基于脑网络分析的神经精神疾病分类方法技术

本发明专利技术公开了一种基于脑网络分析的神经精神疾病分类方法，针对脑网络极度复杂、样本数相对较少、神经精神疾病种类繁多难以准确分类的问题，本申请首先利用感兴趣区和连接特征参数构建多层脑网络，然后使用局部聚类系数和节点局部重要性分数这两个局部网络结构特征和节点重要性分数这个全局网络结构特征描述多层脑网络，最后利用待分类和已知分类样本相较于正常样本的差异进行多层脑网络特征的融合，计算样本间的距离来区分不同种类的神经精神疾病；本申请的方法不仅能对已知病理、特征明确的神经精神疾病进行正确分类，也能对未知病理、特征尚未明确的神经精神疾病或与已知神经精神疾病具有相似特征的未知神经精神疾病进行有效分类和识别。

【技术实现步骤摘要】
基于脑网络分析的神经精神疾病分类方法
本专利技术属于光电传输领域，特别涉及一种全光纤分布式声波传感技术。
技术介绍
借助现代脑影像技术，可以从多个层次描述大脑中的各组成部分及其连接关系，如以神经元为对象的纳米尺度、以类皮质功能柱为对象的微米尺度、以脑区为对象的毫米尺度。(【张旭，刘力，郭爱克，“脑功能联结图谱与类脑智能研究”先导专项研究进展和展望，《中国科学院院刊》,2016(7):737-746】)由于上述数据的网络结构关系，因而可以使用脑网络来对它们进行描述。近年来，阿兹海默症、抑郁症等神经精神疾病发病率越来越高。据统计，2017年初中国登记在册的神经精神疾病患者已超过530万例，相较于2015年初登记在册的429万例上升了24％。同时，神经精神疾病引起了广泛的社会关注，如抑郁症引起的年轻人自杀、阿兹海默症呈现的年轻化趋势等。如何准确有效地识别各种神经精神疾病，能够帮助医生在疾病早期进行确诊并通过药物延迟阿兹海默症等的发病时间，或根据病人病情及时地采取相应手段进行针对性治疗，因而具有重要的意义。目前，基于脑网络分析的神经精神疾病分类的困难主要在于：1、人类大脑是一个极度复杂的系统，如何使用脑网络准确全面地对其进行描述，并提取相关特征反映各种神经精神疾病可能给脑网络带来的变化非常挑战；2、由于神经精神疾病涉及患者隐私、脑成像设备造价昂贵等原因，可供研究的完整神经精神疾病患者样本数相对较少，而主流的高性能分类方法往往都需要庞大的样本库，因此难以使用主流的分类方法对样本规模较小的神经精神疾病进行有效分类；3、神经精神疾病种类繁多，许多疾病具有相似特征，如何分析这些特征，准确地区分不同种类的神经精神疾病具有挑战。目前，国内外使用脑网络分析进行神经精神疾病分类的方法主要可以分为两类：1、基于局部特征的方法：该类方法通常结合医学方面的专业领域知识，对脑网络中的相关区域进行综合分析，来分类神经精神疾病。例如，通过正常样本和异常样本对比检查脑部某一区域的脑部纤维密度情况、对比分析脑部某几个感兴趣区之间的连接关系等。这些分类方法能够对已知病理、特征明确的神经精神疾病进行有效地识别，但是对于未知病理、特征尚未明确的神经精神疾病无法准确分类。并且，该类方法可能将某些未知的神经精神疾病误分类为具有相似特征的已知神经精神疾病。2、基于单一连接关系的方法：该类神经精神疾病分类方法大都基于单一的连接关系(如感兴趣区间的平均各向异性分数)构建脑网络进行综合分析，来对神经精神疾病进行分类。该类方法能从某一角度对脑网络节点间的连接关系进行描述，但由于人脑的复杂性，单一连接关系(如感兴趣区间的平均各向异性分数)往往不能全面地表达大脑中的各组成部分的连接关系，因而可能对分类的性能造成影响。
技术实现思路
为解决上述技术问题，本申请提出了一种基于脑网络分析的神经精神疾病分类方法，通过对原始数据进行分析得到原始特征参数，然后根据原始特征参数构建脑网络，并根据脑网络的网络结构特征参数实现神经精神疾病的分类。本申请采用的技术方案为：基于脑网络分析的神经精神疾病分类方法，包括：S1、通过脑图谱将大脑皮层及皮层下结构划分为多个感兴趣区，并提取多个感兴趣区之间的连接特征参数；S2、根据感兴趣区和连接特征参数构建多层脑网络；S3、提取每层脑网络中的网络结构特征参数；所述网络结构特征参数包括：局部聚类系数、节点重要性分数和节点局部重要性分数；S4、基于网络结构特征参数，并利用待分类样本和已知分类样本相较于正常样本的差异进行多层脑网络特征的融合，得到待分类样本和已知分类样本间的多层脑网络相对特征量；然后计算待分类样本到所有已知分类样本的距离；S5、选取距离待分类样本最近的k个已知分类样本；S6、若这k个已知分类样本属于同一个分类，且待分类样本到该分类的距离小于该分类的直径，则判定待分类样本属于该分类，将待分类样本加入到已知分类样本所属分类中；否则判断待分类样本到该分类中的k个已知分类样本的距离是否大于该分类的直径，是则建立新的分类，并将待分类样本归入新的分类；否则结束。进一步地，步骤S1所述连接特征参数包括：各感兴趣区之间纤维束的数量，各感兴趣区之间纤维束的平均长度和各感兴趣区之间体素沿纤维束方向的平均各向异性分数。进一步地，步骤S3所述局部聚类系数计算公式为：其中，p表示各层脑网络的序号；i表示节点序号，表示样本m的第p层脑网络中，与节点i相邻的节点总个数；表示样本m的第p层脑网络中，与节点i相邻的所有节点的集合；表示样本m的第p层脑网络中，节点i、j之间归一化后的边权值；表示样本m的第p层脑网络中，节点i、k之间归一化后的边权值；表示样本m的第p层脑网络中，节点j、k之间归一化后的边权值。进一步地，步骤S3所述节点重要性分数计算式为：其中，表示的全局效率，表示样本m的第p层脑网络；表示的全局效率，表示样本m的第p层脑网络去掉节点i以及与节点i相连的边之后的网络；M表示感兴趣区的数量；表示中所有节点的集合；表示中去除节点i之后剩余的集合；表示样本m的第p层脑网络中，节点s、t之间的最短路径长度；表示样本m的第p层脑网络中，节点s′、t′之间的最短路径长度。进一步地，步骤S3所述节点局部重要性分数计算式为：其中，表示的全局效率，表示样本m的第p层脑网络中节点i的局部网络；表示的全局效率，表示去掉节点i以及与节点i相连的边之后的网络；表示样本m的第p层脑网络中关于节点i的局部网络中节点个数；表示节点i的局部网络中所有节点的集合；表示中去除节点i之后剩余的集合；表示样本m的第p层脑网络中，节点s、t之间的最短路径长度；表示样本m的第p层脑网络中，节点s′、t′之间的最短路径长度。更进一步地，所述步骤S4包括以下分步骤：S41、根据待分类样本每层脑网络每个节点的网络结构特征参数，计算待分类样本与已知分类样本的多层网络相对特征量；S42、计算步骤S41得到的待分类样本与已知分类样本的多层网络相对特征量之间的余弦相关性；S43、根据余弦相关性计算待分类样本与已知分类样本之间的距离。进一步地，步骤S41所述计算待分类样本的相对特征量具体为：B1、根据待分类样本各层脑网络中的网络结构特征参数、所有正常样本各层脑网络中的网络结构特征参数的均值和标准差，分别计算待分类样本与已知分类样本所对应多层脑网络中中每一个节点的各类网络结构特征参数在各层脑网络的有效性权重：待分类样本或已知分类样本所对应多层脑网络中某节点的某类网络结构特征参数在某层脑网络的有效性权重为1时，表示该待分类样本或这个已知分类样本所对应多层脑网络中该节点的该类网络结构特征参数在该层脑网络中有效；待分类样本或已知分类样本所对应多层脑网络中某节点的某类网络结构特征参数在某层脑网络的有效性权重为0时，表示该待分类样本或这个已知分类样本所对应多层脑网络中该节点的该类网络结构特征参数在该层脑网络中无效；B2、计算待分类样本与已知分类样本所对应多层脑网络中各节点的各类网络结构特征参数在各层脑网络的相对权重：若待分类样本与某个已知分类样本所对应多层脑网络中某节点的某类网络结构特征参数在每层脑网络中都无效，则该待分类样本与这个已知分类样本所对应多层脑网络中该节点的该类网络结构特征参数在每层脑网络的相对权重均为0；若待分本文档来自技高网...

【技术保护点】
基于脑网络分析的神经精神疾病分类方法，其特征在于，包括：S1、通过脑图谱将大脑皮层及皮层下结构划分为多个感兴趣区，并提取多个感兴趣区之间的连接特征参数；S2、根据感兴趣区和连接特征参数构建多层脑网络；S3、提取每层脑网络中的网络结构特征参数；所述网络结构特征参数包括：局部聚类系数、节点重要性分数和节点局部重要性分数；S4、基于网络结构特征参数，并利用待分类样本和已知分类样本相较于正常样本的差异进行多层脑网络特征的融合，得到待分类样本和已知分类样本间的多层脑网络相对特征量；然后计算待分类样本到所有已知分类样本的距离；S5、选取距离待分类样本最近的k个已知分类样本；S6、若这k个已知分类样本属于同一个分类，且待分类样本到该分类的距离小于该分类的直径，则判定待分类样本属于该分类，将待分类样本加入到已知分类样本所属分类中；否则判断待分类样本到该分类中的k个已知分类样本的距离是否大于该分类的直径，是则建立新的分类，并将待分类样本归入新的分类；否则结束。

【技术特征摘要】
1.基于脑网络分析的神经精神疾病分类方法，其特征在于，包括：S1、通过脑图谱将大脑皮层及皮层下结构划分为多个感兴趣区，并提取多个感兴趣区之间的连接特征参数；S2、根据感兴趣区和连接特征参数构建多层脑网络；S3、提取每层脑网络中的网络结构特征参数；所述网络结构特征参数包括：局部聚类系数、节点重要性分数和节点局部重要性分数；S4、基于网络结构特征参数，并利用待分类样本和已知分类样本相较于正常样本的差异进行多层脑网络特征的融合，得到待分类样本和已知分类样本间的多层脑网络相对特征量；然后计算待分类样本到所有已知分类样本的距离；S5、选取距离待分类样本最近的k个已知分类样本；S6、若这k个已知分类样本属于同一个分类，且待分类样本到该分类的距离小于该分类的直径，则判定待分类样本属于该分类，将待分类样本加入到已知分类样本所属分类中；否则判断待分类样本到该分类中的k个已知分类样本的距离是否大于该分类的直径，是则建立新的分类，并将待分类样本归入新的分类；否则结束。2.根据权利要求1所述的基于脑网络分析的神经精神疾病分类方法，其特征在于，步骤S1所述连接特征参数包括：各感兴趣区之间纤维束的数量，各感兴趣区之间纤维束的平均长度和各感兴趣区之间体素沿纤维束方向的平均各向异性分数。3.根据权利要求2所述的基于脑网络分析的神经精神疾病分类方法，其特征在于，步骤S3所述局部聚类系数计算公式为：其中，p表示各层脑网络的序号；i表示节点序号，表示样本m的第p层脑网络中，与节点i相邻的节点总个数；表示样本m的第p层脑网络中，与节点i相邻的所有节点的集合；表示样本m的第p层脑网络中，节点i、j之间归一化后的边权值；表示样本m的第p层脑网络中，节点i、k之间归一化后的边权值；表示样本m的第p层脑网络中，节点j、k之间归一化后的边权值。4.根据权利要求3所述的基于脑网络分析的神经精神疾病分类方法，其特征在于，步骤S3所述节点重要性分数计算式为：其中，表示的全局效率，表示样本m的第p层脑网络；表示的全局效率，表示样本m的第p层脑网络去掉节点i以及与节点i相连的边之后的网络；M表示感兴趣区的数量；表示中所有节点的集合；表示中去除节点i之后剩余的集合；表示样本m的第p层脑网络中，节点s、t之间的最短路径长度；表示样本m的第p层脑网络中，节点s′、t′之间的最短路径长度。5.根据权利要求4所述的基于脑网络分析的神经精神疾病分类方法，其特征在于，步骤S3所述节点局部重要性分数计算式为：其中，表示的全局效率，表示样本m的第p层脑网络中节点i的局部网络；表示的全局效率，表示去掉节点i以及与节点i相连的边之后的网络；表示样本m的第p层脑网络中关于节点i的局部网络中节点个数；表示节点i的局部网络中所有节点的集合；表示中去除节点i之后剩余的集合；表示样本m的第p层脑网络中，节点s、t之间的最短路径长度；表示样本m的第p层脑网络中，节点s′、t′之间的最短路径长度。6.根据权利要求1所述的基于脑网络...

【专利技术属性】
技术研发人员：周颖杰，洪晔，潘胜利，张颉，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51