[发明专利]一种结合节点属性与多层次拓扑的脑网络分类方法

权利要求书

1.一种结合节点属性与多层次拓扑的脑网络分类方法，其特征在于，包括以下步骤：

S1获取功能性磁共振大脑影像数据，并进行预处理；

S2基于预处理后的数据，使用自动化解剖标记模板生成全脑网络功能连接矩阵，以DMN为感兴趣区域，利用Kruskal算法构造无偏脑网络；

S3在无偏脑网络上提取脑区节点介数作为局部属性特征，使用双样本t检验方法抽取具有组间显著差异的脑区特征；

S4在无偏脑网络上使用子网络核提取多层次拓扑特征，生成子网络核矩阵，使用核主成分分析方法抽取最优拓扑特征；

S5组合步骤S3和S4中获取的特征，使用线性SVM分类器对SZ患者组和NC对照组进行分类。

2.根据权利要求1所述的分类方法，其特征在于，步骤S1中，预处理步骤中，使用DPARSF工具包对影像数据进行预处理，具体包括：删除前10个时间点数据，时间片校正、头动校正；使用DARTEL配准方法将数据配准到标准空间，期间重新采样为3×3×3mm³体素；再进行平滑处理以去除协变量的影响；最后进行滤波去噪，频率范围0.01～0.08Hz。

3.根据权利要求1所述的分类方法，其特征在于，步骤S2中，利用Kruskal算法构造无偏脑网络的步骤包括：首先对DMN功能连接矩阵中所有边的权重进行降序排序，然后逐条添加权重最大的边；在添加的过程中，如果添加的边形成了循环，则丢弃这条边，直到包含所有的节点，则终止Kruskal算法。

4.根据权利要求1所述的分类方法，其特征在于，步骤S3中，通过节点i的所有最短路径的数量定义为节点i的介数bc_i，如下：

其中，表示通过节点i的节点h与节点j之间的最短路径数目；p_hj表示节点h和节点j之间的最短路径数目；n表示节点数；V表示节点集。

5.根据权利要求1所述的分类方法，其特征在于，步骤S4中，使用子网络核提取多层次拓扑特征，具体包括：

在脑网络G＝(V,E)与网络H＝(V,E′)的每个节点V_i上分别定义两组子网络，如下所示：

其中，V_i^j＝{v∈V|S(v,v_i)≤j}，V_i′^j＝{v∈V|S(v,v_i)≤j}，其中S(·,v_i)表示节点v_i到其它节点之间最短路径长度，t表示所有S(·,v_i)的最大值，也是子网集和与所包含的子网个数；

对于由n个节点组成的脑网络，可以得到n组子网络，如下所示：

脑网络G与H中同一节点的相似度就是两个网络中同一节点的所有子网络的相似度，如下所示：

其中，表示一对子网络和的相似性，其值等于对应协方差矩阵和之间的相似度，如下所示：

其中，|·|表示行列式；分别是在子网络上的相应协方差矩阵；d表示幂迭代的数目：

其中，cov表示两个向量间的协方差；Wⁱe表示给定的初始向量e上的邻接矩阵W的第i次幂迭代；||·||₁是向量的l₁范式；W是子网络的邻接矩阵；e是元素都为1的向量；C∈R^d×d是协方差矩阵；d表示幂迭代的数目；

定义如下：

脑网络G与H的图核就是脑网络中所有节点对应子网络对的相似度，如下所示：

其中，n表示脑网络中的节点数目。

6.根据权利要求1所述的分类方法，其特征在于，在步骤S3中，提取脑网络的节点介数属性，并使用双样本t检验从训练集中抽取具有显著差异的脑区，所有差异脑区对应的介数构成一个特征向量，表示相应被试脑网络的节点属性特征。

7.根据权利要求1所述的分类方法，其特征在于，在步骤S4中，使用KPCA进行降维以获得最优拓扑特征具体包括：①使用Sub-network Kernel函数，得到核矩阵K；②计算核矩阵K的特征值λ₁、λ₂、...、λ_N和特征向量v₁、v₂、...、v_N；③确定m，当m满足公式N是网络数，使得累积方差贡献率达到90％；在核主成分分析中，选用特征值较大的前m个主要成分作为分类特征，特征将包含足够的判别信息。