[發明專利]一種用于從fMRI數據中構建腦效應連接網絡的人工免疫方法

有效

• 申請號: 201510370320.0
• 申請日: 2015-06-29
• 公開（公告）號: CN105022934B
• 公開（公告）日: 2018-03-09
• 發明（設計）人: 冀俊忠;劉金鐸
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F19/12
• 分類號: G06F19/12;G06K9/62;G06K9/66
• 代理公司: 北京思海天達知識產權代理有限公司11203
• 代理人: 沈波

技術領域

本發明涉及fMRI功能磁共振成像數據的腦效應網絡構建方法，特別是一種基于人工免疫系統的貝葉斯網結構學習方法。

背景技術

功能磁共振成像技術(functional magenetic resonance imaging,fMRI)是一種基于磁共振成像的、非介入的、無創傷且非常有效的腦功能成像技術。由于它具有可靠的理論基礎、良好的時空分辨率等諸多特性，為認知神經科學的實驗研究提供了有利條件，同時又在病理學研究方面具有很重要的臨床意義，擁有著廣泛的應用前景和重要科學價值。特別是通過分析fMRI數據構建的腦網絡，可以幫助了解復雜的人類大腦的運作，并為理解精神病和神經性疾病，如早老性癡呆和帕金森病，精神分裂癥，上癮，和抑郁癥等提供幫助。

腦網絡的研究主要是對腦區節點進行連接性分析?，F階段連接性分析主要包括功能連接分析和效應連接分析。功能連接是空間上遠離的神經生理事件或神經單元活動在時間上的關聯性和統計依賴性，效應連接是指一個神經系統對另一個神經系統直接或間接的影響，關注時間先后的因果效應，刻畫了神經單元之間相互作用的方向性。由于效應連接可以描述大腦網絡信息傳輸的方向性，它已經成為當代認知科學領域的一個熱門話題。

通常對效應連接的刻畫需要特定的解析模型，目前已有多種建模方法被提出用來刻畫腦區之間的效應連接。例如：結構方程建模(structural equationmodeling,SEM)、動態因果模型(dynamic causal modeling,DCM)、格蘭杰因果模型(Granger causality mapping,Granger)、貝葉斯網(BayesianNetwork,BN)等。目前在功能性磁共振成像(fMRI)技術的效應連接研究中，結構方程模型(SEM)和動態因果建模(DCM)是模式驅動方法，它們依賴于先驗知識和特定的假設，因此不適用于對大腦網絡進行試探性研究。格蘭杰因果關系映射方法(Granger)采用向量自回歸模型來構建腦區之間的效應連接。向量自回歸模型(VAR模型)通過VAR系數矩陣表征時間對區域之間連通性的影響，當時間序列的維數過高，或者腦區網絡過大時，VAR模型將面臨很大挑戰。而且進行格蘭杰因果關系檢驗的一個前提條件是時間序列必須具有平穩性，否則可能會出現虛假回歸問題。貝葉斯網方法(BN)也是一種數據驅動方法，它可以推斷給定條件下隨機變量的依賴關系，而且在功能連接上推斷比較準確。因此本發明通過利用貝葉斯網方法的優勢，旨在獲得夠好的效應連接網絡結構。

從數據集中自動學習到貝葉斯網的結構有兩類方法：基于約束滿足的方法和基于評分搜索的方法。基于約束滿足的方法(也稱依賴分析或者基于條件獨立性測試的方法)，BN被看做是變量間的獨立性關系的圖結構。該方法先通過計算節點間的互信息(Mutual Information,MI)和條件獨立性測試(Conditional Independence test,CI)來找出數據集D中各個變量間的條件獨立性關系，在尋找和這些條件獨立性斷言一致的網絡模型。這種方法其問題在于，互信息和獨立性測試的計算代價較大，且高階獨立性測試結果通常不是很可靠。另外，在數據缺失時，基于約束滿足的方法并不適用，因為不能從數據集中直接求得兩點之間的互信息?；谠u分搜索的方法，主要是采用某種評分準則作為衡量網絡模型和給定數據集的符合程度，從而找出當前評分意義上評分值最高的網絡模型，即找出后驗概率最大的網絡。這種方法當變量比較多時，搜索空間很大，一些啟發式搜索方法易陷入局部最優。本發明所采用的是一種評分搜索的貝葉斯網結構學習方法。通過人工免疫系統多樣性產生和維持機制來保持種群的多樣性，克服了一般尋優過程易陷入局部最優而出現早熟收斂的問題，獲得高質量的網絡。

發明內容

針對上述腦效應網絡構建方法的不足，本發明提出一種用于從fMRI數據中構建腦效應連接網絡的人工免疫方法。該方法充分利用了貝葉斯網方法的優勢，并利用免疫系統的多樣性產生和維持機制來保持種群的多樣性，克服了一般尋優過程易陷入局部最優而出現早熟收斂的問題，使得最終獲得的最優網絡結構更加貼近fMRI數據所反映的腦效應連接網絡。

實現本發明的主要思路是：獲取靜息態fMRI數據；使用SPM8對數據進行預處理；選取與腦網絡構建相關的感興趣區域；通過人工免疫系統優化貝葉斯網結構學習方法，針對提取的感興趣區域進行腦效應連接網絡的構建；對每個受試者的腦效應連接網絡進行分析，揭示網絡連接所表示的生物學意義，使用組分析的方法，構建具有一般性的腦效應連接網絡，反映人腦網絡連接的普遍性規律。