[發明專利]一種用于對fMRI腦功能連接數據進行特征約簡的鄰域粗糙集方法

有效

• 申請號: 202011137128.4
• 申請日: 2020-10-22
• 公開（公告）號: CN112435742B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 楊翠翠;宋曉妮;冀俊忠
• 申請（專利權）人: 北京工業大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H50/70;A61B5/00;A61B5/055
• 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

本發明公開了一種用于對fMRI腦功能連接數據進行特征約簡的鄰域粗糙集方法，基于雙魚群智能搜索和信息觀鄰域粗糙集理論，提出一種與fMRI腦功能連接數據相結合的鄰域粗糙集特征約簡方法。具體包括以下步驟：獲取靜息態fMRI數據；對fMRI數據進行預處理；建立腦功能連接決策表；使用雙魚群算法搜索分類判別能力強的特征子集；在得到的約簡特征集合下，實現支持向量機分類，根據分類結果來衡量本發明所提供的方法的特征約簡能力。

技術領域

本發明涉及fMRI腦功能連接數據特征約簡的方法，特別是一種基于鄰域粗糙集的腦功能連接特征約簡方法。

背景技術

腦功能連接刻畫了不同腦區之間神經元活動的動態關聯性,為人們理解神經、精神疾病的病理機理提供了一個嶄新的視角。近年來,基于功能磁共振成像(functionalMagnetic Resonance Imaging,fMRI)的腦功能連接分類由于可以發現與某種腦疾病相關的重要腦功能連接特征,對于理解腦疾病的發病機理，進而進行腦疾病的早期診斷和治療具有重要的意義,引起了研究人員的廣泛關注。然而,fMRI腦功能連接數據所具有的高維小樣本特性易引發維災難問題,給分類方法提出了極大的挑戰。為了應對該挑戰,對fMRI腦功能連接數據進行特征歸約是腦功能連接分類研究中一個關鍵的研究課題。

近年來,研究人員已經提出了一些fMRI腦功能連接特征歸約方法。這些方法可以分為特征提取和特征選擇兩大類。其中,特征提取通過某種變換將原始腦功能連接數據從高維空間映射到低維空間,從而實現特征降維的目標,如主成分分析(PrincipalComponent Analysis,PCA)、局部線性嵌入(Locally Linear Embedding,LLE)、獨立成分分析(Independent ComponentAnalysis,ICA)等方法。這類方法存在一個天然的局限性，即得到的特征不易理解,不利于給出神經學的解釋。特征選擇依據某種度量指標直接從原始腦功能連接特征中挑選出重要的特征,如T檢驗、F-score、相關系數等。這類方法雖然能夠保持原始腦功能連接特征的含義,有助于人們的理解,但是大多忽視了腦功能連接特征之間的相互關聯,因而也勢必會影響分類學習性能。

經典粗糙集(Rough Set)理論是波蘭數學家Z.Pawlak在20世紀80年代提出的一種處理不精確、不一致、不完備知識的數學理論。它能夠在未提供任何先驗信息的情況下獲得數據的核心知識,實現特征歸約,目前已經廣泛應用于機器學習、數據挖掘和模式識別等領域。但是該理論僅適合于離散型數據,當面對連續型數據時,需要對數據進行離散化,而離散化會帶來嚴重的信息損失。為此，胡清華等人在經典粗糙集理論和鄰域概念的基礎上,提出了鄰域粗糙集理論，該理論能夠很好地處理連續型數據。

發明內容

針對上述腦功能連接特征約簡方法存在的不足，且鑒于fMRI腦功能連接體現的是不同腦區之間功能上的相關程度,是一種連續型數據，本發明提出一種用于對fMRI功能連接數據進行特征約簡的鄰域粗糙集方法。該方法充分利用了鄰域粗糙集理論的優勢，且采用雙魚群算法對特征子集空間進行全面地探索，客服了傳統粗糙集理論使用局部搜索方法易陷入局部最優的缺陷。與其它方法相比，該方法可以更加有效地降低fMRI腦功能連接數據的維度,且得到的約簡特征能夠保證fMRI腦功能連接分類的性能。

實現本發明的主要思路是：獲取靜息態fMRI數據；對fMRI數據進行預處理；建立腦功能連接決策表；使用雙魚群算法搜索分類判別能力強的特征子集；在得到的約簡特征下，實現支持向量機分類，根據分類性能來衡量本發明的特征約簡能力。

一種用于從fMRI數據中進行腦功能連接特征約簡的鄰域粗糙集方法包括以下步驟：