[发明专利]一种假设驱动的认知障碍脑网络分析方法

说明书

本发明公开了一种假设驱动的认知障碍脑网络分析方法，包括以下步骤：对与大脑连接性矩阵的构建进行预处理；进行复杂脑网络度量；假设检验与变异性分析；监督机器进行学习验证。上述技术方案针对健康对照组，早期轻度认知障碍患者，晚期轻度认知障碍患者到阿尔兹海默症患者这四组中的认知能力，充分利用不同程度认知障碍患者间脑网络变化的递进型假设关系，提高认知障碍识别模型质量，作为模型先验条件来指导不同脑区度量值的选择，设定两种可能存在的复杂脑网络拓扑度量关系作为机器学习中特征选择的先验条件，以此为特征选择的约束条件，有效避免模型最优化求解过程中的盲目性和随机性，同时减少时间开销，更有利于提高模型的可解释性。

技术领域

本发明涉及认知科学技术领域，尤其涉及一种假设驱动的认知障碍脑网络分析方法。

背景技术

阿尔兹海默症是一个慢性的、逐渐恶化的且不可逆转的神经退化性疾病。患者常常伴有记忆力减退、听视觉受损、语言障碍、动作协调性变差，随着病情不断加深，逐渐丧失身体机能，最终导致死亡。通过主观心理学评测分数可以对不同程度认知障碍的患者进行分组，例如简易智力状态检查分数在24到30之间，痴呆指数为0，且未出现抑郁、痴呆等症状的人群被划分为认知能力正常；对简易智力状态检查分数在24-30之间，痴呆指数为0.5，受教育程度大于16年时，WMSLMⅡ分数在9-11之间，或受教育程度在8-15年时，WMSLMⅡ分数在6-9之间，或受教育程度在0-7年时，WMSLMⅡ分数在3-6之间，且患者主动告知存在记忆力减退但不影响日常生活，未出现痴呆症状的患者，被划分为早期轻度认知障碍；对简易智力状态检查分数在24-40之间，痴呆指数为0.5，受教育程度大于16年时，WMSLMⅡ分数小于8，或受教育程度在8-15年时，WMSLMⅡ分数小于4，或受教育程度在0-7年时，WMSLMⅡ分数小于2的患者，被划分为晚期轻度认知障碍；对简易智力状态检查分数在20-26之间，痴呆指数在0.5-1之间的患者，被划分为阿尔兹海默症。

除患者病情及临床心理学评分表现出的认知功能障碍是逐渐变化外，现有研究成果表明，认知障碍分类识别中也存在类似现象，阿尔兹海默症患者与健康对照组之间的分类准确度最高，意味着识别难度最小，差距最大，而早期轻度认知障碍患者与晚期轻度认知障碍患者两两分类结果表现最差，难度最大。不同分组两两识别模型中也存在这种递进关系。

中国专利文献CN107909117B公开了一种“基于脑功能网络特征对早晚期轻度认知障碍的分类装置”。首先对样本数据进行预处理和提取多个脑区时间序列，采用皮尔逊相关计算脑区时间序列之间的相关系数构建脑功能网络，计算脑网络参数。其次采用逐步分析方法提取特征，并训练二分分类器，对待分类的静息态功能磁共振数据提取对应的特征向量并输入训练好的二分分类器，得到对医学影像图像分类结果。上述技术方案未设置特征选择的约束条件，在模型最优化求解过程中存在盲目性和随机性增大时间开销。

发明内容

本发明主要解决原有的技术方案对认知障碍患者分类能力不足的技术问题，提供一种假设驱动的认知障碍脑网络分析方法，针对健康对照组，早期轻度认知障碍患者，晚期轻度认知障碍患者到阿尔兹海默症患者这四组中的认知能力，充分利用不同程度认知障碍患者间脑网络变化的递进型假设关系，提高认知障碍识别模型质量，作为模型先验条件来指导不同脑区度量值的选择，设定两种可能存在的复杂脑网络拓扑度量关系：逐渐增加(HCEMCILMCIAD)或逐渐下降(HCEMCILMCIAD)，并加以统计检验，作为机器学习中特征选择的先验条件，以此为特征选择的约束条件，能够有效避免模型最优化求解过程中的盲目性和随机性，同时减少时间开销，更有利于提高模型的可解释性。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1对与大脑连接性矩阵的构建进行预处理；采用多模态脑分区计算系数脑连接矩阵。

S2进行复杂脑网络度量；

S3假设检验与变异性分析；获取后续机器学习中的候选脑区特征集合。

S4监督机器进行学习验证。