基于机器学习模型对脑网络异常边连接的预测方法技术

本发明专利技术公开了一种基于机器学习模型对脑网络异常边连接的预测方法，步骤如下：基于待预测的脑图谱，选择对应的关联矩阵进行top5％

【技术实现步骤摘要】
基于机器学习模型对脑网络异常边连接的预测方法


[0001]本专利技术涉及计算机辅助预测
，具体涉及一种基于机器学习模型对脑网络异常边连接的预测方法。

技术介绍

[0002]人脑的结构和功能连通性在神经科学领域引起了广泛的兴趣。图论模型是研究大脑功能和结构网络最著名的模型之一，脑效应连接网络就是一种由节点和有向边构成的图论模型。由于脑效应连接网络的识别是评价正常脑功能和自闭现象谱系障碍等相关损伤的有效手段，故成为人脑连接组研究中的一项极为关键的待解决的科学问题。
[0003]但目前大脑图论模型在寻找神经生物标志物面临着一些新的挑战。在群体水平推断统计的背景下，假设的大规模单变量检验是识别与诊断状态、药物干预和其他实验操作或环境因素相关的边的常用方法。假设的大量单变量检验包括在图中的每个连接处拟合统计模型，并计算相应的检测统计量。尽管研究人员广泛使用这种方法，但它面临一个谬误：多重比较。尽管使用传统方法如FWE(Bonferroni)和错误发现率(FDR)控制假阳性的数量，但这些方法会导致统计效力的显著损失(即假阴性增加)。
[0004]目前神经科学中对机器学习算法的需求正在增加。但基于全脑功能连接的机器学习方法容易受到“维度诅咒”问题的影响。即样本与预测变量的低比率会增加过拟合的可能性，导致经过训练的模型在新数据上表现不佳。为避免过拟合，需要采用降维方法。同时，缺乏可解释性是机器学习模型中普遍存在的问题，从机器学习模型推导出来的系数一般不容易解释。

技术实现思路

[0005]本专利技术的目的是为了缓解机器学习模型预测问题中的维度灾难、可解释性不足和泛化性不足的缺陷，通过对输入信号初步降维和超阈值选择筛选特征，在交叉验证结构中结合机器学习和图论，提供一种快速识别基于神经成像的脑网络边连接异常的方法。该方法结合了机器学习的强大特性和基于网络的统计，通过在交叉验证结构中运行并提供与生成的大脑网络相关的预测分数，输出一个加权邻接矩阵，其中权重表示特征对模型的贡献程度。这个加权邻接矩阵提供了关于唯一的边对模型的贡献的可解释信息；同时输出连接异常的二维环形加权网络和由BrainNet Viewer生成的三维大脑表面加权网络。
[0006]本专利技术的目的可以通过采取如下技术方案达到：
[0007]一种基于机器学习模型对脑网络异常边连接的预测方法，所述预测方法包括以下步骤：
[0008]S1、基于待预测的脑图谱，选择与脑图谱节点数相对应的关联矩阵作为输入信号；并通过对关联矩阵选择进行top5％
‑
25％二值化或top5％
‑
25％阈值化，初步筛选边连接特征，获得降维后的关联矩阵，将所有降维后的关联矩阵信息汇总成一个边连接矩阵；
[0009]S2、对步骤S1获得的降维后的关联矩阵建立基于交叉验证结构的机器学习预测评
估模型；其中，交叉验证分为外循环和内循环，两个循环结构均进行K折交叉验证，在外循环的每次迭代中，将输入信号分为训练集和测试集，训练集中使用超阈值边选择，检测相关边的子集，然后对未进行超阈值边选择的测试集执行依赖于机器学习预测算法的模型评估；在内循环中，将训练集转移到内循环进行超参数优化，将上述训练集进一步划分为验证集和最终训练集，并使用交叉验证评估机器学习预测算法中超参数的多组候选值的性能，然后将预测性能最高的一组超参数用于外循环；
[0010]S3、获得预测评估模型的准确度和混淆矩阵，同时得到加权邻接矩阵作为脑网络边连接的结果，将结果可视化为二维环形加权网络及对应的超阈值子网络、由BrainNet Viewer生成的三维大脑表面加权网络及对应的超阈值子网络。
[0011]进一步地，所述步骤S1中脑图谱是一类体内图谱，脑图谱具有细粒度的功能大脑子区域以及每个区域的解剖和功能连接模式，可准确地描述大脑中激活或连接的位置，其中，选择脑图谱中AAL脑图谱或HBN脑图谱进行异常边连接预测；脑图谱是分析成像数据集的工具，HBN脑图谱较AAL脑图谱有更精细的划分，但因此具有更高维的分析难度。研究人员可根据自身需求选择AAL或HBN脑图谱，以便确定适用于不同研究目的的最佳图谱。
[0012]所述AAL脑图谱又称自动解剖标记图谱，表示划分大脑的90个脑区，对应90个节点坐标数据；
[0013]所述HBN脑图谱又称脑网络组图谱，表示划分大脑的246个脑区，对应246个节点坐标数据。
[0014]进一步地，所述步骤S1中关联矩阵是基于静息态功能磁共振数据按照脑图谱的大脑区域划分，通过探究各节点间的因果效应连接来揭示静息态下不同节点间的相关性的输入信号，其中关联矩阵大小为“N
×
N”，N取值90或246，为脑图谱中节点总数，矩阵内数据取值范围为[
‑
1,1]，由于关联矩阵中涉及(N
‑
1)
×
N/2条边，即(N
‑
1)
×
N/2个特征，考虑到直接将关联矩阵输入机器学习预测评估模型训练时可能导致过度拟合的特征的冗余或不相关性，甚至浪费计算资源和计算时间，故对关联矩阵选择做top5％
‑
25％二值化或阈值化降维处理；边连接矩阵大小为“样本数
×
[(N
‑
1)
×
N/2]”，其中“[(N
‑
1)
×
N/2]”为边的总数，边连接矩阵作为双样本t检验所拟合的一般线性方程中的因变量。
[0015]其中，top5％
‑
25％为在单个关联矩阵中数值的绝对值大小为前5％
‑
25％的数据；通过大规模测试经验，发现最佳降维效果一般出现在对top5％至top25％的数据进行以下处理：
[0016]其中，二值化为首先对关联矩阵中top5％
‑
25％的数据处理，top5％
‑
25％的数据中正数赋值为1，负数赋值
‑
1，接着关联矩阵中剩余数据赋值为0；二值化一定程度上将显著特征更显著，将一般特征忽视，达到降维目的的同时可提高预测准确度。其中，阈值化为不改变关联矩阵中top5％
‑
25％的数据，但关联矩阵中其余数据赋值为0。阈值化将显著特征保留，将一般特征忽视，这种降维方式更客观真实。研究人员可根据研究目的选择其中一种降维方式。
[0017]进一步地，所述步骤S2中基于交叉验证结构的预测评估模型，使用用交叉验证结构的目的是得到可靠稳定的模型。交叉验证结构使用客观随机的方法对模型的参数进行调整，其工作过程如下：
[0018]S21、在外循环的交叉验证过程中，采用随机抽样的方法将数据均等地分成K个子
集，对于每次迭代，从K个子集中选择一个作为测试集，而剩余的K
‑
1个子集为用作训练集，训练集中使用超阈值边选择，检测相关边的子集，然后对未进行超阈值边选择测试集执行模型评估；
[0019]S2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习模型对脑网络异常边连接的预测方法，其特征在于，所述预测方法包括以下步骤：S1、基于待预测的脑图谱，选择与脑图谱节点数相对应的关联矩阵作为输入信号；并通过对关联矩阵选择进行top5％
‑
25％二值化或top5％
‑
25％阈值化，初步筛选边连接特征，获得降维后的关联矩阵，将所有降维后的关联矩阵信息汇总成一个边连接矩阵；S2、对步骤S1获得的降维后的关联矩阵建立基于交叉验证结构的机器学习预测评估模型；其中，交叉验证分为外循环和内循环，两个循环结构均进行K折交叉验证，在外循环的每次迭代中，将输入信号分为训练集和测试集，训练集中使用超阈值边选择，检测相关边的子集，然后对未进行超阈值边选择的测试集执行依赖于机器学习预测算法的模型评估；在内循环中，将训练集转移到内循环进行超参数优化，将上述训练集进一步划分为验证集和最终训练集，并使用交叉验证评估机器学习预测算法中超参数的多组候选值的性能，然后将预测性能最高的一组超参数用于外循环；S3、获得预测评估模型的准确度和混淆矩阵，同时得到加权邻接矩阵作为脑网络边连接的结果，将结果可视化为二维环形加权网络及对应的超阈值子网络、由BrainNet Viewer生成的三维大脑表面加权网络及对应的超阈值子网络。2.根据权利要求1所述的基于机器学习模型对脑网络异常边连接的预测方法，其特征在于，所述步骤S1中脑图谱是一类体内图谱，脑图谱具有细粒度的功能大脑子区域以及每个区域的解剖和功能连接模式，可准确地描述大脑中激活或连接的位置，其中，选择脑图谱中AAL脑图谱或HBN脑图谱进行异常边连接预测；所述AAL脑图谱表示划分大脑的90个脑区，对应90个节点坐标数据；所述HBN脑图谱表示划分大脑的246个脑区，对应246个节点坐标数据。3.根据权利要求1所述的基于机器学习模型对脑网络异常边连接的预测方法，其特征在于，所述步骤S1中关联矩阵是基于静息态功能磁共振数据按照脑图谱的大脑区域划分，通过探究各节点间的因果效应连接来揭示静息态下不同节点间的相关性的输入信号，其中关联矩阵大小为“N
×
N”，N取值90或246，为脑图谱中节点总数，矩阵内数据取值范围为[
‑
1,1]，并对关联矩阵选择做top5％
‑
25％二值化或阈值化降维处理；边连接矩阵大小为“样本数
×
[(N
‑
1)
×
N/2]”，其中“[(N
‑
1)
×
N/2]”为边的总数；其中，top5％
‑
25％为在单个关联矩阵中数值的绝对值大小为前5％
‑
25％的数据；其中，二值化为首先对关联矩阵中top5％
‑
25％的数据处理，top5％
‑
25％的数据中正数赋值为1，负数赋值
‑
1，接着关联矩阵中剩余数据赋值为0；其中，阈值化为不改变关联矩阵中top5％
‑
25％的数据，但关联矩阵中其余数据赋值为0。4.根据权利要求1所述的基于机器学习模型对脑网络异常边连接的预测方法，其特征在于，所述步骤S2中基于交叉验证结构的预测评估模型的...

【专利技术属性】
技术研发人员：胡佳艺，王茜，吴凯，梁劭翀，徐燕婷，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：