融合时序相关信息的脑功能网络估计与分类

doi:10.11772/j.issn.1001-9081.2024050684

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (5): 1403-1409.DOI: 10.11772/j.issn.1001-9081.2024050684

• 第十届中国数据挖掘会议 • 上一篇

融合时序相关信息的脑功能网络估计与分类

杨俊¹, 庞梦雪¹, 乔立山¹^,²()

^1.聊城大学数学科学学院，山东聊城 252000
^2.山东建筑大学计算机科学与技术学院，济南 250101

收稿日期:2024-05-27 修回日期:2024-06-22 接受日期:2024-06-28 发布日期:2024-07-25 出版日期:2025-05-10
通讯作者: 乔立山
作者简介:杨俊（2000—），女，山东新泰人，硕士研究生，主要研究方向：智能医学、脑功能数据分析、机器学习
庞梦雪（1999—），女，山东惠民人，硕士研究生，主要研究方向：智能医学、脑功能数据分析、机器学习
乔立山（1979—），男，山东邹平人，教授，博士，CCF会员，主要研究方向：人工智能、模式识别、智能医学、脑功能数据分析、机器学习。
基金资助:
国家自然科学基金面上项目(61976110);国家自然科学基金重点项目(11931008)

Estimation and classification of brain functional networks based on temporal correlation information fusion

Jun YANG¹, Mengxue PANG¹, Lishan QIAO¹^,²()

^1.School of Mathematical Science，Liaocheng University，Liaocheng Shandong 252000，China
^2.School of Computer Science and Technology，Shandong Jianzhu University，Jinan Shandong 250101，China

Received:2024-05-27 Revised:2024-06-22 Accepted:2024-06-28 Online:2024-07-25 Published:2025-05-10
Contact: Lishan QIAO
About author:YANG Jun， born in 2000， M. S. candidate. Her research interests include intelligent medicine， brain functional data analysis， machine learning.
PANG Mengxue， born in 1999， M. S. candidate. Her research interests include intelligent medicine， brain functional data analysis， machine learning.
QIAO Lishan， born in 1979. Ph. D.， professor. His research interests include artificial intelligence， pattern recognition， intelligent medicine， brain functional data analysis， machine learning.
Supported by:
National Natural Science Foundation of China — General Project(61976110);National Natural Science Foundation of China — Key Project(11931008)

摘要/Abstract

摘要：

脑功能网络在神经或精神类脑疾病的早期诊断中发挥着重要作用，而估计一个高质量的脑功能网络是其中最关键的问题之一。尽管目前已有众多脑功能网络估计方法，但多数仅考虑了脑区间的相关性，忽视了时间点间可能存在的依赖关系。最近的研究发现，引入潜变量编码时间点间的依赖性可以有效提高脑功能网络的判别性；但该方法仅基于相邻时间点的依赖关系，并未有效利用不相邻时间点的信息，无法全面反映脑功能网络的时序特性。因此，提出一种新的脑功能网络估计方法，通过引入相似性矩阵编码不相邻时间点间的依赖关系，旨在提高脑功能网络估计的质量；并设计了交替优化学习算法快速求解该方法的模型。为了评估所提方法的有效性，在3个公开数据集ADNI（Alzheimer's Disease Neuroimaging Initiative）、ABIDE（Autism Brain Imaging Data Exchange）和REST-MDD（REST-meta-MDD Consortium）上分别进行了轻度认知障碍、孤独症与抑郁症的识别实验，实验结果表明，基于所提方法估计的脑功能网络能够获得更优的分类性能。

关键词: 脑功能网络, 相似性矩阵, 隐变量, 静息态功能磁共振成像, 时序信息

Abstract:

Brain functional networks play a crucial role in the early diagnosis of neurological or encephaloid diseases， and the estimation of a high-quality brain functional network is one of the most critical challenges. Although numerous brain functional network estimation methods have been proposed， most of them only focus on the correlations among brain regions while ignoring potential dependencies among time points. Recent studies have found that encoding dependencies among time points can effectively improve the discriminative properties of brain functional networks； however， this method only relies on the dependencies between adjacent time points and fails to effectively utilize information from non-adjacent time points， thereby inadequately capturing the temporal characteristics of the brain functional network. To address this limitation， a new brain functional network estimation method was proposed， which introduced a similarity matrix to encode the dependencies among non-adjacent time points， aiming to improve the quality of the estimation. Additionally， an alternating optimization learning algorithm was designed to solve the model quickly. To evaluate the effectiveness of the proposed method， experiments were conducted on three public datasets — ADNI （Alzheimer's Disease Neuroimaging Initiative）， ABIDE （Autism Brain Imaging Data Exchange）， and REST-MDD （REST-meta-MDD Consortium） — for mild cognitive impairment， autism and depression， respectively. Experimental results demonstrate that the brain functional network estimated by the proposed method achieves superior classification performance.

Key words: brain functional network, similarity matrix, latent variable, resting-state functional Magnetic Resonance Imaging (rs-fMRI), temporal information

中图分类号:

TP391

杨俊, 庞梦雪, 乔立山. 融合时序相关信息的脑功能网络估计与分类[J]. 计算机应用, 2025, 45(5): 1403-1409.

Jun YANG, Mengxue PANG, Lishan QIAO. Estimation and classification of brain functional networks based on temporal correlation information fusion[J]. Journal of Computer Applications, 2025, 45(5): 1403-1409.

图/表 11

图1 I-SRiLT与SRiLT编码时序依赖性的区别

Fig. 1 Differences between I-SRiLT and SRiLT in encoding temporal dependencies

表1 ADNI数据集中受试者的人口统计学和临床信息

Tab. 1 Demographic and clinical information of subjects in ADNI dataset

类别	性别（男/女）	年龄	MMSE
MCI（ N=68）	39/29	76.50±13.50	26.77±1.23
NC（ N=69）	17/52	71.50±14.50	28.85±1.15

图2 特征选择和分类的流程

Fig. 2 Flow of feature selection and classification

表2 性能评价指标定义

Tab. 2 Definition of performance evaluation indicators

性能评价指标	定义
准确度	$(T P + T N) / (T P + F P + T N + F N)$
灵敏度	$T P / (T P + F N)$
特异性	$T N / (T N + F P)$
平衡率	$(S E N + S P E) / 2$
阳性查准率	$T P / (T P + F P)$
阴性查准率	$T N / (T N + F N)$
F1分数	$2 T P / (T P + T P + F N + F P)$

表2 性能评价指标定义

Tab. 2 Definition of performance evaluation indicators

性能评价指标	定义
准确度	$(T P + T N) / (T P + F P + T N + F N)$
灵敏度	$T P / (T P + F N)$
特异性	$T N / (T N + F P)$
平衡率	$(S E N + S P E) / 2$
阳性查准率	$T P / (T P + F P)$
阴性查准率	$T N / (T N + F N)$
F1分数	$2 T P / (T P + T P + F N + F P)$

表3 不同方法在ADNI数据集上的分类性能对比

Tab. 1 Classification performance comparison of different methods on ADNI dataset

方法	准确度	灵敏度	特异性	平衡率	阳性查准率	阴性查准率	F1分数	AUC
PC	0.671 5	0.720 6	0.623 2	0.671 9	0.653 3	0.693 5	0.685 3	0.730 2
SR	0.715 3	0.720 6	0.710 1	0.715 4	0.710 1	0.720 6	0.715 3	0.783 9
SR+SS	0.737 2	0.764 7	0.710 1	0.737 4	0.722 2	0.753 8	0.742 9	0.773 2
SR+W	0.744 5	0.750 0	0.739 1	0.744 6	0.739 1	0.750 0	0.739 1	0.796 9
SRiLT	0.839 4	0.852 9	0.826 1	0.839 5	0.828 6	0.850 7	0.840 6	0.929 0
I-SRiLT	0.854 0	0.838 2	0.869 6	0.853 9	0.863 6	0.845 1	0.850 7	0.927 3

图3 不同方法在ADNI数据集上的ROC曲线

Fig. 3 ROC curves of different methods on ADNI dataset

图4 不同方法在不同参数值下的分类准确度

Fig. 4 Classification accuracies of different methods under different parameter values

图5 使用t检验挑选出前22个最具判别性的功能连接

Fig. 5 Selected top 22 most discriminative functional connections using t-test

表4 ABIDE和REST-MDD数据集的人口统计学信息及fMRI参数

Tab. 4 Demographic information and fMRI parameters of ABIDE and REST-MDD datasets

数据信息	患者（男/女）	正常（男/女）	年龄	TR/ms	TE/ms	Thickness/mm	TP	Flip Angle	Slice Number
ABIDE （NYU）	79（68/11）	105（79/26）	14.52±6.97	2 000	15	4.0	180	90°	33
REST-MDD （Site20）	282（99/183）	251（87/164）	38.74±13.74	2 000	30	3.0	242	90°	32

表5 不同方法在ABIDE数据集上的分类性能

Tab. 5 Classification performance of different methods on ABIDE dataset

方法	准确度	灵敏度	特异性	平衡率	阳性查准率	阴性查准率	F1分数	AUC
PC	0.608 8	0.582 5	0.629 4	0.606 0	0.570 7	0.655 4	0.548 3	0.685 2
SR	0.619 9	0.436 6	0.782 4	0.609 5	0.589 6	0.670 1	0.463 2	0.630 9
SR+SS	0.668 5	0.658 2	0.676 2	0.667 2	0.604 7	0.724 5	0.630 6	0.721 9
SR+W	0.679 8	0.636 9	0.717 4	0.677 1	0.636 4	0.717 6	0.626 6	0.737 9
SRiLT	0.684 8	0.620 3	0.733 3	0.676 8	0.636 4	0.719 6	0.628 2	0.731 2
I-SRiLT	0.706 4	0.614 5	0.759 7	0.687 1	0.661 4	0.720 5	0.626 1	0.756 2

表6 不同方法在REST-MDD数据集上的分类性能

Tab. 6 Classification performance of different methods on REST-MDD dataset

方法	准确度	灵敏度	特异性	平衡率	阳性查准率	阴性查准率	F1分数	AUC
PC	0.568 5	0.588 9	0.541 1	0.565 0	0.592 3	0.538 0	0.588 3	0.608 7
SR	0.542 3	0.607 7	0.465 5	0.536 6	0.558 1	0.518 8	0.579 6	0.554 4
SR+SS	0.551 6	0.602 4	0.485 7	0.544 1	0.569 3	0.523 8	0.583 1	0.562 0
SR+W	0.570 3	0.600 3	0.539 6	0.569 9	0.590 7	0.554 7	0.590 6	0.581 2
SRiLT	0.546 3	0.613 1	0.477 6	0.545 4	0.568 2	0.525 7	0.584 8	0.559 9
I-SRiLT	0.605 6	0.615 4	0.569 3	0.592 3	0.620 2	0.566 2	0.613 6	0.626 5

参考文献 25

1	McCARTY P J， PINES A R， SUSSMAN B L， et al. Resting state functional magnetic resonance imaging elucidates neurotransmitter deficiency in autism spectrum disorder［J］. Journal of Personalized Medicine， 2021， 11（ 10）： No. 969.
2	ZHU X， YUAN F， ZHOU G， et al. Cross-network interaction for diagnosis of major depressive disorder based on resting state functional connectivity［J］. Brain Imaging and Behavior， 2021， 15（ 3）： 1279- 1289.
3	余仁萍，余海飞，万红. 基于静息态功能磁共振成像的精神分裂症脑网络特征分类研究［J］. 生物医学工程学杂志， 2020， 37（ 4）： 661- 669.
	YU R P， YU H F， WAN H. Research on brain network for schizophrenia classification based on resting-state functional magnetic resonance imaging［J］. Journal of Biomedical Engineering， 2020， 37（ 4）： 661- 669.
4	LI G， LIU Y， ZHENG Y， et al. Large-scale dynamic causal modeling of major depressive disorder based on resting-state functional magnetic resonance imaging［J］. Human Brain Mapping， 2020， 41（ 4）： 865- 881.
5	JENKINSON M， CHAPPELL M. Introduction to neuroimaging analysis［M］. Oxford： Oxford University Press， 2018.
6	QIU Y-H， HUANG Z-H， GAO Y-Y， et al. Alterations in intrinsic functional networks in Parkinson's disease patients with depression： a resting-state functional magnetic resonance imaging study［J］. CNS Neuroscience and Therapeutics， 2021， 27（ 3）： 289- 298.
7	ZHAO F， ZHANG H， REKIK I， et al. Diagnosis of autism spectrum disorders using multi-level high-order functional networks derived from resting-state functional MRI［J］. Frontiers in Human Neuroscience， 2018， 12： No. 184.
8	RONICKO J F A， THOMAS J， THANGAVEL P， et al. Diagnostic classification of autism using resting-state fMRI data improves with full correlation functional brain connectivity compared to partial correlation［J］. Journal of Neuroscience Methods， 2020， 345： No. 108884.
9	MAHADEVAN A S， TOOLEY U A， BERTOLERO M A， et al. Evaluating the sensitivity of functional connectivity measures to motion artifact in resting-state fMRI data［J］. NeuroImage， 2021， 241： No. 118408.
10	LI W， ZHANG L， QIAO L， et al. Toward a better estimation of functional brain network for mild cognitive impairment identification： a transfer learning view［J］. IEEE Journal of Biomedical and Health Informatics， 2020， 24（ 4）： 1160- 1168.
11	QIAO L， ZHANG L， CHEN S， et al. Data-driven graph construction and graph learning： a review［J］. Neurocomputing， 2018， 312： 336- 351.
12	BIJSTERBOSCH J， SMITH S， BECKMANN C F. Introduction to resting state fMRI functional connectivity［M］. Oxford： Oxford University Press， 2017.
13	LI W， WANG Z， ZHANG L， et al. Remodeling Pearson's correlation for functional brain network estimation and autism spectrum disorder identification［J］. Frontiers in Neuroinformatics， 2017， 11： No. 55.
14	QIAO L， ZHANG H， KIM M， et al. Estimating functional brain networks by incorporating a modularity prior［J］. NeuroImage， 2016， 141： 399- 407.
15	WANG J， ZHANG L， WANG Q， et al. Multi-class ASD classification based on functional connectivity and functional correlation tensor via multi-source domain adaptation and multi-view sparse representation［J］. IEEE Transactions on Medical Imaging， 2020， 39（ 10）： 3137- 3147.
16	XUE Y， ZHANG Y， ZHANG L， et al. Learning brain functional networks with latent temporal dependency for MCI identification［J］. IEEE Transactions on Biomedical Engineering， 2022， 69（ 2）： 590- 601.
17	LI W， QIAO L， ZHANG L， et al. Functional brain network estimation with time series self-scrubbing［J］. IEEE Journal of Biomedical and Health Informatics， 2019， 23（ 6）： 2494- 2504.
18	SU H， ZHANG L， QIAO L， et al. Estimating high-order brain functional networks by correlation-preserving embedding［J］. Medical and Biological Engineering and Computing， 2022， 60（ 10）： 2813- 2823.
19	COMBETTES P L， PESQUET J C. Proximal splitting methods in signal processing［M］// Fixed-point algorithms for inverse problems in science and engineering， SOIA 49. New York： Springer， 2011： 185- 212.
20	TZOURIO-MAZOYER N， LAMDEAU B， PAPATHANASSIOU D， et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain［J］. NeuroImage， 2002， 15（ 1）： 273- 289.
21	CHEN H， ZHANG Y， ZHANG L， et al. Estimating brain functional networks based on adaptively-weighted fMRI signals for MCI identification［J］. Frontiers in Aging Neuroscience， 2020， 12： No. 595322.
22	SCHULTZ S A， BOOTS E A， DARST B F， et al. Cardiorespiratory fitness alters the influence of a polygenic risk score on biomarkers of AD［J］. Neurology， 2017， 88（ 17）： 1650- 1658.
23	PAN P， ZHU L， YU T， et al. Aberrant spontaneous low-frequency brain activity in amnestic mild cognitive impairment： a meta-analysis of resting-state fMRI studies［J］. Ageing Research Reviews， 2017， 35： 12- 21.
24	GAO Y， NIE K， HUANG B， et al. Changes of brain structure in Parkinson's disease patients with mild cognitive impairment analyzed via VBM technology［J］. Neuroscience Letters， 2017， 658： 121- 132.
25	BAILLY M， DESTRIEUX C， HOMMET C， et al. Precuneus and cingulate cortex atrophy and hypometabolism in patients with Alzheimer's disease and mild cognitive impairment： MRI and ¹⁸F‑FDG PET quantitative analysis using FreeSurfer［J］. BioMed Research International， 2015， 2015： No. 583931.

[1]	甘舰文, 陈艳, 周芃, 杜亮. 基于高阶一致性学习的聚类集成算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2665-2672.
[2]	武维, 李泽平, 杨华蔚, 林川, 王忠德. 融合内容特征和时序信息的深度注意力视频流行度预测模型[J]. 计算机应用, 2021, 41(7): 1878-1884.
[3]	丁超, 赵海, 司帅宗, 朱剑. 正常衰老的人脑功能网络演化模型[J]. 计算机应用, 2019, 39(4): 963-971.
[4]	王鑫, 高原, 王彬, 孙婕, 相洁. 多模态网络融合在轻度认知障碍分类中的应用[J]. 计算机应用, 2019, 39(12): 3703-3708.
[5]	柴恩惠, 智敏. 融合分支定界的可变形部件模型的行人检测[J]. 计算机应用, 2017, 37(7): 2003-2007.
[6]	高艳, 岳昆, 武浩, 付晓东, 刘惟一. 面向用户偏好发现的隐变量模型构建与推理[J]. 计算机应用, 2017, 37(2): 360-366.
[7]	郭倩, 杨红菊, 梁新彦. 基于新的空间关系特征的图像检索方法[J]. 计算机应用, 2016, 36(7): 1918-1922.
[8]	韩忠明, 谭旭升, 陈炎, 杨伟杰. 基于隐回归的用户关系强度模型[J]. 计算机应用, 2016, 36(2): 336-341.
[9]	宋源, 梁雪春, 张然. 基于统计特性随机森林算法的特征选择[J]. 计算机应用, 2015, 35(5): 1459-1461.
[10]	王艳群李海芳郭浩陈俊杰. 静息态脑功能网络的社团结构研究[J]. 计算机应用, 2012, 32(07): 2044-2048.
[11]	吕波李建彬贺苏宁燕继坤. 基于相似性和新奇度从音乐中提取代表性摘录[J]. 计算机应用, 2007, 27(3): 740-742.

融合时序相关信息的脑功能网络估计与分类

Estimation and classification of brain functional networks based on temporal correlation information fusion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 25

相关文章 11

编辑推荐

Metrics