[发明专利]基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法

权利要求书

1.基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法，其特征在于，基于机器学习的数据分析方法，其包括，基于静息态功能磁共振数据(RS-fMRI)，采用“加权组稀疏”算法构建人脑功能连接矩阵，从该矩阵中，用稀疏表征的特征筛选方法挑选对分类贡献高的功能连接特征用于自动预测；采用线性支撑向量机构建预测模型，得到最终的对意识恢复与否的预测结果；

所述的数据分析方法包括如下步骤：

1)对RS-fMRI数据进行预处理，

所述RS-fMRI数据包括层获取时间校正，头动校正，对齐到标准空间，空间平滑，时域带通滤波，从数据中去除白质、脑脊液平均信号和头动曲线；

2)对步骤1)获得的数据，采用“加权稀疏表征”算法，优化地计算任意一个脑区和其他脑区信号之间的表征关系，采用脑区信号之间的相关系数加权的L-1范数作为约束项，获得在同时考虑其他脑区的影响的情况下，任意两个脑区之间的关系，即一个方阵，该矩阵代表人脑功能连接网络；

3)对所有N个被试采用步骤1)-2)计算人脑功能连接网络，

从所有N个意识丧失被试中，选择N-1个被试作为训练数据，将这些被试的意识恢复结果作为标号，采用稀疏表征的方法对所有被试所有功能连接系数，人脑功能连接网络方阵里的上三角矩阵，进行特征筛选，筛选的原则是选择较少的对分类目标贡献较大的特征；

4)用被选中的特征，在特征所构成的高维空间中构建线型支撑向量机SupportVectorMachine/SVM，学习最优分类面，该分类面由所有进入SVM中的特征的权重系数决定；

5)将剩下的一个意识丧失被试，作为测试数据，对该被试的人脑功能连接网络矩阵，用步骤3)所得到的有用特征序号，提取相同特征，将其放入步骤4)中SVM所学习到的分类模型中得到预测结果；

6)更换测试被试，将剩下的被试作为训练数据，重复步骤3)-5)每次均能得到对测试被试的预测结果，将所有预测结果和该测试被试的标号相比较，得到预测模型的准确率、敏感度、特异度，制作受试者操作曲线ROC并得到线下面积；

7)评估模型，经过利用大数据集的实验，以及步骤1)-6)，构建最优分类模型，该最优分类模型包括最优的脑区间功能连接特征的选择以及这些特征的加权方式预测苏醒与否的准确率超过89％，敏感度和特异度分别超过88％和90％；

8)新被试的预测，将所有N个被试作为训练样本，利用步骤3)的特征选择确定对预测有用的特征，用步骤4)重新构建分类模型，当有新被试时，利用所述的模型预测新被试的苏醒结果。

2.按权利要求1所述的方法，其特征在于，所述步骤1)对RS-fMRI数据进行预处理中，采用脑区分割图谱提取不同脑区或称感兴趣区的平均时间序列；该时间序列反映区域平均血氧水平依赖信号。

3.按权利要求1所述的方法，其特征在于，所述的步骤2)包括如下分步骤：

2)-1，对脑区i，其时间序列由其他脑区的线性组合表达，通过计算其线性组合系数W的L-1范数进行约束；在该约束项上进行加权，加权系数通过脑区i和另外任一脑区的皮尔逊相关系数的e负指数变形得到；通过优化目标函数，即最小化目标函数取值，得到最佳W，即为脑区i和所有其他脑区之间的功能连接系数；

2)-2对各个脑区分别进行步骤2)-1，获得每个脑区和所有其他脑区之间功能连接系数，由于步骤2)-1得到的为一个列向量，所有脑区所对应的列向量叠在一起形成一个方阵；

2)-3对上述方阵进行转置，然后与转置前的方阵相加并除以2，实现方阵的对称化；即脑区i和脑区j的功能连接等于脑区j和脑区i的功能连接。

4.按权利要求1所述的方法，其特征在于，所述的步骤3)中通过下述方法选择较少的对分类目标贡献较大的特征：

建立一个以特征权重的L-1范数为约束项的线型表征优化模型，其中每个功能连接强度乘以一个特征权重，用所有功能连接强度的加权和逼近训练数据的标号，L-1范数可以得到稀疏的优化结果，即只有少数特征被选择，该特征权重用于特征筛选，非零权重所对应的特征即被选中。

5.按权利要求1所述的方法，其特征在于，所述的步骤8)中，按下述预测方法利用所述模型预测新被试的苏醒结果：对所述新被试的RS-fMRI数据，采用步骤1)所述方法进行预处理，并采用步骤2)所述方法进行脑网络构建，最后，采用上述N个被试重新构建的大数据预测模型进行特征挑选和结果预测。