[發(fā)明專利]基于意識障礙患者意識恢復(fù)預(yù)測的磁共振檢測的數(shù)據(jù)分析方法

有效

• 申請?zhí)枺?/td>: 201611239707.3
• 申請日: 2016-12-28
• 公開（公告）號: CN108257657B
• 公開（公告）日: 2023-07-07
• 發(fā)明（設(shè)計）人: 吳雪海;沈定剛;張寒;湯偉軍;毛穎;周良輔;齊增鑫
• 申請（專利權(quán)）人: 復(fù)旦大學(xué)附屬華山醫(yī)院
• 主分類號: G16H30/20
• 分類號: G16H30/20
• 代理公司: 上海元一成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31268
• 代理人: 吳桂琴

1.基于意識障礙患者意識恢復(fù)預(yù)測的磁共振檢測的數(shù)據(jù)分析方法，其特征在于，基于機器學(xué)習(xí)的數(shù)據(jù)分析方法，其包括，基于靜息態(tài)功能磁共振數(shù)據(jù)(RS-fMRI)，采用“加權(quán)組稀疏”算法構(gòu)建人腦功能連接矩陣，從該矩陣中，用稀疏表征的特征篩選方法挑選對分類貢獻高的功能連接特征用于自動預(yù)測；采用線性支撐向量機構(gòu)建預(yù)測模型，得到最終的對意識恢復(fù)與否的預(yù)測結(jié)果；

所述的數(shù)據(jù)分析方法包括如下步驟：

1)對RS-fMRI數(shù)據(jù)進行預(yù)處理，

所述RS-fMRI數(shù)據(jù)包括層獲取時間校正，頭動校正，對齊到標準空間，空間平滑，時域帶通濾波，從數(shù)據(jù)中去除白質(zhì)、腦脊液平均信號和頭動曲線；

2)對步驟1)獲得的數(shù)據(jù)，采用“加權(quán)稀疏表征”算法，優(yōu)化地計算任意一個腦區(qū)和其他腦區(qū)信號之間的表征關(guān)系，采用腦區(qū)信號之間的相關(guān)系數(shù)加權(quán)的L-1范數(shù)作為約束項，獲得在同時考慮其他腦區(qū)的影響的情況下，任意兩個腦區(qū)之間的關(guān)系，即一個方陣，該矩陣代表人腦功能連接網(wǎng)絡(luò)；

3)對所有N個被試采用步驟1)-2)計算人腦功能連接網(wǎng)絡(luò)，

從所有N個意識喪失被試中，選擇N-1個被試作為訓(xùn)練數(shù)據(jù)，將這些被試的意識恢復(fù)結(jié)果作為標號，采用稀疏表征的方法對所有被試所有功能連接系數(shù)，人腦功能連接網(wǎng)絡(luò)方陣里的上三角矩陣，進行特征篩選，篩選的原則是選擇較少的對分類目標貢獻較大的特征；

4)用被選中的特征，在特征所構(gòu)成的高維空間中構(gòu)建線型支撐向量機SupportVectorMachine/SVM，學(xué)習(xí)最優(yōu)分類面，該分類面由所有進入SVM中的特征的權(quán)重系數(shù)決定；

5)將剩下的一個意識喪失被試，作為測試數(shù)據(jù)，對該被試的人腦功能連接網(wǎng)絡(luò)矩陣，用步驟3)所得到的有用特征序號，提取相同特征，將其放入步驟4)中SVM所學(xué)習(xí)到的分類模型中得到預(yù)測結(jié)果；

6)更換測試被試，將剩下的被試作為訓(xùn)練數(shù)據(jù)，重復(fù)步驟3)-5)每次均能得到對測試被試的預(yù)測結(jié)果，將所有預(yù)測結(jié)果和該測試被試的標號相比較，得到預(yù)測模型的準確率、敏感度、特異度，制作受試者操作曲線ROC并得到線下面積；

7)評估模型，經(jīng)過利用大數(shù)據(jù)集的實驗，以及步驟1)-6)，構(gòu)建最優(yōu)分類模型，該最優(yōu)分類模型包括最優(yōu)的腦區(qū)間功能連接特征的選擇以及這些特征的加權(quán)方式預(yù)測蘇醒與否的準確率超過89％，敏感度和特異度分別超過88％和90％；

8)新被試的預(yù)測，將所有N個被試作為訓(xùn)練樣本，利用步驟3)的特征選擇確定對預(yù)測有用的特征，用步驟4)重新構(gòu)建分類模型，當有新被試時，利用所述的模型預(yù)測新被試的蘇醒結(jié)果。

2.按權(quán)利要求1所述的方法，其特征在于，所述步驟1)對RS-fMRI數(shù)據(jù)進行預(yù)處理中，采用腦區(qū)分割圖譜提取不同腦區(qū)或稱感興趣區(qū)的平均時間序列；該時間序列反映區(qū)域平均血氧水平依賴信號。

3.按權(quán)利要求1所述的方法，其特征在于，所述的步驟2)包括如下分步驟：

2)-1，對腦區(qū)i，其時間序列由其他腦區(qū)的線性組合表達，通過計算其線性組合系數(shù)W的L-1范數(shù)進行約束；在該約束項上進行加權(quán)，加權(quán)系數(shù)通過腦區(qū)i和另外任一腦區(qū)的皮爾遜相關(guān)系數(shù)的e負指數(shù)變形得到；通過優(yōu)化目標函數(shù)，即最小化目標函數(shù)取值，得到最佳W，即為腦區(qū)i和所有其他腦區(qū)之間的功能連接系數(shù)；

2)-2對各個腦區(qū)分別進行步驟2)-1，獲得每個腦區(qū)和所有其他腦區(qū)之間功能連接系數(shù)，由于步驟2)-1得到的為一個列向量，所有腦區(qū)所對應(yīng)的列向量疊在一起形成一個方陣；

2)-3對上述方陣進行轉(zhuǎn)置，然后與轉(zhuǎn)置前的方陣相加并除以2，實現(xiàn)方陣的對稱化；即腦區(qū)i和腦區(qū)j的功能連接等于腦區(qū)j和腦區(qū)i的功能連接。

4.按權(quán)利要求1所述的方法，其特征在于，所述的步驟3)中通過下述方法選擇較少的對分類目標貢獻較大的特征：

建立一個以特征權(quán)重的L-1范數(shù)為約束項的線型表征優(yōu)化模型，其中每個功能連接強度乘以一個特征權(quán)重，用所有功能連接強度的加權(quán)和逼近訓(xùn)練數(shù)據(jù)的標號，L-1范數(shù)可以得到稀疏的優(yōu)化結(jié)果，即只有少數(shù)特征被選擇，該特征權(quán)重用于特征篩選，非零權(quán)重所對應(yīng)的特征即被選中。

5.按權(quán)利要求1所述的方法，其特征在于，所述的步驟8)中，按下述預(yù)測方法利用所述模型預(yù)測新被試的蘇醒結(jié)果：對所述新被試的RS-fMRI數(shù)據(jù)，采用步驟1)所述方法進行預(yù)處理，并采用步驟2)所述方法進行腦網(wǎng)絡(luò)構(gòu)建，最后，采用上述N個被試重新構(gòu)建的大數(shù)據(jù)預(yù)測模型進行特征挑選和結(jié)果預(yù)測。