[发明专利]一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法

说明书

技术领域

本发明涉及fMRI功能磁共振成像数据的脑效应网络构建方法，特别是一种基于人工免疫系统的贝叶斯网结构学习方法。

背景技术

功能磁共振成像技术(functional magenetic resonance imaging,fMRI)是一种基于磁共振成像的、非介入的、无创伤且非常有效的脑功能成像技术。由于它具有可靠的理论基础、良好的时空分辨率等诸多特性，为认知神经科学的实验研究提供了有利条件，同时又在病理学研究方面具有很重要的临床意义，拥有着广泛的应用前景和重要科学价值。特别是通过分析fMRI数据构建的脑网络，可以帮助了解复杂的人类大脑的运作，并为理解精神病和神经性疾病，如早老性痴呆和帕金森病，精神分裂症，上瘾，和抑郁症等提供帮助。

脑网络的研究主要是对脑区节点进行连接性分析。现阶段连接性分析主要包括功能连接分析和效应连接分析。功能连接是空间上远离的神经生理事件或神经单元活动在时间上的关联性和统计依赖性，效应连接是指一个神经系统对另一个神经系统直接或间接的影响，关注时间先后的因果效应，刻画了神经单元之间相互作用的方向性。由于效应连接可以描述大脑网络信息传输的方向性，它已经成为当代认知科学领域的一个热门话题。

通常对效应连接的刻画需要特定的解析模型，目前已有多种建模方法被提出用来刻画脑区之间的效应连接。例如：结构方程建模(structural equationmodeling,SEM)、动态因果模型(dynamic causal modeling,DCM)、格兰杰因果模型(Granger causality mapping,Granger)、贝叶斯网(BayesianNetwork,BN)等。目前在功能性磁共振成像(fMRI)技术的效应连接研究中，结构方程模型(SEM)和动态因果建模(DCM)是模式驱动方法，它们依赖于先验知识和特定的假设，因此不适用于对大脑网络进行试探性研究。格兰杰因果关系映射方法(Granger)采用向量自回归模型来构建脑区之间的效应连接。向量自回归模型(VAR模型)通过VAR系数矩阵表征时间对区域之间连通性的影响，当时间序列的维数过高，或者脑区网络过大时，VAR模型将面临很大挑战。而且进行格兰杰因果关系检验的一个前提条件是时间序列必须具有平稳性，否则可能会出现虚假回归问题。贝叶斯网方法(BN)也是一种数据驱动方法，它可以推断给定条件下随机变量的依赖关系，而且在功能连接上推断比较准确。因此本发明通过利用贝叶斯网方法的优势，旨在获得够好的效应连接网络结构。

从数据集中自动学习到贝叶斯网的结构有两类方法：基于约束满足的方法和基于评分搜索的方法。基于约束满足的方法(也称依赖分析或者基于条件独立性测试的方法)，BN被看做是变量间的独立性关系的图结构。该方法先通过计算节点间的互信息(Mutual Information,MI)和条件独立性测试(Conditional Independence test,CI)来找出数据集D中各个变量间的条件独立性关系，在寻找和这些条件独立性断言一致的网络模型。这种方法其问题在于，互信息和独立性测试的计算代价较大，且高阶独立性测试结果通常不是很可靠。另外，在数据缺失时，基于约束满足的方法并不适用，因为不能从数据集中直接求得两点之间的互信息。基于评分搜索的方法，主要是采用某种评分准则作为衡量网络模型和给定数据集的符合程度，从而找出当前评分意义上评分值最高的网络模型，即找出后验概率最大的网络。这种方法当变量比较多时，搜索空间很大，一些启发式搜索方法易陷入局部最优。本发明所采用的是一种评分搜索的贝叶斯网结构学习方法。通过人工免疫系统多样性产生和维持机制来保持种群的多样性，克服了一般寻优过程易陷入局部最优而出现早熟收敛的问题，获得高质量的网络。

发明内容

针对上述脑效应网络构建方法的不足，本发明提出一种用于从fMRI数据中构建脑效应连接网络的人工免疫方法。该方法充分利用了贝叶斯网方法的优势，并利用免疫系统的多样性产生和维持机制来保持种群的多样性，克服了一般寻优过程易陷入局部最优而出现早熟收敛的问题，使得最终获得的最优网络结构更加贴近fMRI数据所反映的脑效应连接网络。

实现本发明的主要思路是：获取静息态fMRI数据；使用SPM8对数据进行预处理；选取与脑网络构建相关的感兴趣区域；通过人工免疫系统优化贝叶斯网结构学习方法，针对提取的感兴趣区域进行脑效应连接网络的构建；对每个受试者的脑效应连接网络进行分析，揭示网络连接所表示的生物学意义，使用组分析的方法，构建具有一般性的脑效应连接网络，反映人脑网络连接的普遍性规律。