基于多域连接卷积神经网络的精神分裂症脑功能网络分类

会员服务 ·

基于多域连接卷积神经网络的精神分裂症脑功能网络分类

2020 年 2 月 18 日 PaperWeekly

©PaperWeekly 原创 · 作者｜张玮玮

学校｜东北大学硕士生

研究方向｜情绪识别

引言

论文动机

生理学研究表明精神分裂症（Schizophrenia, SZ）与大脑感觉和额叶区功能障碍有关。患者脑电图（EEG）微观状态呈现前端-中心分布缩短，与记忆障碍相关的 theta 和 gamma 频段脑电图振荡异常。

单个大脑区域功能的中断并不能完全解释 SZ 中观察到的损伤范围。SZ 被认为是一种连接障碍，其特征是在微观和宏观层面上的大脑结构和功能连接网络异常。此外，大多数研究中提出的架构侧重于单一领域的一种连接度量，如用于功能连接的Pearson相关系数，没有考虑大脑网络的连接方向性和拓扑组织。

针对以上两个问题，作者提出基于深度 CNNs 框架来对基于 EEG 的脑连接模式改变进行分类。

论文工作

论文设计了一种新颖的深度 CNN 架构，称为多域连接 CNN (multi-domain connectome CNN, MDC-CNN)，它可以融合时域、频域和脑连接网络的拓扑度量对 SZ 患者识别。

首次利用具有大脑区域间信息流动方向性的功能连接（Functional Connectivity, FC）特征，作为 CNN 中 SZ 自动分类的判别特征。利用脑电图中估计的各种定向连通性，以捕获 SZ 中被破坏的大脑网络组织。

作者使用 VAR、PDC、CN 特征和所有三个特征集的融合测量脑电图连接模式，对 SZ 和健康组（healthy control，HC）分类时的卓越性能验证了所提出的 MDC-CNN 有效性。

论文方法

定向脑网络连接特征

1. VAR coefficient

表示 n 通道 T 个时间点头皮脑电图数据。

的 VAR(L) 模型：

表示高斯白噪声。采用 N×N 系数矩阵

对不同脑电图通道间的定向连接网络进行量化，其中

表示格兰杰因果意义上通道 i 与通道 j 的连接强度。

由

表示 VAR 系数，则 VAR(L) 模型可以表示为

，其中：

2. Partial Directed Coherence (PDC)

PDC 是一种有效连接的频域特征，它仅量化了网络中节点之间的直接依赖关系，利用 PDC 矩阵来表征，即：

其中 Φ(f) 是采样频率为

的 VAR 系数矩阵的傅里叶变换。

3. Complex Network (CN) measures

CN 方法源于图论，已广泛用于描述复杂脑网络的高阶拓扑结构。论文采用 4 种能揭示 SZ 功能整合和分离中断的重要信息的CN特征，节点度

和全局效率

表示脑网络集成特点，聚类系数

和传递性

可以检测到网络的隔离异常，四种特征分别表示如下：

MDC-CNN

▲ 图1. 基于MDC-CNN的脑电图连通性模式分类框架

如图 1 所示，网络包括两个阶段：连通特征提取和基于 CNN 的分类。在第一个阶段，从多通道脑电图提取各种衡量定向大脑连接特征：时域 VAR 系数，频域 PDC 和基于拓扑的复杂网络（complex network, CN）度量。在第二阶段，提取不同领域的连通特征，然后将其作为深度 CNN 分类器集成的输入。

二维连通矩阵即将 L 阶滞后的 VAR 系数矩阵和 5 个主频带的 PDC 矩阵构造成一个三维张量，作为二维 CNN 模型的输入。将五个频带上连接 CN 特征的一维向量形成二维张量，作为一维的输入。CNN 的卷积层将在连通性特征中进一步学习空间结构的更高层次特征。

▲ 图2. MDC-CNN模型采用不同的融合策略

论文研究了三种不同的融合策略，以整合在多个连通特征域上训练的 CNNs 集合。Feature-level fusion 基于 CN, VAR 和 PDC 特征被展平连接成一个特征向量。Score-level fusion 中每个领域特定的 softmax 层的预测概率结果被组合为一个公共的二级 softmax 层的输入，用于预测类标签。Decision-level fusion 将特定领域的 CNN 的各个输出层独立预测类标签，通过多数投票，最终的类标签是在三个 CNN 模型中预测最频繁的一个。

结果

为了评估本文方法的性能，作者在莫斯科国立大学提供的 84 名受试者（45 名 SZ 患者和 39 名 HC 患者）的公开的精神分裂症脑电图数据集上进行了实验。采用五折交叉验证对 CNN 模型的性能进行了评价。

图 3 表示 MDC-CNN 的训练曲线。从表 1 可以看出 CNNs 的分类效果明显优于 SVM，并且所提出的整合不同领域特征的 MDC-CNN 将显著提高分类性能，超出了单个特征领域所能达到的性能。

▲ 图3. 训练过程中交叉熵损失的学习曲线

▲ 表1. 不同脑电图连接特征利用CNN与SVM方法在SZ和HC分类中的性能比较

如表 2 所示，SZ 和 HC 之间的脑电图连通性在低频波段有更明显的差异。从表3结果来看，decision-level fusion 方法优于其他两种特征融合方法。

▲ 表2. 利用PDC和CN连接特征对不同脑电图频带的CNN分类性能

▲ 表3. MDC-CNN在不同融合策略下的性能

结论

本文设计了 MDC-CNN，这是一种针对多域连接体数据设计的新型 CNN 架构。它可以有效地结合互补信息从多个大脑连接描述符的不同领域和维度分类的目的，包括时间和频域指标有效的连接和网络拓扑结构的复杂网络特诊。在静息状态脑电图中，所提出的 CNN 能够从区分 SZ 和 HC 的连通性特征中学习一种低层次和高层次的抽象表示特征。