一种脑拓扑网络生物特征的选择方法

本发明涉及一种脑拓扑网络生物特征的选择方法，属于人脑拓扑网络特征提取方法。

背景技术：

1、精神疾病智能诊断分类作为一种基于人工智能的辅助诊断方法，正积极向高准确率、可解释性和实用化方向发展。尤其对于核磁共振成像(mri)技术的智能诊断方法，探究疾病脑区异常，从而实现早发现、早诊断、快速施治有着重要的意义。

2、针对缺陷多动障碍(adhd)的诊断分类。在公开数据库adhd-200上，利用低频振幅波(alff)和脑功能连接(fc)数据，在脑边缘网络对应的脑区上建立脑拓扑结构，并用该发明筛选边缘网络内部与adhd疾病相关的典型脑区和典型脑连接。随后，将筛选出的典型特征输入二分假设分类框架(tang,y.,et al,adhd classification using auto-encodingneural network and binary hypothesis testing,2022)中，获得了95％以上的adhd分类准确率。同时，多篇医学文献证明，边缘网络是adhd疾病发生的主要异常网络(wang,r.,etal,lifespan associations of resting-state brain functional networks with adhdsymptoms,2022)。而在边缘网络上实施本发明的特征选择方法，并取得较优的分类准确率，也印证了该特征选择方法的可靠性。

技术实现思路

1、针对现有特征选择算法忽略了脑网络拓扑属性，导致按分类要求筛选出的特征可解释性不强、分类准确率比较低的现状，我们引入alff数据作为节点特征，fc数据作为边特征，构造网络拓扑，并实现了一种基于脑拓扑网络的生物特征的分类算法。

2、本发明的脑拓扑网络生物特征分类方法，可以高效利用mri采集数据所计算出的多种生物数据，包括脑区上的特征数据，如脑区体积密度(vbm)、低频振幅波(alff)、同态一致性(reho)、度中心性(dc)，脑区间的特征数据，如脑功能连接(fc)、效应连接等，从多个角度对患者脑功能状态进行描述和分析。由于采用多种数据，通过该发明，可以在这些数据中较为可靠的寻找典型的特征数据，用于后续高可靠性的诊断分类。

3、同时，采用节点特征和边特征的脑拓扑结构表示，通过该发明，可以优先删除非典型边特征和保留节点特征，从而使得筛选后的脑拓扑结构不存在孤立的边特征(即筛选出的边特征至少存在一个与其相连的节点特征)。由于脑区间特征数据本质上是由两对应相连脑区的生物特征数据按某种定义计算产生，因此，若有典型边特征的存在，必然会有对应至少一个典型节点特征的存在。故本发明符合该种理论，从而较好的运用了脑拓扑结构的特性。

4、本发明的技术方案如下：

5、一种脑拓扑网络生物特征的选择方法，包括如下步骤：

6、步骤1：获取脑区生物信号和脑区间生物信号，将脑区生物信号作为脑拓扑网络节点上的信号，即节点特征，将脑区间生物信号作为脑拓扑网络边连接上的信号，即边特征；

7、步骤2：将节点特征和边特征输入特征选择器(特征选择器是现有的选择器，譬如svm-rfe特征选择器、lasso特征选择器等)，获得节点特征和边特征对于目标精神疾病分类的贡献程度，并以权重的形式输出，从而产生节点特征和边特征对应的初始权重值；

8、步骤3：对第i个节点特征，根据其所有连接的边和边连接的另一节点特征k上的初始权重值，更新节点特征i的权重值；

9、步骤4：将所有节点特征更新后的权重值和边特征的初始权重值进行从大到小排序，删除权重值最小的特征，并保留剩余的节点特征和边特征；

10、步骤5：继续步骤2，反复迭代，直至剩下共计k个的节点特征和边特征；

11、步骤6：将这些节点特征和边特征作为脑网络拓扑的典型特征，实现对精神疾病的发现和诊断的辅助帮助。

12、优选地，上述步骤3中更新节点特征i的权重值的具体步骤如下：

13、步骤3-1：构建节点特征i的候选更新权重集合si，并将节点特征i初始权重wi添加入权重集合si，寻找所有与节点特征i存在连接的边；

14、步骤3-2：若节点特征i不存在边连接，不进行任何操作；

15、步骤3-3：若节点特征i存在边连接，且边连接上不存在另一节点特征，不进行任何操作；

16、步骤3-4：若节点特征i在边连接，且边连接上另一节点特征k存在，则比较两节点的初始权重值；若节点特征i的权重wi大于节点特征k的权重wk，则将权重之和，wi+wk，增加入候选更新权重集合si；

17、步骤3-5：对节点特征i遍历所有的边连接，获得权重集合si中所有元素；

18、步骤3-6：取权重集合si中数值最大的元素作为节点特征i更新后的权重值。

19、本发明的有益效果是：

20、本发明提出了一种脑拓扑网络生物特征的选择方法，采用节点特征和边特征的脑拓扑结构表示，通过该方法，可以优先删除非典型边特征和保留节点特征，从而使得筛选后的脑拓扑结构不存在孤立的边特征(即筛选出的边特征至少存在一个与其相连的节点特征)。由于脑区间特征数据本质上是由两对应相连脑区的生物特征数据按某种定义计算产生，因此若有典型边特征的存在，必然会有对应至少一个典型节点特征的存在。故本发明符合该种理论，从而较好的运用了脑拓扑结构的特性，并且在公开数据库adhd-200上，利用alff和fc数据，在脑边缘网络对应的脑区上建立脑拓扑结构，并用该方法筛选边缘网络内部与adhd疾病相关的典型脑区和典型脑连接。随后，将筛选出的典型特征输入二分假设分类框架中，获得了95％以上的adhd分类准确率。

技术特征：

1.一种脑拓扑网络生物特征的选择方法，其特征在于包括如下步骤：

2.根据权利要求1所述的一种脑拓扑网络生物特征的选择方法，其特征在于，所述步骤3中更新节点特征i的权重值的具体步骤如下：

技术总结
本发明公开了一种脑拓扑网络生物特征的选择方法，包括如下步骤：1、获取脑区生物信号和脑区间生物信号，将脑区生物信号作为节点特征，脑区间生物信号作为边特征；2、将节点特征和边特征输入一特征选择器，获得节点特征和边特征对应的初始权重值；3、更新节点特征i的权重值；4、将所有节点特征更新后的权重值和边特征的初始权重值进行从大到小排序，删除权重值最小的特征，并保留剩余的节点特征和边特征；5、继续步骤2，反复迭代，直至剩下共计K个的节点特征和边特征；6、将这些节点特征和边特征作为脑网络拓扑的典型特征，实现对精神疾病的发现和诊断的辅助帮助。本发明用于寻找典型的特征数据，用于后续高可靠性的诊断分类。

技术研发人员：汤一彬,崔琳祥,王纯,高远,姚澄
受保护的技术使用者：河海大学
技术研发日：
技术公布日：2024/1/15