[发明专利]一种基于脑连接对偶子空间学习的ADHD分类诊断方法

说明书

本发明公开了一种基于脑连接对偶子空间学习的ADHD分类诊断方法，首先对测试数据做不同的类别假设标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同假设下对应训练数据的典型脑连接特征，随后分别对测试数据不同假设下对应训练数据的典型脑连接特征进行对偶子空间学习，计算对应假设下训练数据典型脑连接特征在对偶子空间上的能量和。比较在测试数据不同假设下训练数据典型脑连接特征在对偶子空间上能量和的大小，并选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。本发明分类准确率约为90%，优于现有的多种分类诊断方法。

技术领域

本发明涉及一种基于脑连接对偶子空间学习的儿童注意力缺陷多动障碍(ADHD)分类诊断方法，属于精神疾病分类诊断领域。

背景技术

ADHD是一种较常见的儿童精神行为疾病。目前ADHD的临床诊断主要依据Hamilton量表并辅以临床观察。但是随着血氧浓度信号功能磁共振图像(Blood-Oxygen-LevelDependent functional Magnetic Resonance Imaging，BOLD-fMRI)技术的应用，其通过检测血红蛋白的不同磁性，有效地反应了ADHD患者的大脑异常情况。利用fMRI数据中BOLD信号的相关性构建脑功能连接(Functional Connectivity，FC)可以进一步反映ADHD脑回路特征及其与健康人的差异。因此，本发明将从静息态fMRI数据出发进行FC分析，从而实现ADHD的分类和诊断。

目前在ADHD分类和诊断方面，提出许多基于fMRI的先进方法，例如，基于图的fMRI(graph fMRI)分类方法(Dey,S.,et al,Attributed graph distance measure forautomatic detection of attention deficit hyperactive disordered subjects,2014)、基于多数据融合的fMRI(fusion fMRI)分类方法(Riaz,A.,et al,Fusion of fMRIand non-imaging data for ADHD classification,2017)、基于深度学习fMRI(FCNetfMRI)分类方法(Riaz,A.,et al,FCNet:AConvolutional Neural Network forCalculating Functional Connectivity from Functional MRI,2017)和基于全深度学习fMRI(Deep fMRI)分类方法(Riaz,A.,et al,Deep FMRI:An end-to-end deep networkfor classification of FMRI data,2018)。但是上述多种分类方法将训练和测试数据完全分开，当训练数据较小时，所获训练数据上典型脑连接的鲁棒性较差。其所构的分类空间不足以覆盖测试数据的典型脑连接，从而导致分类效果下降。

发明内容

为了克服现有技术中的不足，本发明提供了一种基于脑连接对偶子空间学习的ADHD分类诊断方法。该分类诊断方法首先对测试数据做不同的类别假设标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同假设下对应训练数据的典型脑连接特征。随后，分别对测试数据不同假设下对应训练数据的典型脑连接特征进行对偶子空间学习，计算对应假设下训练数据典型脑连接特征在对偶子空间上的能量和。最后，比较在测试数据不同假设下训练数据典型脑连接特征在对偶子空间上能量和的大小，并选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。

本发明中主要采用的技术方案为：

一种基于脑连接对偶子空间学习的ADHD分类诊断方法，具体步骤如下：