基于模式識(shí)別的高水平運(yùn)動(dòng)員RS-fMRI數(shù)據(jù)分類研究

張可盈, 張棟, 丁宇, 曹春梅

(1.東南大學(xué)體育系, 南京 210018; 2.清華大學(xué)體育部, 北京 100084;3.首都體育學(xué)院體育人工智能研究院, 北京 100191; 4.北京語(yǔ)言大學(xué)心理學(xué)院, 北京 100083)

體育科研工作者一直在積極地探索運(yùn)動(dòng)員腦的奧秘,希望了解復(fù)雜動(dòng)作的中樞控制機(jī)制、以進(jìn)一步提高動(dòng)作表現(xiàn)[1-4]。功能磁共振成像(functional magnetic resonance imaging,fMRI)技術(shù)的日益成熟為研究者提供了便捷、無(wú)創(chuàng)地觀察受試者全腦的途徑。近年來(lái),越來(lái)越多研究表明運(yùn)動(dòng)技能學(xué)習(xí)能誘發(fā)腦的可塑性改變,包括腦的結(jié)構(gòu)和功能的改變。一些研究使用專家-新手范式比較高水平運(yùn)動(dòng)員和非運(yùn)動(dòng)員對(duì)照組受試者的腦結(jié)構(gòu)及功能活動(dòng)差異也取得了重要的研究成果。目前中外學(xué)者已經(jīng)普遍認(rèn)為運(yùn)動(dòng)員在腦可塑性上與普通人存在差異,且不同類型的運(yùn)動(dòng)員腦可塑性特征不同[2]。現(xiàn)有的相關(guān)研究提示,長(zhǎng)期的運(yùn)動(dòng)訓(xùn)練使得不同項(xiàng)目運(yùn)動(dòng)員腦可塑性呈現(xiàn)差異化表現(xiàn)。而對(duì)這些差異進(jìn)行精準(zhǔn)識(shí)別,在理論層面能夠有助于深化對(duì)腦-運(yùn)動(dòng)關(guān)系的理解、推動(dòng)腦功能與運(yùn)動(dòng)技能融合的交叉學(xué)科研究,在實(shí)踐層面,有助于指導(dǎo)個(gè)性化訓(xùn)練和干預(yù)、提升運(yùn)動(dòng)表現(xiàn)、預(yù)防運(yùn)動(dòng)損傷,以及促進(jìn)康復(fù)和職業(yè)生涯規(guī)劃。

近年來(lái),隨著研究的深入,模式識(shí)別技術(shù)得到了長(zhǎng)足發(fā)展[5]。模式識(shí)別(pattern recognition)指的是通過(guò)使用計(jì)算機(jī)算法,自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律性,并利用這些規(guī)律性采取行動(dòng),從而將數(shù)據(jù)分類為不同的類別[6-7]。在神經(jīng)影像學(xué)領(lǐng)域中,模式識(shí)別又被稱為多體素模式分析(multivoxel pattern analysis,MVPA)。MVPA使用分類的機(jī)器學(xué)習(xí)算法分析大量體素上BOLD信號(hào)的特征,從而解碼其背后的信息,將不同實(shí)驗(yàn)條件或不同特征的腦成像數(shù)據(jù)進(jìn)行分類[8-9]。在眾多的MVPA方法中,支持向量機(jī)(support vector machine,SVM)在處理高維數(shù)據(jù)方面呈現(xiàn)出顯著優(yōu)勢(shì)[10-12],得到廣泛應(yīng)用。目前,基于SVM的腦影像學(xué)數(shù)據(jù)分類已經(jīng)廣泛應(yīng)用于精神疾病的診斷和預(yù)測(cè)上,如抑郁癥[13]、孤獨(dú)癥[14]、阿爾茲海默癥[15]等,給臨床輔助診斷提供幫助。此外,SVM還應(yīng)用于腦電分類[16]。總體而言,基于SVM的腦影像學(xué)數(shù)據(jù)分類方法展現(xiàn)出了巨大的應(yīng)用潛力。

雖然基于fMRI技術(shù)對(duì)運(yùn)動(dòng)員腦的研究眾多,但目前研究策略還較為單一[17-19]。體育科學(xué)研究者多數(shù)遵循一般線性模型(general linear model, GLM)這一傳統(tǒng)方法處理fMRI 的血氧水平依賴(blood oxygen level dependent, BOLD)信號(hào)[20]。在早期,GLM是處理BOLD數(shù)據(jù)的金標(biāo)準(zhǔn),但其具有一定的局限性。其中最主要且最嚴(yán)重的局限性是使用GLM的前提假設(shè)是相鄰體素之間的協(xié)方差沒(méi)有意義[10],即將所有體素分開(kāi)考慮,然而前提假設(shè)具有一定缺陷：一方面,為了提高信噪比,fMRI往往鼓勵(lì)研究者在預(yù)處理時(shí)進(jìn)行空間平滑的操作,這一操作在相當(dāng)程度上削弱了單個(gè)體素的信息可用性[9, 21];另一方面,一部分學(xué)者始終認(rèn)為人腦是模塊化的,相鄰腦區(qū)共同協(xié)作完成特定任務(wù)。假如將相鄰體素之間的協(xié)方差看做噪音,那么研究結(jié)果的可信度必將受到一定影響。因此,傳統(tǒng)方法得出的結(jié)論需要更多的證據(jù)佐證。作為多變量的分析方法,MVPA對(duì)腦活動(dòng)的空間信息更敏感[22],比傳統(tǒng)GLM更容易發(fā)現(xiàn)不同特征的腦功能特征差異。

基于此,采用SVM進(jìn)行fMRI數(shù)據(jù)集分析,對(duì)高水平射擊運(yùn)動(dòng)、滑冰運(yùn)動(dòng)員及非運(yùn)動(dòng)員對(duì)照組的fMRI信號(hào)數(shù)據(jù)進(jìn)行訓(xùn)練和分類。運(yùn)動(dòng)訓(xùn)練被認(rèn)為是一種對(duì)大腦產(chǎn)生影響的重要干預(yù)方式,通過(guò)模式識(shí)別技術(shù)對(duì)高水平運(yùn)動(dòng)員腦成像數(shù)據(jù)進(jìn)行分類,可以更全面地研究運(yùn)動(dòng)訓(xùn)練對(duì)腦可塑性的影響,進(jìn)一步豐富運(yùn)動(dòng)腦可塑性研究的內(nèi)容,這將為運(yùn)動(dòng)科學(xué)領(lǐng)域提供新的理論基礎(chǔ),有助于揭示運(yùn)動(dòng)訓(xùn)練對(duì)大腦結(jié)構(gòu)和功能的影響,探究運(yùn)動(dòng)技能與腦功能的互動(dòng)機(jī)制。

1 研究對(duì)象與方法

1.1 研究對(duì)象

以15名射擊運(yùn)動(dòng)員、15名速滑運(yùn)動(dòng)員以及15名非運(yùn)動(dòng)員健康大學(xué)生對(duì)照組[9男6女,平均年齡(21.8±2.5)歲,未接受過(guò)系統(tǒng)的運(yùn)動(dòng)訓(xùn)練]作為研究對(duì)象。所有研究對(duì)象均為右利手,均無(wú)磁共振掃描禁忌癥,無(wú)重大運(yùn)動(dòng)損傷史或神經(jīng)系統(tǒng)疾病史。在實(shí)驗(yàn)開(kāi)始之前,研究對(duì)象被告知磁共振掃描流程,并簽署知情同意書。受試者基本信息如表1所示。

表1 受試者基本信息Table 1 Basic information of participants

1.2 研究方法

研究方法如圖1所示,首先采集腦成像數(shù)據(jù),預(yù)處理之后的數(shù)據(jù)用來(lái)計(jì)算不同的腦成像指標(biāo)。包括低頻振幅(fractional amplitude of low-frequency fluctuations,fALFF)、局部一致性(regional homogeneity,ReHo)和度中心度(degree centrality, DC)。之后,分別使用3個(gè)靜息態(tài)指標(biāo),以及綜合使用3個(gè)指標(biāo)的多模態(tài)作為分類特征進(jìn)行模式識(shí)別分析。

功能性磁共振成像 (functional magnetic resonance imaging, fMRI)

1.2.1 腦成像數(shù)據(jù)采集

使用3.0T飛利浦Achieva磁共振掃描儀配合16通道頭部線圈收集受試者腦成像數(shù)據(jù)。T1加權(quán)結(jié)構(gòu)像序列(T1-weighted images)掃描主要參數(shù)如下：層數(shù)180, 翻轉(zhuǎn)角8°,采集矩陣230 mm×230 mm。單層平面回波成像(echo planar imaging, EPI)序列掃描主要參數(shù)如下：層數(shù)37,TR：2 s,TE：30 ms,翻轉(zhuǎn)角90°,采集矩陣230 mm × 230 mm。在整個(gè)掃描過(guò)程中,叮囑研究對(duì)象“放松,閉著眼睛并保持清醒。”

1.2.2 腦成像數(shù)據(jù)處理

使用加載在MATLAB平臺(tái)上的 RESTplus 1.24軟件包(http：//restfmri.net/forum/restplus)對(duì)fMRI腦成像數(shù)據(jù)進(jìn)行處理。預(yù)處理步驟如下：①刪除前5個(gè)時(shí)間點(diǎn)的數(shù)據(jù);②時(shí)間校正;③空間校正(標(biāo)準(zhǔn)：刪除平動(dòng)大于3 mm或者旋轉(zhuǎn)大于3°的數(shù)據(jù));④分割腦組織,將其歸一化到自身T1結(jié)構(gòu)圖上,之后進(jìn)一步將其歸一化到蒙特利爾神經(jīng)研究所(Montreal Neurological Institute,MNI)模板上;⑤使用8 mm× 8 mm× 8 mm的半峰寬高斯平滑核(full width at half maximum,FWHM)對(duì)圖像進(jìn)行平滑處理。預(yù)處理之后的數(shù)據(jù)用來(lái)計(jì)算不同的腦成像指標(biāo)。預(yù)處理后的數(shù)據(jù)計(jì)算fALFF、ReHo和DC。

1.2.3 模式識(shí)別算法

在神經(jīng)影像學(xué)數(shù)據(jù)中,模式指腦的每個(gè)體素的掃描數(shù)值或者每個(gè)體素通過(guò)計(jì)算得到的值,分類標(biāo)簽一般指受試者的不同類型[23]。模式對(duì)應(yīng)每個(gè)體素的fALFF、ReHo和DC,而標(biāo)簽對(duì)應(yīng)受試者的分組：射擊運(yùn)動(dòng)員、速滑運(yùn)動(dòng)員以及非運(yùn)動(dòng)員對(duì)照組。

使用SVM核分類算法進(jìn)行訓(xùn)練,具體操作主要通過(guò)使用加載在MATLAB平臺(tái)上的模式識(shí)別神經(jīng)成像軟件包PRoNTo (pattern recognition for neuroimaging toolbox,http：//www.mlnl.cs.ucl.ac.uk/pronto/prtsoftware.html)進(jìn)行[23]。PRoNTo是一個(gè)基于模式識(shí)別技術(shù)的開(kāi)源MATLAB軟件包,用于分析神經(jīng)影像數(shù)據(jù)。操作步驟包括：①分別輸入射擊運(yùn)動(dòng)組、速滑運(yùn)動(dòng)組、對(duì)照組3個(gè)指標(biāo)(fALFF、ReHo和DC),選擇年齡和性別作為協(xié)變量納入計(jì)算;②特征準(zhǔn)備：選擇fALFF、ReHo和DC作為學(xué)習(xí)特征;③模型設(shè)置：分別對(duì)射擊運(yùn)動(dòng)組和速滑運(yùn)動(dòng)組(分類一,記為CL1)、射擊運(yùn)動(dòng)組和對(duì)照組(分類二,記為CL2)以及速滑運(yùn)動(dòng)組和對(duì)照組(分類三,記為CL3)之間進(jìn)行SVM二分類分析,并使用留一交叉驗(yàn)證法(leave-one-out cross validation)計(jì)算分類正確率;④計(jì)算權(quán)重：使用AAL模板,計(jì)算每一個(gè)腦區(qū)在分類算法當(dāng)中的權(quán)重。

由于三組人數(shù)相同,平衡后的準(zhǔn)確率(balanced accuracy, bACC)和總的準(zhǔn)確率(total accuracy, tACC)在樹(shù)枝上保持相同。使用tACC、接受者操作特性曲線(receiver operating characteristic curve,ROC)、曲線下面積(area under curve,AUC)以及預(yù)測(cè)準(zhǔn)確率來(lái)衡量機(jī)器分類算法的優(yōu)劣。tACC越高,模式識(shí)別分類器效果越好。此外,使用ROC曲線和AUC來(lái)進(jìn)一步評(píng)價(jià)分類算法。AUC在0～1,其數(shù)值越大,模式識(shí)別分類器效果越好。PRoNTo還將計(jì)算出為分類算法貢獻(xiàn)最高的10個(gè)腦區(qū)。

2 研究結(jié)果

選用適合fMRI數(shù)據(jù)的SVM算法,對(duì)射擊和速滑兩種項(xiàng)目運(yùn)動(dòng)員以及非運(yùn)動(dòng)員對(duì)照組的腦成像數(shù)據(jù)進(jìn)行分類訓(xùn)練,使用留一交叉驗(yàn)證法得到了實(shí)驗(yàn)結(jié)果。

2.1 分類準(zhǔn)確率、ROC曲線及曲線下面積

表2和圖2～圖5展示了SVM分類算法準(zhǔn)確率以及分類效果。tACC除了CL3-DC之外均在70%以上,最高可達(dá)到100.00(CL1-DC)。AUC最低為0.65(CL3-DC),最高為1(CL1- fALFF、CL1-DC、CL1-ReHo、CL1-Multimodality)。

表2 分類算法準(zhǔn)確率、ROC曲線及曲線下面積Table 2 Accuracy rate, ROC curve and area under the curve of the classification algorithm

虛線代表算法中能將兩組數(shù)據(jù)區(qū)分開(kāi)的線,兩組數(shù)據(jù)在線兩側(cè)分布越集中,分類效果越差,反之分類效果越好

虛線代表算法中能將兩組數(shù)據(jù)區(qū)分開(kāi)的線,兩組數(shù)據(jù)在線兩側(cè)分布越集中,分類效果越差,反之分類效果越好

虛線代表算法中能將兩組數(shù)據(jù)區(qū)分開(kāi)的線,兩組數(shù)據(jù)在線兩側(cè)分布越集中,分類效果越差,反之分類效果越好

虛線代表算法中能將兩組數(shù)據(jù)區(qū)分開(kāi)的線,兩組數(shù)據(jù)在線兩側(cè)分布越集中,分類效果越差,反之分類效果越好

在進(jìn)行射擊運(yùn)動(dòng)員和滑冰運(yùn)動(dòng)員等不同項(xiàng)目運(yùn)動(dòng)員之間的分類時(shí)(CL1),SVM分類算法表現(xiàn)優(yōu)秀。無(wú)論是單獨(dú)使用3個(gè)指標(biāo),還是綜合多個(gè)指標(biāo)進(jìn)行分類,tACC均在96.67%以上,AUC均為1。該結(jié)果說(shuō)明使用SVM算法對(duì)不同項(xiàng)目運(yùn)動(dòng)員之間的腦靜息態(tài)功能特征進(jìn)行分類時(shí),分類正確率較高且分類效果更穩(wěn)定。

在進(jìn)行運(yùn)動(dòng)員和非運(yùn)動(dòng)員對(duì)照組的分類時(shí),tACC在50%～93.33%,AUC在0.65～0.99。其中,DC的分類效果最不穩(wěn)定,而使用fALFF或者綜合使用3個(gè)靜息態(tài)指標(biāo)的分類效果最穩(wěn)定(tACC均在80%以上,AUC均在0.88以上)。

綜合tACC、ROC曲線及曲線下面積以及分類效果不難發(fā)現(xiàn),SVM分類算法經(jīng)過(guò)訓(xùn)練,能夠有效地將高水平速滑運(yùn)動(dòng)員和射擊運(yùn)動(dòng)員靜息態(tài)腦自發(fā)活動(dòng)進(jìn)行分類。

2.2 不同腦區(qū)在SVM分類算法中的貢獻(xiàn)

在對(duì)射擊運(yùn)動(dòng)組和滑冰運(yùn)動(dòng)組進(jìn)行分類時(shí)(CL1),雙側(cè)小腦上部(Cerebelum_3、Cerebelum_4_5)、雙側(cè)小腦下部(Crus2、Cerebelum_7b、Cerebelum_8、Cerebelum_9、Cerebelum_10)、小腦蚓(Vermis_1_2、Vermis_3、Vermis_4_5)等腦區(qū)在分類器中占到了較高的權(quán)重。此外,右側(cè)后扣帶回、右側(cè)舌回以及雙側(cè)中央旁小葉也在分類器中有一定的作用。

在對(duì)射擊運(yùn)動(dòng)組和對(duì)照組進(jìn)行分類時(shí)(CL2),雙側(cè)小腦下部(Crus2、Cerebelum_7b、Cerebelum_8、Cerebelum_9、Cerebelum_10)、小腦蚓(Vermis_7、Vermis_8、Vermis_9、Vermis_10)、右側(cè)后扣帶回、左側(cè)顳極、右側(cè)眶部額中回、右側(cè)丘腦、右側(cè)舌回、右側(cè)枕上回等腦區(qū)在分類器中占到了較高的權(quán)重。

在對(duì)速滑運(yùn)動(dòng)組和對(duì)照組進(jìn)行分類時(shí)(CL2),小腦上部(Cerebelum_3、Cerebelum_4_5)、雙側(cè)小腦下部(Crus2、Cerebelum_7b、Cerebelum_9、Cerebelum_10)、小腦蚓(Vermis_1_2、Vermis_3、Vermis_4_5)、左側(cè)島蓋部額下回、右側(cè)豆?fàn)詈恕⒆髠?cè)角回、右側(cè)眶部額中回、右側(cè)前扣帶回和旁扣帶回、右側(cè)三角部額下回、右側(cè)杏仁核、左側(cè)枕下回、雙側(cè)嗅皮質(zhì)等腦區(qū)在分類器中占到了較高的權(quán)重。

由此可以看出,在用SVM對(duì)射擊運(yùn)動(dòng)組和滑冰運(yùn)動(dòng)組進(jìn)行分類時(shí),主要是小腦的各個(gè)位置構(gòu)成了分類算法的主體部分。而對(duì)運(yùn)動(dòng)員和對(duì)照組進(jìn)行分類時(shí),除了小腦,還有一些與運(yùn)動(dòng)執(zhí)行和控制及其他功能活動(dòng)相關(guān)的腦區(qū)參與了算法的構(gòu)成。提示不同運(yùn)動(dòng)項(xiàng)目運(yùn)動(dòng)員的腦功能活動(dòng)之間差異最明顯的部位在小腦上。

3 討論

3.1 SVM模式識(shí)別算法的優(yōu)勢(shì)探討

fMRI成像數(shù)據(jù)以全腦數(shù)萬(wàn)個(gè)體積元素(volume pixel)上的BOLD信號(hào)以矩陣的形式呈現(xiàn)。正如上文提到的,模式識(shí)別是機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)重要方向,模式識(shí)別在研究fMRI信號(hào)上具有獨(dú)特優(yōu)勢(shì),能夠彌補(bǔ)由一般線性模型帶來(lái)的計(jì)算不足。在眾多分類器中,SVM主要用于解決小樣本、高維、非線性問(wèn)題,因此在處理與fMRI數(shù)據(jù)類似的小樣本多特征的數(shù)據(jù)時(shí)具有更好地表現(xiàn)[9]。SVM算法對(duì)患者和對(duì)照組腦影像學(xué)數(shù)據(jù)進(jìn)行二分類,能夠輔助精神疾病的診斷和預(yù)測(cè)已得到廣泛應(yīng)用。研究首次驗(yàn)證了SVM二分類算法在運(yùn)動(dòng)科學(xué)的應(yīng)用。分類算法獲得了良好的訓(xùn)練結(jié)果,tACC除了CL3-DC之外均在70%以上,最高可達(dá)到100.00(CL1-DC)。AUC最低為0.65,最高為1。該結(jié)果證實(shí)了SVM模式識(shí)別算法的在對(duì)運(yùn)動(dòng)員fMRI數(shù)據(jù)進(jìn)行分類時(shí)依然具有較強(qiáng)的優(yōu)勢(shì)。

SVM模式識(shí)別算法優(yōu)勢(shì),尤其體現(xiàn)在如射擊運(yùn)動(dòng)員和滑冰運(yùn)動(dòng)員等不同項(xiàng)目運(yùn)動(dòng)員之間的分類時(shí)(CL1)。無(wú)論是單獨(dú)使用3個(gè)指標(biāo),還是綜合多個(gè)指標(biāo)進(jìn)行多模態(tài)聯(lián)合分類,tACC均在96.67%以上,AUC均為1。結(jié)果表明：使用SVM算法對(duì)不同項(xiàng)目運(yùn)動(dòng)員之間的腦靜息態(tài)功能特征進(jìn)行分類時(shí),分類正確率較高且分類效果更穩(wěn)定。說(shuō)明相對(duì)于專家-新手比較,不同技能的專家腦功能成像的差異可能更為明顯。以往的研究者多只使用專家-新手范式,忽視了不同技能間的橫向比較。這一點(diǎn)對(duì)研究與動(dòng)作控制、動(dòng)作執(zhí)行、動(dòng)作監(jiān)督等過(guò)程相關(guān)的腦活動(dòng)有一定的啟發(fā)。

3.2 不同靜息態(tài)指標(biāo)的模式識(shí)別效果

在進(jìn)行運(yùn)動(dòng)員和非運(yùn)動(dòng)員對(duì)照組的分類時(shí),DC的分類效果最不穩(wěn)定,而fALFF以及聯(lián)合3個(gè)靜息態(tài)指標(biāo)的多模態(tài)分類效果最穩(wěn)定(tACC均在80%以上,AUC均在0.88以上)。文獻(xiàn)[24]單一特征數(shù)據(jù)的分類效果可能取決于不同的指標(biāo)。fALFF、ReHo和DC均為常用的靜息態(tài)fMRI指標(biāo),但其計(jì)算方法以及背后的邏輯不同,因此反映的特點(diǎn)也不同。fALFF[25]指的是低頻段(0.01～0.08 Hz)的功率譜的ALFF值除以整個(gè)頻段振幅均值得到的,主要反應(yīng)腦的靜息態(tài)自發(fā)活動(dòng)強(qiáng)度,被認(rèn)為是測(cè)量局部大腦活動(dòng)的有效方法。ReHo反映單個(gè)體素和它鄰近體素時(shí)間序列的相似性[26],本次研究中,計(jì)算的是單個(gè)體素及與其相鄰的27個(gè)體素之間的序列相似性。DC則描述將全腦作為復(fù)雜網(wǎng)絡(luò)時(shí),單個(gè)體素作為節(jié)點(diǎn)的中心性[27]。DC越高,該節(jié)點(diǎn)在網(wǎng)絡(luò)中越重要。ReHo和DC均屬于功能連接,但ReHo更著重于小范圍(相鄰)的功能連接,DC更著重于全腦范圍內(nèi)的功能連接。因此,研究結(jié)果可能提示SVM算法在區(qū)分靜～息態(tài)自發(fā)活動(dòng)強(qiáng)度時(shí)有更大的優(yōu)勢(shì),而對(duì)功能連接指標(biāo)的處理不夠到位。同時(shí),這一結(jié)果也提示,將來(lái)用fALFF或者;個(gè)靜息態(tài)指標(biāo)聯(lián)合分類效果更好。

上述研究結(jié)果拓展了目前關(guān)于運(yùn)動(dòng)與腦功能之間關(guān)系的認(rèn)識(shí),將為運(yùn)動(dòng)科學(xué)領(lǐng)域提供新的理論基礎(chǔ),幫助揭示運(yùn)動(dòng)訓(xùn)練對(duì)大腦結(jié)構(gòu)和功能的影響,探究運(yùn)動(dòng)技能與腦功能的互動(dòng)機(jī)制。此外,將來(lái)的研究可以嘗試從從高水平運(yùn)動(dòng)員的腦成像數(shù)據(jù)中提取個(gè)體化的特征,實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的個(gè)體分類。這將為個(gè)體化運(yùn)動(dòng)訓(xùn)練和康復(fù)提供新的理論支持,幫助優(yōu)化訓(xùn)練和康復(fù)計(jì)劃,提高訓(xùn)練和康復(fù)效果。

3.3 SVM分類算法在分類運(yùn)動(dòng)員fMRI數(shù)據(jù)中的應(yīng)用

目前,SVM分類算法廣泛應(yīng)用于臨床多個(gè)精神疾病的診斷和預(yù)測(cè)上,且獲得了較好的效果。然而其在運(yùn)動(dòng)科學(xué)領(lǐng)域的應(yīng)用研究十分有限,少數(shù)學(xué)者嘗試使用模式識(shí)別分類器識(shí)別腦震蕩[28]、運(yùn)動(dòng)想象[29]、最佳運(yùn)動(dòng)狀態(tài)[30],均取得了較好的效果。可以預(yù)計(jì),模式識(shí)別在運(yùn)動(dòng)腦科學(xué)領(lǐng)域具有較好的應(yīng)用前景,但需要進(jìn)行更多深入研究來(lái)推動(dòng)這一技術(shù)的應(yīng)用。

為了更好地展示分類器的構(gòu)成,列舉分類算法中貢獻(xiàn)最高的10個(gè)腦區(qū)(表3)。可以看出,在用SVM對(duì)射擊運(yùn)動(dòng)組和滑冰運(yùn)動(dòng)組進(jìn)行分類時(shí),主要是小腦的各個(gè)位置構(gòu)成了分類算法的主體部分。而對(duì)運(yùn)動(dòng)員和對(duì)照組進(jìn)行分類時(shí),除了小腦,還有一些與運(yùn)動(dòng)執(zhí)行和控制及其他功能活動(dòng)相關(guān)的腦區(qū)參與了算法的構(gòu)成。可以看出,小腦的不同位置在所有的分類器中都很重要。這一結(jié)果與前人研究結(jié)果較為符合。長(zhǎng)期以來(lái),小腦都被認(rèn)為與運(yùn)動(dòng)功能相關(guān)。小腦從脊髓的感覺(jué)系統(tǒng)或皮質(zhì)及皮層下區(qū)域接收輸入信號(hào),并將這些信號(hào)整合,對(duì)運(yùn)動(dòng)進(jìn)行微調(diào)[7]。此外,小腦對(duì)運(yùn)動(dòng)計(jì)時(shí)[31]、預(yù)測(cè)動(dòng)作[32]、肢體隨意運(yùn)動(dòng)以及經(jīng)典條件反射[33]等功能也有重要作用。小腦還是一個(gè)主要參與運(yùn)動(dòng)學(xué)習(xí)的區(qū)域[34]。亓豐學(xué)等[35]研究發(fā)現(xiàn),經(jīng)顱直流電刺激小腦可以改善人體的運(yùn)動(dòng)表現(xiàn),如姿勢(shì)控制、運(yùn)動(dòng)適應(yīng)與運(yùn)動(dòng)學(xué)習(xí)、肌肉力量表現(xiàn)等。隨著fMRI技術(shù)的發(fā)展,研究者發(fā)現(xiàn)長(zhǎng)期運(yùn)動(dòng)技能訓(xùn)練會(huì)導(dǎo)致小腦發(fā)生結(jié)構(gòu)可塑性以及功能重組。例如,職業(yè)羽毛球運(yùn)動(dòng)員小腦灰質(zhì)密度明顯高于普通人[36],世界級(jí)登山運(yùn)動(dòng)員小腦蚓狀小葉I-V的體積顯著高于對(duì)照組[37],世界級(jí)體操運(yùn)動(dòng)員小腦網(wǎng)絡(luò)存在模塊間和模塊內(nèi)重組[38],優(yōu)秀滑冰運(yùn)動(dòng)員小腦功能活動(dòng)發(fā)生重組[39]。研究結(jié)果驗(yàn)證了長(zhǎng)期運(yùn)動(dòng)技能訓(xùn)練對(duì)小腦的影響,并提示射擊運(yùn)動(dòng)和滑冰運(yùn)動(dòng)對(duì)小腦不同區(qū)域的影響不同。研究者給小腦劃定了不同的功能分區(qū),與大腦和脊髓有著不同的連接,其中前庭小腦控制平衡和眼球運(yùn)動(dòng),脊髓小腦調(diào)節(jié)正在進(jìn)行的動(dòng)作,皮層小腦協(xié)調(diào)運(yùn)動(dòng)的計(jì)劃[40]。然而運(yùn)動(dòng)領(lǐng)域目前較少有研究者對(duì)小腦的亞區(qū)進(jìn)行切分研究。Park等[41]曾在對(duì)籃球運(yùn)動(dòng)員的研究中指出,雖然小腦整體未見(jiàn)宏觀可塑性,但小腦的詳細(xì)切分顯示了差異,籃球運(yùn)動(dòng)員的小腦蚓_4_5形態(tài)學(xué)顯著增大。結(jié)合研究結(jié)果可以推測(cè),未來(lái)對(duì)運(yùn)動(dòng)員小腦進(jìn)行功能劃分,進(jìn)一步探索每個(gè)小腦亞區(qū)在動(dòng)作控制與執(zhí)行中的作用也是重要的研究方向。

表3 為分類算法貢獻(xiàn)最高的10個(gè)腦區(qū)Table 3 Top ten brain regions contributing to the classification algorithms

SVM算法在對(duì)高水平運(yùn)動(dòng)員和非運(yùn)動(dòng)員對(duì)照組進(jìn)行分類時(shí),占權(quán)重最高的腦區(qū)除了小腦之外,還包括扣帶回、角回、顳極、額葉(眶部、島蓋部、三角部額葉)、丘腦、豆?fàn)詈恕⑿尤屎恕⑸嗷亍⒄砣~以及嗅皮質(zhì)等腦區(qū),這些腦區(qū)在之前用常規(guī)的fMRI處理方法報(bào)道的結(jié)果中有著部分體現(xiàn)。占權(quán)重最高的腦區(qū)可能是高水平運(yùn)動(dòng)員和非運(yùn)動(dòng)員之間在腦功能上的主要差異所在。通過(guò)識(shí)別這些腦區(qū),一方面,可以幫助精確定位與特定運(yùn)動(dòng)技能或訓(xùn)練相關(guān)的腦區(qū)。這有助于加深對(duì)腦與運(yùn)動(dòng)之間關(guān)系的理解,為運(yùn)動(dòng)科學(xué)和神經(jīng)科學(xué)領(lǐng)域提供重要線索;另一方面,權(quán)重最大的腦區(qū)的功能狀態(tài)與高水平運(yùn)動(dòng)員的優(yōu)勢(shì)技能或特定訓(xùn)練任務(wù)相關(guān)。這為優(yōu)化運(yùn)動(dòng)訓(xùn)練和干預(yù)策略提供了依據(jù)。教練和訓(xùn)練團(tuán)隊(duì)可以根據(jù)這些腦區(qū)的功能特征,設(shè)計(jì)更加針對(duì)性和有效的訓(xùn)練方法,提高運(yùn)動(dòng)員的競(jìng)技水平。 此外,這些腦區(qū)還可能發(fā)展成為高水平運(yùn)動(dòng)員的生物標(biāo)記(biomarker)的潛在候選區(qū)域。總之,在將來(lái),應(yīng)用模式識(shí)別算法的技術(shù)有望為教練和訓(xùn)練團(tuán)隊(duì)制定個(gè)性化的訓(xùn)練方案提供指導(dǎo),使訓(xùn)練更加精準(zhǔn)和有效。

4 結(jié)論

首次使用模式識(shí)別中的SVM分類算法對(duì)高水平射擊運(yùn)動(dòng)員、高水平滑冰運(yùn)動(dòng)員及非運(yùn)動(dòng)員對(duì)照組的腦靜息態(tài)功能磁共振數(shù)據(jù)進(jìn)行訓(xùn)練和分類,選擇fALFF、ReHo和DC作為分類特征,取得了較高的分類準(zhǔn)確性和較好的分類效果。該研究證實(shí)了模式識(shí)別方法在運(yùn)動(dòng)科學(xué)領(lǐng)域的重要應(yīng)用價(jià)值,研究成果有助于體育科學(xué)研究者采用新的分析工具,從新的角度更加全面地理解運(yùn)動(dòng)與腦的關(guān)系,對(duì)運(yùn)動(dòng)認(rèn)知學(xué)科這門新學(xué)科領(lǐng)域的發(fā)展具有指導(dǎo)意義和實(shí)踐價(jià)值。