尉 飛，趙寶奇，李秀梅，孫軍梅，葛青青

(杭州師范大學(xué)信息科學(xué)與工程學(xué)院，浙江 杭州 311121)

0 引言

隨著磁共振技術(shù)的發(fā)展，靜息狀態(tài)腦活動(dòng)的變化引起了人們普遍的關(guān)注.靜息態(tài)功能磁共振成像(resting-state functional magnetic resonance imaging，rs-fMRI)已被廣泛地應(yīng)用在腦功能研究中[1].功能性磁共振技術(shù)具有非侵入性，非常好的時(shí)間分辨率和空間分辨率等優(yōu)勢(shì)，為認(rèn)知神經(jīng)科學(xué)實(shí)驗(yàn)和腦病理的研究提供了技術(shù)支持[2].

靜息態(tài)功能性磁共振研究發(fā)現(xiàn)，在EO與EC靜息態(tài)下，腦功能活動(dòng)參數(shù)低頻振幅(amplitude of low frequency fluctuation，ALFF)、比率低頻振幅(fractional amplitude of low frequency fluctuation，fALFF)、局部一致性(regional homogeneity，ReHo)和功能連接網(wǎng)絡(luò)顯示有顯著的差異[3-5].人腦中多處區(qū)域會(huì)表現(xiàn)出不同的功能特征，包括視覺皮層、聽覺皮層、軀體感覺皮層、額頂注意網(wǎng)絡(luò)和默認(rèn)網(wǎng)絡(luò)[6-7].盡管大腦功能活動(dòng)的差異與這兩種狀態(tài)有關(guān)，但能夠證明兩者之間是否有直接關(guān)系的研究較少.

機(jī)器學(xué)習(xí)是一門人工智能學(xué)科，通過數(shù)據(jù)或經(jīng)驗(yàn)學(xué)習(xí)優(yōu)化計(jì)算機(jī)算法的性能.近些年，機(jī)器學(xué)習(xí)方法已廣泛地用于研究腦功能活動(dòng)和各種神經(jīng)系統(tǒng)疾病當(dāng)中[8- 9].機(jī)器學(xué)習(xí)方法能夠幫助研究人員在腦功能活動(dòng)與腦狀態(tài)之間的研究上快速建立模型并分析兩者之間的關(guān)系.

本研究在EO和EC兩種靜息態(tài)下提取了45位健康被試的腦功能參數(shù)fALFF和ReHo的數(shù)據(jù)，比較并分析了基于線性核的SVM、基于RBF核的SVM、樸素貝葉斯、決策樹、隨機(jī)森林和Adaboost 6種機(jī)器學(xué)習(xí)方法在所提取數(shù)據(jù)上的分類效果；對(duì)單一特征數(shù)據(jù)與fALFF和ReHo數(shù)據(jù)相融合的多層次特征數(shù)據(jù)在6種機(jī)器學(xué)習(xí)方法上進(jìn)行分類比較；并分析了不同分類器和不同層次特征數(shù)據(jù)的分類效果.

1 機(jī)器學(xué)習(xí)方法

1.1 支持向量機(jī)(SVM)

支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法[10].數(shù)據(jù)線性可分時(shí)，SVM尋找一個(gè)超平面對(duì)樣本進(jìn)行分割，分割的原則是滿足分類精度的同時(shí)使超平面兩側(cè)的空白區(qū)域最大化.數(shù)據(jù)線性不可分時(shí)，SVM通過核函數(shù)將數(shù)據(jù)映射在高維空間并在該空間內(nèi)尋找一個(gè)滿足分類要求的超平面對(duì)樣本進(jìn)行分類.SVM具有解決小樣本、非線性和高維問題，泛化能力強(qiáng)和避免局部最小點(diǎn)問題的優(yōu)勢(shì).SVM的缺點(diǎn)是對(duì)缺失數(shù)據(jù)敏感和對(duì)非線性問題沒有通用解決方案.

1.2 樸素貝葉斯

樸素貝葉斯方法是在貝葉斯算法的基礎(chǔ)上假定樣本數(shù)據(jù)集屬性和類別之間都是相互獨(dú)立的方法，使用訓(xùn)練集學(xué)習(xí)輸入到輸出的聯(lián)合概率分布[11].樸素貝葉斯擁有堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)、穩(wěn)定的分類效率、對(duì)缺失數(shù)據(jù)不太敏感和算法簡單等優(yōu)點(diǎn).當(dāng)屬性獨(dú)立性條件不滿足時(shí)，樸素貝葉斯的分類效果則會(huì)大大降低.

1.3 決策樹

決策樹是一種倒置的樹形結(jié)構(gòu).樹中的內(nèi)部節(jié)點(diǎn)代表某個(gè)屬性的測(cè)試分類，每個(gè)分支代表該測(cè)試分類的結(jié)果，每個(gè)葉節(jié)點(diǎn)表示某類條件下的分類結(jié)果[12].決策樹的結(jié)構(gòu)簡單，可以通過可視化分析，在相對(duì)短的時(shí)間內(nèi)對(duì)大型數(shù)據(jù)集做出良好可行的結(jié)果.決策樹的缺點(diǎn)是容易出現(xiàn)過擬合，易忽略數(shù)據(jù)集中屬性之間的相關(guān)性和不易處理存在缺失的數(shù)據(jù)等.

1.4 隨機(jī)森林

隨機(jī)森林是通過集成學(xué)習(xí)的思想將多棵決策樹集成的一種算法[13]，其分類結(jié)果根據(jù)所有樹分類結(jié)果的投票選擇而定.隨機(jī)森林可以處理大量的輸入變數(shù)；在分類過程中，可以評(píng)估變數(shù)的重要性；建造森林時(shí)，可在內(nèi)部對(duì)一般化后的誤差產(chǎn)生無偏估計(jì)；對(duì)于不平衡的數(shù)據(jù)還可以平衡誤差.

1.5 Adaboost

Boosting是一種重要的集成學(xué)習(xí)方法，能將預(yù)測(cè)精度較低的弱學(xué)習(xí)器增強(qiáng)為預(yù)測(cè)精度較高的強(qiáng)學(xué)習(xí)器[14].Adaboost是Boosting中最成功的代表，其能夠加強(qiáng)前一個(gè)弱分類器預(yù)測(cè)錯(cuò)誤樣本的權(quán)值，權(quán)值更新后的樣本用來再次訓(xùn)練下一個(gè)弱分類器.Adaboost分類器提供的是框架，可以使用各種方法構(gòu)建弱分類器，不需考慮過擬合問題和特征篩選.

2 數(shù)據(jù)與處理

2.1 數(shù)據(jù)采集

本研究中所涉及的靜息態(tài)磁共振數(shù)據(jù)均來自千人腦功能項(xiàng)目相關(guān)網(wǎng)站(http://fcon_1000.projects.nitrc.org/indi/IndiPro.html)，由北京師范大學(xué)提供.本數(shù)據(jù)集中包含48例健康被試(年齡19—31歲，24名女性/24名男性).每名被試都簽署了對(duì)本實(shí)驗(yàn)的知情同意書，并排除了具有神經(jīng)或者精神病史.所有被試進(jìn)行了3次靜息態(tài)掃描.第一次掃描為閉眼掃描，第二次與第三次掃描為睜眼與閉眼狀態(tài)間隨機(jī)選擇.掃描參數(shù)：掃描33層，層厚=3.5 mm，平面視野=20 mm×20 mm，TE/TR=30/2 000 ms，翻轉(zhuǎn)角=90°，采集240個(gè)時(shí)間點(diǎn)，掃描時(shí)長為8 min.此外，數(shù)據(jù)集中還包括每個(gè)被試的64個(gè)方向的 DTI掃描.本研究中只使用第二次與第三次靜息態(tài)掃描數(shù)據(jù).

2.2 數(shù)據(jù)預(yù)處理

本研究中靜息態(tài)數(shù)據(jù)使用基于MATLAB的DPARSF與SPM12(http://www.fil.ion.ucl.ac.uk/spm)軟件進(jìn)行處理[15].數(shù)據(jù)預(yù)處理過程如下：

1.去除數(shù)據(jù)的前10個(gè)時(shí)間點(diǎn)，以免被試磁化矢量不穩(wěn)定引起的干擾；

2.時(shí)間層校正，使層與層之間的掃描時(shí)間差異最小化；

3.頭動(dòng)校正，因?yàn)樗斜辉嚨念^動(dòng)均在平移小于2.5 mm，旋轉(zhuǎn)小于2.5°范圍內(nèi)，故沒有數(shù)據(jù)因頭動(dòng)被剔除；

4.將被試的結(jié)構(gòu)像和功能像對(duì)齊，對(duì)結(jié)構(gòu)像進(jìn)行分割得到白質(zhì)、灰質(zhì)和腦脊液；

5.回歸如下協(xié)變量：白質(zhì)平均信號(hào)，腦脊液平均信號(hào)和Friston-24參數(shù)模型得到的頭動(dòng)信號(hào)；

6.將結(jié)構(gòu)像配準(zhǔn)到MNI(Montreal Neurological Institute)標(biāo)準(zhǔn)空間，所有功能像配準(zhǔn)到標(biāo)準(zhǔn)模板.

2.3 指標(biāo)計(jì)算與質(zhì)量控制

2.3.1 fALFF與ReHo指標(biāo)的計(jì)算

體素ALFF指標(biāo)計(jì)算由預(yù)處理結(jié)果的時(shí)間序列進(jìn)行快速傅立葉變換得到其功率譜，再計(jì)算功率譜低頻部分(0.01-0.1 Hz)振幅平方根的均值而得到[16].體素fALFF指標(biāo)計(jì)算由功率譜低頻部分(0.01-0.1 Hz)的ALFF值與所有頻率(0-0.25 Hz)的ALFF值的比值而得到[17].ALFF和fALFF反映了腦區(qū)局部神經(jīng)的活動(dòng)性.體素的ReHo指標(biāo)通過計(jì)算該體素與其周圍相鄰的26個(gè)體素的肯德爾和諧系數(shù)(Kendall’s coefficient of concordance，KCC)而得到[18]，反映了腦區(qū)某個(gè)局部神經(jīng)元在時(shí)間上的相關(guān)性.

2.3.2 質(zhì)量控制

在質(zhì)量控制階段，有3例被試因在靜息態(tài)掃描時(shí)沒有得到完整的功能像而被剔除.后續(xù)的實(shí)驗(yàn)使用剔除后剩余的45例被試.

2.4 特征提取與選擇

2.4.1 特征提取

采用配對(duì)t檢驗(yàn)(paired sample t-test)來比較EO與EC兩種靜息態(tài)，并得到T統(tǒng)計(jì)量圖(T-statistic map).在計(jì)算T統(tǒng)計(jì)量圖時(shí)，添加頭動(dòng)參數(shù)協(xié)變量以減少頭動(dòng)帶來的影響.對(duì)T統(tǒng)計(jì)量圖進(jìn)行高斯隨機(jī)場(chǎng)(Gaussian Random Flied，GRF)校正，體素水平閾值使用p<0.001，團(tuán)塊水平閾值使用p<0.05，Mask選擇使用95% group mask.統(tǒng)計(jì)分析過程需在fALFF和ReHo兩種指標(biāo)下各自進(jìn)行.

2.4.2 特征選擇

校正后的T統(tǒng)計(jì)量圖可以得到EO與EC兩種靜息態(tài)下腦功能活動(dòng)變化的區(qū)域，即感興趣區(qū)域(regions of interest，ROI).在EO靜息態(tài)下，提取所有被試每個(gè)ROI中指標(biāo)的平均值并將其作為每個(gè)被試的特征向量.在EC靜息態(tài)下，進(jìn)行同樣操作.從而得到EO與EC兩種靜息態(tài)下fALFF和ReHo指標(biāo)的特征向量.

2.5 機(jī)器學(xué)習(xí)分類

先對(duì)EO與EC靜息態(tài)下的特征向量分別進(jìn)行標(biāo)記，EO靜息態(tài)下的特征向量標(biāo)記為1，EC靜息態(tài)下的特征向量標(biāo)記為-1，以便于之后的分類.將這些特征向量分為訓(xùn)練集和測(cè)試集，在訓(xùn)練集上先對(duì)分類器進(jìn)行訓(xùn)練，之后在測(cè)試集上對(duì)訓(xùn)練后的分類器進(jìn)行分類效果的測(cè)試.本文使用基于線性核的SVM、基于RBF核的SVM、樸素貝葉斯、決策樹、隨機(jī)森林和Adaboost等機(jī)器學(xué)習(xí)方法對(duì)這些特征向量進(jìn)行單一特征數(shù)據(jù)的分類.最后將fALFF和ReHo指標(biāo)下的特征向量相融合，對(duì)多層次特征數(shù)據(jù)進(jìn)行分類.由于集中的數(shù)據(jù)數(shù)量較少，所以選擇使用10折交叉驗(yàn)證法作為驗(yàn)證方法，以準(zhǔn)確率、召回率和精確率作為分類效果的評(píng)價(jià)指標(biāo).

3 實(shí)驗(yàn)結(jié)果

3.1 fALFF和ReHo特征提取結(jié)果

fALFF指標(biāo)下，在小腦后葉，右側(cè)枕中回和右側(cè)距狀裂周圍皮層等腦區(qū)，EO靜息態(tài)下的fALFF值明顯比EC靜息態(tài)高；而在右側(cè)中央后回和右側(cè)補(bǔ)充運(yùn)動(dòng)區(qū)等腦區(qū)，EO靜息態(tài)下的fALFF值則明顯比EC靜息態(tài)低，如圖1和表1所示.小腦是運(yùn)動(dòng)的重要調(diào)節(jié)中樞；枕葉主要負(fù)責(zé)人腦的視覺信息處理；視覺皮層中樞位于距狀裂周圍皮質(zhì)和枕葉上；人體的感覺中樞位于中央后回.fALFF反映了腦區(qū)局部神經(jīng)的活動(dòng).因此，fALFF指標(biāo)計(jì)算的結(jié)果表明，EO與EC靜息態(tài)下人腦的功能活動(dòng)變化在視覺皮層和軀體感覺皮層等區(qū)域的差異更為顯著.

圖1 fALFF指標(biāo)下EO與EC靜息態(tài)的腦功能活動(dòng)差異圖Fig.1 Difference of brain functional activity between EO and EC resting state with fALFF

表1 fALFF指標(biāo)下EO與EC靜息態(tài)的腦功能活動(dòng)差異Tab.1 Difference of brain functional activity between EO and EC resting state with fALFF

ReHo指標(biāo)下，在左側(cè)梭狀回、右側(cè)梭狀回、右側(cè)舌回、左側(cè)枕下回、左側(cè)枕中回、右側(cè)枕中回、左側(cè)頂上回和右側(cè)額中回等腦區(qū)，EO靜息態(tài)下的ReHo值明顯比EC靜息態(tài)高；而在左側(cè)顳上回、右側(cè)中央后回、左側(cè)中央后回、右側(cè)補(bǔ)充運(yùn)動(dòng)區(qū)和左側(cè)中央前回等腦區(qū)，EO靜息態(tài)下的ReHo值則明顯比EC靜息態(tài)低，如圖2和表2所示.梭狀回負(fù)責(zé)面孔識(shí)別、物體次級(jí)分類識(shí)別等功能；舌回主要負(fù)責(zé)視覺的加工等功能；頂葉主要負(fù)責(zé)人體身體感覺等功能；額葉包含初級(jí)運(yùn)動(dòng)區(qū)；顳葉負(fù)責(zé)人體聽覺信息的處理；人體的運(yùn)動(dòng)中樞位于中央前回.ReHo反映了腦區(qū)某個(gè)局部的神經(jīng)元活動(dòng)在時(shí)間上的一致性.因此，ReHo指標(biāo)計(jì)算的結(jié)果表明，EO與EC靜息態(tài)下人腦功能活動(dòng)的變化在視覺皮層、聽覺皮層、軀體感覺皮層和軀體運(yùn)動(dòng)皮層等區(qū)域的差異更為顯著.

圖2 ReHo指標(biāo)下EO與EC靜息態(tài)的腦功能活動(dòng)差異圖Fig.2 Difference of brain functional activity between EO and EC resting state with ReHo

表2 ReHo指標(biāo)下EO與EC靜息態(tài)的腦功能活動(dòng)差異Tab.2 Difference of brain functional activity between EO and EC resting state with ReHo

由以上fALFF和ReHo指標(biāo)的計(jì)算結(jié)果可以看出，靜息態(tài)下人腦功能活動(dòng)與EO和EC兩種靜息態(tài)有關(guān)，EO與EC兩種靜息態(tài)下人腦功能活動(dòng)在人體視覺皮層、聽覺皮層、軀體感覺皮層和軀體運(yùn)動(dòng)皮層等區(qū)域的差異顯著.

3.2 單一特征數(shù)據(jù)與多層次特征數(shù)據(jù)分類

3.2.1 單一特征數(shù)據(jù)分類

根據(jù)3.1節(jié)中各指標(biāo)的計(jì)算結(jié)果，在fALFF指標(biāo)下，我們從每個(gè)被試中提取出8維的特征向量作為分類的數(shù)據(jù)集；在ReHo指標(biāo)下，從每個(gè)被試中提出15維特征向量作為分類的數(shù)據(jù)集.所得到的數(shù)據(jù)集按照10折交叉驗(yàn)證法分割為訓(xùn)練集和測(cè)試集，將訓(xùn)練集輸入到分類器中完成訓(xùn)練后，使用測(cè)試集對(duì)分類器進(jìn)行分類測(cè)試.fALFF數(shù)據(jù)的分類結(jié)果如表3所示，ReHo數(shù)據(jù)的分類結(jié)果如表4所示.

表3 fALFF數(shù)據(jù)的分類結(jié)果Tab.3 Classification results of fALFF data

表4 ReHo數(shù)據(jù)的分類結(jié)果Tab.4 Classification results of ReHo data

從表3和表4可以發(fā)現(xiàn)，基于線性核的SVM、基于RBF核的SVM、樸素貝葉斯、決策樹、隨機(jī)森林和Adaboost 6種機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)分類均可以達(dá)到較好的分類效果.在fALFF數(shù)據(jù)上，樸素貝葉斯在6種方法中的分類效果最好，準(zhǔn)確率為84.50%，召回率為84.50%，精確率為87.67%；其中分類效果最差的決策樹達(dá)到準(zhǔn)確率為72.00%，召回率為77.50%，精確率為81.67%的分類效果.在ReHo數(shù)據(jù)上，基于線性核的SVM在6種方法中的分類效果最好，準(zhǔn)確率為92.50%，召回率為91.50%，精確率為94.00%；其中分類效果最差的決策樹達(dá)到準(zhǔn)確率為78.50%，召回率為68.00%，精確率為83.00%的分類效果.

通過6種機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)進(jìn)行分類比較，我們發(fā)現(xiàn)樸素貝葉斯算法對(duì)fALFF數(shù)據(jù)的分類效果最好，線性核的SVM算法對(duì)ReHo數(shù)據(jù)的分類效果最好.因此，在EO與EC靜息態(tài)下腦功能活動(dòng)相關(guān)的分類研究中，可以在fALFF數(shù)據(jù)上采用樸素貝葉斯算法，在ReHo數(shù)據(jù)上采用線性核SVM算法.

3.2.2 多層次特征數(shù)據(jù)分類

我們將fALFF指標(biāo)中每個(gè)被試的8維特征向量與ReHo指標(biāo)中相對(duì)應(yīng)被試的15維特征向量融合為一個(gè)fALFF+ReHo指標(biāo)下的23維特征向量，以此來組成多層次特征的分類數(shù)據(jù)集.按照單一特征數(shù)據(jù)下的分類方法對(duì)多層次特征數(shù)據(jù)進(jìn)行分類，fALFF+ReHo多層次特征數(shù)據(jù)下的分類結(jié)果如表5所示.從表5可以發(fā)現(xiàn)，多層次特征數(shù)據(jù)分類結(jié)果中，6種機(jī)器學(xué)習(xí)方法均達(dá)到了較好的分類效果.樸素貝葉斯在6種方法中的分類效果最好，準(zhǔn)確率為92.25%，召回率為86.50%，精確率為97.50%；分類效果最差的決策樹達(dá)到準(zhǔn)確率為77.00%，召回率為71.50%，精確率為81.75%的分類效果.

表5 多層次特征數(shù)據(jù)的分類結(jié)果Tab.5 Classification results of multi-level feature data

通過對(duì)單一特征數(shù)據(jù)和多層次特征數(shù)據(jù)分類結(jié)果進(jìn)行比較，發(fā)現(xiàn)利用多層次特征數(shù)據(jù)進(jìn)行分類時(shí)，基于RBF核的SVM，樸素貝葉斯和隨機(jī)森林算法的分類效果均有所提升，而基于線性核的SVM、決策樹和Adaboost的分類效果均沒有得到提升，甚至有所降低，如圖3-圖5所示.實(shí)驗(yàn)結(jié)果表明，選擇使用RBF核的SVM，樸素貝葉斯和隨機(jī)森林算法時(shí)，利用對(duì)fALFF和ReHo指標(biāo)下特征向量的特征融合方法可以提升算法的分類效果.因此，在多個(gè)腦功能參數(shù)的EO與EC靜息態(tài)下腦功能活動(dòng)相關(guān)的分類研究中，可以采用特征融合的方法進(jìn)行分類.此外，對(duì)單一特征數(shù)據(jù)和多層次特征數(shù)據(jù)的分類結(jié)果表明，機(jī)器學(xué)習(xí)方法可應(yīng)用于腦功能活動(dòng)相關(guān)領(lǐng)域進(jìn)行必要的預(yù)測(cè)分類，也為機(jī)器學(xué)習(xí)在其他腦病理等相關(guān)領(lǐng)域提供了參考依據(jù).

圖3 單一特征數(shù)據(jù)與多層次特征數(shù)據(jù)分類準(zhǔn)確率比較圖Fig.3 Difference of classification accuracy between single feature and multi-level feature data

圖4 單一特征數(shù)據(jù)與多層次特征數(shù)據(jù)分類召回率比較圖Fig.4 Difference of classification recall between single feature and multi-level feature data圖5 單一特征數(shù)據(jù)與多層次特征數(shù)據(jù)分類精確率比較圖Fig.5 Difference of classification precision between single feature and multi-level feature data

4 結(jié)論

本研究在EO和EC兩種靜息態(tài)下，比較并分析了基于線性核的SVM、基于RBF核的SVM、樸素貝葉斯、決策樹、隨機(jī)森林和Adaboost 6種機(jī)器學(xué)習(xí)方法對(duì)人腦fALFF和ReHo數(shù)據(jù)上的分類效果.對(duì)單一特征數(shù)據(jù)分類時(shí)，樸素貝葉斯算法對(duì)fALFF數(shù)據(jù)的分類效果最好，線性核的SVM對(duì)ReHo數(shù)據(jù)的分類效果最好.對(duì)fALFF和ReHo數(shù)據(jù)相融合的多層次特征數(shù)據(jù)分類時(shí)，樸素貝葉斯算法的分類效果最好.通過對(duì)單一特征數(shù)據(jù)與多層次特征數(shù)據(jù)在6種分類器上進(jìn)行分類比較，發(fā)現(xiàn)利用多層次特征數(shù)據(jù)時(shí)，基于RBF核的SVM，樸素貝葉斯和隨機(jī)森林算法的分類效果有所提升.