及亚健康人员和正常对照在多个频段、多个滑动时间窗上的数据，通过利用被试的功能磁共振成像数据，提取特征，选择特征，然后进行分类。本发明利用多频段的方法分析fmri数据，考虑到了频段和神经活动之间的密切联系，能够有效挖掘出更多的亚健康人员隐含病理学信息；利用机器学习的方法，在每种滑动时间窗宽下，
对多频段上的信号做特征融合后对亚健康人员进行分类预测；提取出每个频段的异常脑区后，在每个频段上对异常脑区的时间序列作不同时间窗宽下的动态功能连接分析，寻找动态的亚健康海员生物标记物，实现对亚健康海员的辅助诊断。
[0086]
本实施例中未进行详细说明的方法、理论或过程为现有技术，在此不做赘述。本领域技术人员应该理解，本领域技术人员在结合现有技术以及上述实施例可以实现变化例，在此不做赘述。这样的变化例并不影响本发明的实质内容，在此不予赘述。
[0087]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0088]
以上对本发明的较佳实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。