面向自閉癥輔助診斷的無監督模糊特征學習新方法

張英，王駿，鮑國強，張春香，王士同

（江南大學 數字媒體學院，江蘇 無錫 214122）

自閉癥又叫孤獨癥，是一種廣泛性神經失調的發展障礙疾病，其臨床表現主要為社會交往障礙、言語交流障礙和動作刻板重復等[1-3]。自1943年利奧·坎納醫生首次對自閉癥做出經典性描述以來，該疾病因其病因不明確，又集多種障礙于一身，已經得到了廣泛的關注。目前，在美國平均每68名兒童中就有1名自閉癥兒童；在世界范圍內，自閉癥患者超過1%。據統計，約2/3孤獨癥患兒成年后無法獨立生活，需要終生照顧和看護。為此，人們迫切希望尋找科學而高效的手段對自閉癥進行準確診斷以達到早發現早治療的目的。

已有研究表明，自閉癥患者行為和認知缺陷與潛在的腦功能異常有關。靜息態fMRI技術[4-9]通過使用血氧水平依賴(blood oxygenation level dependent, BOLD)信號可以有效地反映患者在靜息狀態下腦部血流和代謝活動等功能性變化，因此在自閉癥的輔助診斷中起著重要的作用。基于靜息態的醫學影像診斷大致可分為特征提取和分類器設計這兩個階段。在特征提取階段，通過使用相關性特征選擇等方法從高維醫學影像特征中得到有鑒別意義的特征；在分類器設計階段，通過使用線性或非線性分類器進行分類。但是目前多采用線性特征學習方法，雖然具有簡單高效等優點，但是尚不能有效挖掘出醫學影像數據中的復雜信息。

本文基于靜息態fMRI提出了一種新型的無監督模糊特征學習方法，并在此基礎上構造多視角分類器從而實現自閉癥的輔助診斷。其技術路線可概括為：首先，將靜息態fMRI經過預處理后，基于Pearson相關系數構造低階功能連接矩陣，并使用文獻[7]的方法構造高階功能連接矩陣；然后，提出新型的無監督模糊特征學習方法，將2種功能連接矩陣分別映射到不同的低維嵌入空間中；最后，以低階和高階功能連接在腦疾病診斷中的互補性為出發點，設計多視角SVM[10]分類器進行分類。

1 實驗數據集及處理

本文使用的數據集來自ABIDE(autism brain imaging datae xchange)數據庫(http://preprocessedconnectomes-project.org/abide/download.html)的NYU子集和USM子集，采集對象的FIQ(full-scale intelligence quotient)范圍為65～150。實驗所處理對象的相關信息如表1和表2所示。

表1 NYU實驗對象信息Table 1 The information of NYU experimental object

表2 USM實驗對象信息Table 2 The information of USM experimental object

每個對象的fMRI數據使用DPARSF(data processing assistant for resting-state fMRI)[11]工具進行處理。處理步驟主要包括：1）去除功能磁共振圖像序列前10個時間點的數據；2）時間層校正和頭部運動校正；3）數據通過統一使用T1加權圖像分割并將其歸一化到MNI152(montreal neurological institute 152)標準空間中；4）使用AAL (anatomical automatic labeling)模板將大腦劃分成116個腦區，每個區域重新采樣3×3×3 mm3的體素；5）使用半高全寬高斯核進行空間平滑處理；6）應用帶通濾波(0.01～0.1 Hz)去除噪聲；7）去線性漂移并進行全局信號校正去干擾變量；8）計算每個腦區的平均時間序列。

2 基于fMRI數據的無監督模糊特征學習方法

2.1 方法流程

基于靜息態fMRI進行自閉癥輔助診斷包括訓練和測試兩個階段。本文所采用的訓練過程如圖1所示，各步驟包括：

1）根據預處理后的靜息態功能磁共振成像數據，提取出各腦區的平均時間序列信號，計算腦區之間的Pearson系數，得到低階功能連接矩陣。

2）將低階功能連接矩陣的每一行作為各腦區的特征描述，再次計算腦區之間的Pearson系數，得到高階功能連接矩陣。

4）使用無監督模糊特征映射方法對低階和高階功能連接的特征矩陣進行特征學習，得到相應的變換矩陣，并將和變換到低維空間中得到相應的嵌入矩陣和。

6）將2種不同的核矩陣進行線性組合得到復合核矩陣。

7）構造相應的SVM分類器。

圖1 無監督模糊特征學習方法的框架流程圖Fig. 1 The framework of an unsupervised fuzzy feature learning method

2.2 低階和高階功能連接矩陣的生成

雖然大腦各腦區在空間上相互隔離，但它們之間的神經活動相互影響，通常使用功能連接矩陣來表示腦區之間的時間相關性[12]。本文使用文獻[8]中的方法，基于每個腦區fMRI時間序列來計算每個對象各腦區之間的Pearson相關系數，得到低階功能連接矩陣。將低階功能連接矩陣的每一行作為一個腦區的特征描述，使用同樣的方法再次計算腦區之間的Pearson相關系數，從而得到高階功能連接矩陣。

2.3 基于流形正則化約束的模糊特征學習

為了在無監督環境中將高維空間中的樣本點映射到S維的低維空間，本文引入多輸出TSK模糊建模方法。TSK模糊系統是由形式為“IFTHEN”的模糊規則組成的，對于多輸出TSK模糊系統，給定任意一個D維輸入向量

本文采用高斯函數表示模糊規則的模糊集，即

并使用式(2)、式(3)來計算每個樣本相對于每條模糊規則的點火強度：

令，1為全1列向量，多輸出TSK模糊系統的建模過程可用式(7)～ (13)的計算方法表述[15]：

式(7)～(13)表述的多輸出TSK模糊系統建模過程可以看作將維空間中的數據通過變換矩陣降維到S維數據空間的過程，通常。為了學習得到適合的，本文構造的目標學習準則為

無監督模型模糊特征學習的過程如圖2所示。

圖2 無監督模糊特征學習流程圖Fig. 2 Flowchart of unsupervised fuzzy feature learning

2.4 基于功能連接矩陣的多視角SVM

使用式(21)對核矩陣進行線性組合，得到最終的復合核矩陣：

3 實驗結果與分析

3.1 性能指標及參數設置

本節通過實驗驗證本文方法的有效性并與已有方法進行比較。本文選取精確度(ACC)、AUC值、敏感度(SEN)、特異性(SPE)作為實驗的評價指標，實驗的參數設置使用嵌套五折交叉驗證來進行尋優。相關方法的表述及各參數的詳細設置等信息如表3所示。

表3 各算法說明及參數詳細設置Table 3 Details and parameter settings of algorithms

本文采用式(22)～(24)計算性能指標，以此進行算法性能評估：

式中：TP和TN分別代表正確分類為自閉癥患者的人數和正確分類為正常對照組的人數；FP和FN分別代表正常個體被分類為自閉癥患者的人數以及自閉癥患者被分類為正常對照組的人數[17]；靈敏度SEN作為衡量該方法準確預測出自閉癥患者的能力的指標；特異性SPE是衡量該方法準確預測出健康個體的能力指標。本文實驗使用LIBSVM[18]工具包中的高斯核SVM。

3.2 分類結果及分析

從表4和表5中可以看到，UFFM-M2SVC使用無監督模糊特征映射算法UFFM進行特征學習，在此基礎上構造分類器M2SVC，可以取得比LOFCC、HOFCC及M2SVC等傳統分類器更好的性能。

M2SVC算法聯合使用兩個視角的數據進行分類，其分類結果要明顯優于基于單視角的分類器LOFCC和HOFCC；而本文方法采用新型的模糊特征學習技術進行特征學習，在此基礎上使用M2SVC進行分類，從而取得了比僅使用M2SVC更好的效果，這表明本文所使用的模糊特征學習技術能夠得到更有鑒別能力的特征，這對自閉癥的診斷具有更優的判別能力。

表4 各算法在自閉癥分類中的性能比較(NYU)Table 4 The performance comparison of each algorithm in the classification of autism(NYU)

表5 各算法在自閉癥分類中的性能比較(USM)Table 5 The performance comparison of each algorithm in the classification of autism(USM)

3.3 特征數目對實驗結果的影響

本節研究UFFM所提取的特征數目S對M2SVC性能的影響，圖3和圖4中給出了算法在數據集NYU和USM上S取不同值時M2SVC的分類結果。從圖3和圖4可以看出，UFFMM2SVC算法的分類準確率隨著S取值的不同而發生變化，圖3中最高達到78.38%，圖4中最高達到78.95%，均比M2SVC算法提高了約5%。可知，在特征提取數S合理取值的情況下，本文使用UFFM進行無監督模糊特征學習，不僅可以有效保留原始有效的特征信息，而且去除了其中包含的冗余信息，使得自閉癥患者和正常對照組之間的特征差異更有區分性。

圖3 特征數目對分類結果的影響(NYU)Fig. 3 The influence of the number of feature learning on the classification results (NYU)

圖4 特征數目對分類結果的影響(USM)Fig. 4 The influence of the number of feature learning on the classification results (USM)

4 結束語

自閉癥患者的腦區神經活動異于常人。以此為出發點，本文基于靜息態fMRI提出了一種面向自閉癥輔助診斷的無監督模糊特征學習方法UFFM，并與M2SVC相結合，從而實現了自閉癥的輔助診斷。相對于目前傳統的分類算法，UFFM-M2SVC算法訓練出的分類模型具有優越且穩定的分類性能。實驗結果表明，本文所使用的無監督模糊特征學習方法能夠有效地提取出fMRI數據中的重要特征，從而有助于自閉癥的臨床輔助診斷。但是，本文僅基于靜息態fMRI數據進行實驗，針對任務態fMRI數據的分類效果還未可知，有待進一步的研究。