多波段网络融合为阿尔茨海默病与功能性核磁共振鉴定gydF4y2Ba

1介绍gydF4y2Ba

阿尔茨海默病(AD)是一种不可逆的神经退行性疾病,严重影响患者的生活质量(gydF4y2Ba1gydF4y2Ba)。作为一种非侵入性的措施检测大脑异常,脑功能网络(FBN),来自于静息状态的磁共振成像(rs-fMRI),提供了一个宝贵的机会广告疾病的早期干预和控制。先前的研究通常把病人的大脑分成几个感兴趣的区域(ROI)通过一个特定的大脑模板。然后,FBN由计算完整的带血氧水平依赖(BOLD)信号之间的相关系数这些roi。然而,一个乐队不足以捕获的诊断和预后信息包含在多个频段。gydF4y2Ba

在实践中,大胆的基于信号不同的频率有不同的生理意义。早在1995年,研究人员发现,有一个低频的信号之间的相关性在某些脑区(gydF4y2Ba2gydF4y2Ba)。2011年,重晶石等人大胆的信号分为四个频段研究每个频带的能量及其分布在整个大脑。他们发现0.01 - -0.05赫兹频段的信号主要分布在前额叶、顶叶、枕叶皮层;0.05 - -0.1赫兹频段的信号主要分布在丘脑、基底神经节;0.1 - -0.15赫兹频段的信号主要分布在岛叶和颞叶皮层;0.15 - -0.2赫兹的信号频带也分布在岛叶和颞叶皮层(gydF4y2Ba3gydF4y2Ba)。大多数研究集中在大胆的信号(0.01 - -0.08)赫兹,一系列频率不同的大脑区域。gydF4y2Ba

除了不同的生理意义,许多研究发现,利用频分估计FBNs不同频段可以实现各种FBN结构的描述。例如,张等人计算节点数据(例如,节点度、节点路径长度和中间性中心)由不同的乐队和FBNs估计发现不同频段的结构特点明显不同(gydF4y2Ba4gydF4y2Ba)。歌等人分解每个体素的时间序列,发现在皮质ReHo更高和更比皮质下区域(频率相关gydF4y2Ba5gydF4y2Ba)。李等人发现,与健康对照组相比,颞叶癫痫患者的功能连通性δ,θ,低α和β乐队是显著增加,加权小世界的价值衡量在θ乐队显著下降(gydF4y2Ba6gydF4y2Ba)。此外,研究发现,不同波段的FBNs用于疾病诊断取得了不同的分类结果(gydF4y2Ba7gydF4y2Ba)。解释是FBNs基于不同的频率有不同的歧视的能力。gydF4y2Ba

因为带来的不同的信息不同的频段,这是一个很好的视角大胆的信号分解为多个带构造多个FBNs,每FBN融合的特点。例如,邹等人提取时间、空间和功能网络的时空变化特征在每个频带和融合成一组精神分裂症的特征向量分类(gydF4y2Ba8gydF4y2Ba)。左等人提出了一个深multi-fusion框架classifier-based特性合成自动综合医学图像融合。他们验证方法使用融合图像和大脑疾病分类说明,分类性能的改善是由于采用融合策略(gydF4y2Ba9gydF4y2Ba)。然而,这些特征融合方法解释能力有限,不提供一个良好的生物标志物的诊断脑部疾病。更重要的是,两人都想基层特性提取FBNs倾向于捕捉不同的网络属性,它需要先验知识,从而使特性设计一个棘手的问题。gydF4y2Ba

不同于功能融合、网络融合可以获得的各种信息multiband-based FBNs并消除造成的冗余信息之间的相关性不同的特性集。考虑FBNs在不同频段的不同特点,我们提出一种新颖的多波段网络融合框架(MBNF)估计信息丰富的多频FBNs。具体地说,我们的框架可以归纳为如下步骤:(1)使用集成经验模态分解(EEMD)分解的信号高、低频带自适应;(2)聚变FBNs由两个频段多波段融合网络的相似性网络融合(SNF);(3)提取的特征融合网络,采用支持向量机(SVM)分类。gydF4y2Ba

剩下的纸是组织如下。第2节中“材料和方法”,我们目前的实验数据,该方法。节中“实验3”,我们设计实验并与其他方法进行比较。第四节”的讨论,“我们讨论不同的信号分解方法的影响,和不同的融合方法的分类结果。然后,我们提出工作的局限性和未来的研究方向。第五节”的结论:“我们总结这篇文章。gydF4y2Ba

2材料和方法gydF4y2Ba

在本节中,我们首先详细介绍数据采集和预处理。然后大脑疾病分类的总体过程基于MBNF框架提出了以下部分。gydF4y2Ba

2.1数据集描述和图像预处理gydF4y2Ba

在本文中,我们评估我们的方案的基础上,从阿尔茨海默病的神经影像学数据集(ADNI), MCI分为两个子类,早期MCI (eMCI)和晚期MCI (lMCI),和以前的研究已经表明lMCI过渡到高潜力的广告。数据集包含154正常对照组(nc), 165 eMCI, 145 lMCI,公元99年。下面列出这些数据的扫描参数:平面图像分辨率2.29 - -3.31毫米,每个薄片的厚度是3.31毫米。回声时间(TE)的片是30毫秒,和重复时间(TR)是2.2 - -3.1。每个主题的扫描包括140卷。显示了详细的人口统计信息gydF4y2Ba表1gydF4y2Ba。gydF4y2Ba

我们使用目前的壮举的软件是一个标准的管道处理rs-fMRI扫描(gydF4y2Ba10gydF4y2Ba)。我们首先抛弃前3卷允许信号稳定。对于剩下的137卷,我们纠正部分时间和运动,以避免干扰的数据和消除头运动的影响。然后,我们条纹结构头骨根据t1加权磁共振成像。我们用处理过的图像结合蒙特利尔神经学研究所(MNI)空间。所有科目都是处理带通滤波的频率间隔(0.015、0.15赫兹)。然后我们回归妨害信号含有运动参数,白质和脑脊髓液。此外,高斯内核与处全宽度半峰(应用)的6毫米用于平滑数据。值得注意的是,我们没有数据进行擦洗,因为这将引入额外的工件。最后,功能磁共振成像扫描的大脑空间是使用自动划分为116个预定义的roi的解剖标记(AAL)模板(gydF4y2Ba11gydF4y2Ba)。对于每个主题,大胆的从每个ROI提取出信号,然后归一化如下:gydF4y2Ba

在哪里gydF4y2BaxgydF4y2Ba表示的时间点信号gydF4y2Ba我gydF4y2Bath ROI。μgydF4y2Ba_我gydF4y2Ba代表的均值gydF4y2BaxgydF4y2Ba和σgydF4y2Ba_我gydF4y2Ba表示的标准差gydF4y2BaxgydF4y2Ba。gydF4y2Ba

2.2多波段网络融合框架gydF4y2Ba

在本节中,我们介绍了多波段网络融合框架计划(MBNF)大脑疾病的诊断。所示gydF4y2Ba图1gydF4y2Ba,MBNF包含三个主要部分:(1)根据EEMD大胆的信号分解;(2)FBN建设和融合;(3)特征选择和分类。gydF4y2Ba

2.2.1基于EEMD大胆的信号分解gydF4y2Ba

先前的研究通常使用带通滤波器(如小波变换)收购多波段的信号。然而,由于大胆的信号的频率特性是复杂的,传统的带通滤波器是不合适的。因此,黄等人提出一种新颖的自适应信号时频处理方法称为经验模态分解(EMD) (gydF4y2Ba12gydF4y2Ba)。不同的小波变换需要提前设置可行的分解层,EMD分解信号自适应地根据时间特征的数据。具体来说,EMD可以将非平稳时间序列分解成一组固有模态函数(IMF)分量,与时变频率和振荡函数能反映非平稳信号的局部特征(gydF4y2Ba13gydF4y2Ba)。gydF4y2Ba

在实践中,模式执行期间可能发生EMD混叠问题,为后续的特征提取,导致错误模型训练和模式识别。为了解决这个问题,集成经验模态分解(EEMD),一种改进的EMD方法,执行提出MBNF信号分解的方法(gydF4y2Ba14gydF4y2Ba)。特别是EEMD添加不同白噪声具有相同振幅改变的极点特征信号(gydF4y2Ba15gydF4y2Ba)。gydF4y2Ba图2gydF4y2Ba介绍了算法流程图。在gydF4y2Ba图2gydF4y2Bax是原始信号,gydF4y2BangydF4y2Ba_米gydF4y2Ba代表了gydF4y2Ba米gydF4y2Ba−gydF4y2BathgydF4y2Ba加性白噪声序列,gydF4y2BacgydF4y2Ba_{米gydF4y2Ba,gydF4y2BafgydF4y2Ba}代表了gydF4y2BafgydF4y2Ba−gydF4y2BathgydF4y2Ba国际货币基金组织(IMF)获得的组件分解后添加的白噪声gydF4y2Ba米gydF4y2Ba−gydF4y2BathgydF4y2Ba时间,gydF4y2BafgydF4y2Ba国际货币基金组织的组件的数量,gydF4y2BargydF4y2Ba_{米gydF4y2Ba,gydF4y2BafgydF4y2Ba}是剩余函数,gydF4y2Ba米gydF4y2Ba相应的国际货币基金组织(IMF)的平均数组件经过多次分解。gydF4y2Ba

获得国际货币基金组织(IMF)组件后,我们每个大脑区域的国际货币基金组织(IMF)时域信号转换为频域信号显示每个国际货币基金组织(IMF)组件的频域范围。请注意,由于EEMD分解自适应,国际货币基金组织的组件的数量在每个信号分解后大脑区域可能是不同的。具体来说,我们计算的平均频率国际货币基金组织(IMF)组件在每一个大脑区域和显示的总结果所有科目(即在不同的类别。eMCI lMCI,广告,和NC)gydF4y2Ba图3gydF4y2Ba。我们可以观察到在gydF4y2Ba图3gydF4y2Ba无论哪一类,IMF1组件大约是0.06 - -0.16赫兹,而其他国际货币基金组织(IMF)组件的平均频率小于0.1赫兹。为了方便施工的FBN后续分析,大胆IMF1组件用作高频信号,其余首先大胆组件集成在一起为低频信号。gydF4y2Ba

2.2.2 FBN建筑和融合gydF4y2Ba

一旦我们获得每个ROI的高、低频的信号,我们使用两种类型的信号估计FBNs不同,它提供了一个有效的工具来比较不同的主题和我的神经/精神疾病的生物标记物。注意,我们执行不同的方法来构建FBNs在后续实验验证我们方法的鲁棒性。近几十年来,许多方法已经开发建设FBNs,其中具有代表性的是皮尔森相关(PC)和稀疏表示(SR) (gydF4y2Ba16gydF4y2Ba- - - - - -gydF4y2Ba18gydF4y2Ba)。gydF4y2Ba

具体来说,表示gydF4y2BaPgydF4y2Ba(gydF4y2BaPgydF4y2Ba在这个工作)= 116 roi和的数量gydF4y2BaTgydF4y2Ba(gydF4y2BaTgydF4y2Ba这项工作= 137)的总数颞形象卷。对于任何gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba(gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba= 1⋯gydF4y2BaPgydF4y2Ba),gydF4y2BaWgydF4y2Ba_ijgydF4y2Ba之间的功能连通性是一对roigydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba。基于pc的功能连通性的计算公式如下:gydF4y2Ba

在哪里gydF4y2BaxgydF4y2Ba_我gydF4y2Ba∈gydF4y2BaRgydF4y2Ba^TgydF4y2Ba代表的时间序列gydF4y2Ba我gydF4y2Ba投资回报率,gydF4y2Ba${\stackrel{¯gydF4y2Ba}{\mathrm{xgydF4y2Ba}}}_{\mathrm{我gydF4y2Ba}}\in gydF4y2Ba{\mathrm{RgydF4y2Ba}}^{\mathrm{TgydF4y2Ba}}$相应的平均向量gydF4y2BaxgydF4y2Ba_我gydF4y2Ba。另一个FBN施工方法是老,这是一个gydF4y2BalgydF4y2Ba_1gydF4y2Ba正规化的线性回归。数学模型可以得到目标函数如下:gydF4y2Ba

λ是一个正规化参数。注意,相同的方法进行高频FBN和低频FBN。gydF4y2Ba

FBN建设后,我们执行相似网络融合(SNF)方法来融合高/低频FBNs获得互补信息的多频。相似度融合网络健壮的噪音和可以获得有用的信息从更少的样品(gydF4y2Ba19gydF4y2Ba,gydF4y2Ba20.gydF4y2Ba)。对于高频FBN (gydF4y2BaWgydF4y2Ba^高gydF4y2Ba)和低频FBN (gydF4y2BaWgydF4y2Ba^低gydF4y2Ba),我们构造相似矩阵gydF4y2Ba年代gydF4y2Ba^高gydF4y2Ba和gydF4y2Ba年代gydF4y2Ba^低gydF4y2Ba分开。注意,内核相似矩阵是稀疏矩阵编码自己稀疏的强有力的联系。对于每一个相似矩阵gydF4y2Ba年代gydF4y2Ba我们再使用邻居(资讯)测量当地的亲和力,并设置不相邻的点之间的相似度为零。两两之间的相似度值的计算公式的roigydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba如下:gydF4y2Ba

在哪里gydF4y2Ba然而,gydF4y2Ba_jgydF4y2Ba表示一组再邻居的ROIgydF4y2BajgydF4y2Ba在gydF4y2BaWgydF4y2Ba。类似于以前的研究(gydF4y2Ba21gydF4y2Ba),我们最近的邻居的数量设置为11。gydF4y2Ba

基于矩阵的稀疏的内核gydF4y2Ba年代gydF4y2Ba^高gydF4y2Ba和gydF4y2Ba年代gydF4y2Ba^低gydF4y2Ba,我们使用非线性方法融合成一个网络。每个类似的网络需要更新迭代,使之更类似于另一个网络。例如,gydF4y2Ba年代gydF4y2Ba^高gydF4y2Ba可以迭代更新如下:gydF4y2Ba

在哪里gydF4y2BaggydF4y2Ba是迭代的数量(gydF4y2BaWgydF4y2Ba^低gydF4y2Ba)gydF4y2Ba^{(gydF4y2BaggydF4y2Ba)gydF4y2Ba}代表了gydF4y2BaWgydF4y2Ba^低gydF4y2Ba后gydF4y2BaggydF4y2Ba迭代。gydF4y2Ba

因为不同的网络携带不同的频率信息,gydF4y2BaWgydF4y2Ba^高gydF4y2Ba可以整合所提供的资料吗gydF4y2BaWgydF4y2Ba^低gydF4y2Ba经过几次迭代学习。同时,稀疏的内核矩阵gydF4y2Ba年代gydF4y2Ba通过最强烈的联系指导迭代过程gydF4y2BaWgydF4y2Ba,因此可以有效地降低噪声。迭代停止当融合网络接近停止改变。因为不同的网络进行不同的频率信息,融合网络集成不同的频率提供的信息网络。当迭代融合网络几乎是常数,网络停止迭代。具体来说,融合网络停止更新迭代的过程中当它满足公式(6):gydF4y2Ba

最后,我们获得平均两个网络的融合网络。融合网络如下:gydF4y2Ba

在哪里(⋅)′代表最后更新矩阵。gydF4y2Ba

2.2.3特征选择和分类gydF4y2Ba

一旦我们获得所有学科的融合FBNs,随后的任务是提取/选择最歧视的特点根据FBNs疾病分类。目前,有两类FBN基于不同粒度的特性分析,包括节点级和edge-level特性。由于节点级特性往往捕获不同的网络属性导致了额外的先验知识来设计有效的特性,我们使用edge-level特性(即。功能连通性之间的roi)在我们的实验中。所示gydF4y2Ba图4gydF4y2Ba,我们连接的上三角获得FBNs融合成一个边缘矢量(去除冗余的部分如果相邻矩阵是对称的),然后从所有科目堆积边向量特征矩阵为后续的分类任务。此外,为了消除冗余信息在这些特性,gydF4y2BatgydF4y2Ba以及用于特征选择(gydF4y2BaPgydF4y2Ba< 0.05)。gydF4y2Ba

最后,考虑到小的变化在不同的步骤(FBN建设、特征选择和分类)会影响最终结果,很难得出这一步进一步有助于最终的精度。因此,最简单的和最受欢迎的分类支持向量机gydF4y2BaCgydF4y2Ba= 1)分类广告/执行从数控MCI。此外,使用支持向量机来代替深度学习的原因是后者通常需要非常大的数据集。是具有挑战性的训练好的模型和调优hyper-parameters当没有足够的训练样本(主题)。gydF4y2Ba

3实验gydF4y2Ba

在本节中,我们首先引入竞争的方法与我们的方案,我们的实验的设置。然后详细分析了实验结果。gydF4y2Ba

3.1竞争方法gydF4y2Ba

在实验中,我们比较MBNF提出几个方案,包括(1)Full-Band,基于FBN计划建设一个完整的大胆的信号;(2)低波段,方案基于FBN建设大胆的信号分解后由低波段;(3)高带,方案基于FBN大胆的信号分解后建设高频带;(4)MBNF,我们的方案。对于一个公平的比较,我们使用gydF4y2BatgydF4y2Ba以及(gydF4y2BapgydF4y2Ba< 0.05)选择区别的特性,然后使用支持向量机(gydF4y2BaCgydF4y2Ba= 1)大脑疾病分类竞争方案。除此之外,两个2.2.2 FBN施工方法中提到的是在我们的实验进一步表明我们的方法的有效性。gydF4y2Ba

3.2实验设置gydF4y2Ba

我们设计了四个分类任务来评估我们的方法的性能和四个竞争计划,如下:(1)eMCI与数控(2)lMCI与数控(3)广告与数控(4)eMCI与lMCI。然后,三个评价指标用于评估所有方法的分类性能,包括分类精度(ACC),灵敏度(SEN)和特异性(SPE),定义如下:gydF4y2Ba

TP、TN、FP和FN代表真阳性,真正的负面,假阳性和假阴性。除了上述之外,我们还添加接受者操作特征曲线下面积(AUC)作为另一个指标。gydF4y2Ba

在我们的实验中,采用5倍交叉验证(CV)来评估不同的方法的泛化能力。此外,考虑到hyper-parameters(即。,年代parsity) involved in the FBN construction methods may significantly affect the ultimate classification results, we select optimal parametric values by a grid search in a large range. For the regularized parameter λ in SR, we use 20 candidate values in [0.1, 0.15, 0.2, …, 0.95, 1]. Although PC is parameter-free. For a fair comparison, we perform a thresholding parameter in PC by preserving a percentage of connectivity with strongest correlation. To be consistent with other methods, we set up 20 sparsity from a candidate set [5%, 10%, …95%, 99%]. For example, 100% means all edges are preserved, and 90% means 10% weak edges are removed. Then, an inner-5-fold CV on the training data to determine the optimal sparsity, which is based on the classification accuracy in each inner loop. For fairness, we also employed inner-5-fold CV strategy in other competitive methods compared with MBNF. Note, we perform the 5-fold CV process 1,000 times independently to avoid random errors introduced in cross-validation, and the mean and standard deviation of the classification results are reported in表2gydF4y2Ba。为了说明结果的统计学意义,我们执行一个配对gydF4y2BatgydF4y2Ba以及(gydF4y2BapgydF4y2Ba< 0.05)结果的方法,然后使用“*”标记结果优于其他方法。gydF4y2Ba

3.3分类结果和分析gydF4y2Ba

表2gydF4y2Ba,gydF4y2Ba3gydF4y2Ba提供四个计划四个任务的分类结果基于两个FBN施工方法,同时也显示了一些有趣的发现。gydF4y2Ba

(1)该方案与多波段融合网络明显优于其他三个互相争生意的计划。这表明结合多波段的各种信息FBNs有助于提高大脑疾病分类的分类性能。gydF4y2Ba

(2)低波段计划达到的性能下降相比高波段计划在每个分类的任务。结合以前的研究(gydF4y2Ba22gydF4y2Ba,gydF4y2Ba23gydF4y2Ba),可能的原因是高的特征波段FBNs更健壮和歧视。例如,左等人已经表明的两次试验法的可靠性high-band-based波动更大,更广泛的分配比低波段(gydF4y2Ba24gydF4y2Ba)。gydF4y2Ba

(3)关于四个任务分类基于两个FBN施工方法,识别对象的任务与正常对照组广告相对容易。大脑功能退化的根本原因是广告主题可能更严重比MCI和数控。gydF4y2Ba

3.4区别的功能连接和大脑区域gydF4y2Ba

FBN分析中最重要的一步,选择有识别力的特性是有意义的寻找生物标记物用于确定大脑疾病。语料库的研究表明,许多精神疾病出现在不同脑区之间的相互作用,而不是局限于一个特定的大脑区域。因此,我们采用gydF4y2BatgydF4y2Ba以及为我们的MBFN选择最歧视功能连接四个任务的分类方法。所示gydF4y2Ba图5gydF4y2Ba,每个弧的颜色是随机获得更好的可视化,及其厚度代表连接的辨别力(而不是实际的连接强度)。gydF4y2Ba

除此之外,我们还可视化歧视基于功能连接的大脑区域gydF4y2Ba图6gydF4y2Ba。这个可视化绘制BrainNet查看器工具箱gydF4y2Ba^1gydF4y2Ba这些选择稳定大脑区域映射到国际财团对大脑映射(洲际弹道导弹)152表面基于AAL地图集。MCI分类(eMCI与NC和lMCI与NC),我们可以观察到额叶、扣带、中央后,梭状回和颞下回是最歧视的大脑区域。先前的研究已经表明,异常变化在这些大脑区域加速转换患有轻度认知障碍的阿尔茨海默病(gydF4y2Ba25gydF4y2Ba- - - - - -gydF4y2Ba30.gydF4y2Ba)。同样,广告分类、后扣带回的区域,中央后回,c、海马、颞中回、颞下回,最歧视的大脑区域,已被先前记录参与广告(gydF4y2Ba31日gydF4y2Ba- - - - - -gydF4y2Ba34gydF4y2Ba)。gydF4y2Ba

许多脑部疾病都不是孤立的特定的大脑区域,但由于大脑不同区域之间的相互作用。例如,额叶non-task长期记忆(中扮演着重要角色gydF4y2Ba35gydF4y2Ba),海马体是负责存储和转换的长期记忆和空间记忆和本地化(gydF4y2Ba36gydF4y2Ba),后扣带回参与过程,如情感和自我评价(gydF4y2Ba37gydF4y2Ba)。失忆,认知能力下降和频繁的情绪波动是阿尔茨海默病的标志(gydF4y2Ba38gydF4y2Ba)。先前的研究显示这些大脑区域之间的关系差异AD患者和正常对照组。这些特征可以被认为是阿尔茨海默病的生物标记物(gydF4y2Ba39gydF4y2Ba)。gydF4y2Ba

3.5频率变化的大脑区域gydF4y2Ba

直观地说明高低频的信号之间的区别,我们采用频率变化(艘)来评估不同的大脑区域在不同频段的变化(gydF4y2Ba40gydF4y2Ba)。艘渔船被定义如下:gydF4y2Ba

在哪里gydF4y2Ba足球俱乐部gydF4y2Ba_{fgydF4y2Ba,gydF4y2Ba我gydF4y2Ba}节点的功能连接吗gydF4y2Ba我gydF4y2Ba(gydF4y2Ba我gydF4y2Ba= 1,⋯,116)到其他频段的roigydF4y2BafgydF4y2Ba,gydF4y2BaNgydF4y2Ba_FgydF4y2Ba频带的总数(在这里吗gydF4y2BaNgydF4y2Ba_FgydF4y2Ba= 2)。阵线的价值越高,更大的大脑区域的差异在不同的频段。gydF4y2Ba图7gydF4y2Ba显示所有roi的阵线在四个类别(即。、数控、eMCI lMCI和广告)。gydF4y2Ba

我们可以观察到正常人的阵线是相对低于其他病人类别。MCI的可能原因是疾病/广告会引起干扰正常的神经行为和神经网络的破坏,从而导致不稳定的大胆的信号。此外,对于病人类别(即。,e米CI, lMCI, and AD), the amygdala, middle temporal gyrus, and superior frontal gyrus showed relatively high FV, which may be biologically associated with MCI/AD.

4讨论gydF4y2Ba

在本节中,我们首先分析不同的信号分解方法的影响,不同的融合方法对分类性能的影响,不同数据集的影响,连接FBNs变化的影响。那么我们现在这个工作的局限性以及一些未来的研究方向。gydF4y2Ba

4.1不同的信号分解方法的效果gydF4y2Ba

在我们提出MBNF计划,EEMD信号分解方法用于提取不同频带的信号。验证的有效性EEMD方法和不同的信号分解方法的影响在我们的实验中,我们使用三种不同的信号分解的竞争方法,包括(1)离散小波变换(DWT) (gydF4y2Ba41gydF4y2Ba),(2)地方平均分解(LMD) (gydF4y2Ba42gydF4y2Ba),(3)经验模态分解(EMD)。对于一个公平的比较,所有的竞争计划一致的步骤(即执行。,年代ame data pre-processing, FBN construction and fusion, feature selection, and classification) except for the signal decomposition step.

表4gydF4y2Ba总结了四种信号分解方法的结果在两个分类任务。我们可以观察到,我们提出利用EEMD MBNF分解方法提供了最好的结果。可能的原因是,EEMD可以分解的信号自适应地根据时间的特征数据,在处理的优势获得好的结果大胆的信号。gydF4y2Ba

4.2不同的融合方法的效果gydF4y2Ba

我们使用SNF方法结合FBNs基于不同频段的提议MBNF方案。验证的有效性SNF方法和不同的网络融合方法的效果在我们的实验中,两种方法被用来比较SNF方法,包括(1)连接,方案拼接FBNs基于不同波段为特征向量;(2)典型相关分析(CCA),一个典型的融合方法(gydF4y2Ba43gydF4y2Ba)。对于一个公平的比较,所有的竞争计划一致的步骤(即执行。,年代ame data pre-processing, signal decomposition, FBN construction, feature selection, and classification) except for the FBN fusion step.

在gydF4y2Ba表5gydF4y2Ba,我们可以观察到CCA的性能比SNF技巧。根本原因是,CCA只能确定线性相关和忽略的非线性相关性之间的交互高频FBN和低频FBN。此外,为什么SNF达到更好的性能比连接的连接方法忽略了结构属性FBNs拼接技术。探索FBN噪音的影响,我们添加了随机高斯白噪声不同标准差FBN (gydF4y2Ba44gydF4y2Ba)。它可以看到gydF4y2Ba图7gydF4y2Ba和表的增加噪声,降低分类精度。我们用引导的方法来提高我们的方法的鲁棒性。我们重新取样和创建了一些训练集的数据与原始数据相同的大小。实验结果所示gydF4y2Ba图8gydF4y2Ba。gydF4y2Ba

4.3影响不同的数据集gydF4y2Ba

因为不同的分布式数据集可能会影响实验结果,我们执行三个独立的数据集来证实我们的结论,包括精神分裂症(深圳),重度抑郁症(MDD),自闭症谱系障碍(ASD)。具体地说,深圳的数据集(gydF4y2Ba45gydF4y2Ba),从公开共享在线数据集思想研究网络和新墨西哥大学的,包括慢性精神分裂症患者患者57和64 nc。此外,我们还住数据库上执行我们的方案(gydF4y2Ba46gydF4y2Ba来自纽约大学的网站。遵守数据集包括184例,其中79来自ASD和105年来自数控。MDD数据集来自第九的REST-meta-MDD联盟(gydF4y2Ba47gydF4y2Ba),其中包含49 MDD患者和47 nc。注意,由于这一事实MDD数据库在这项研究中的应用是作为预处理由其余meta-MDD项目提供的,我们无法控制预处理管道。因此,我们处理其他两个数据库gydF4y2Ba通过gydF4y2Ba相同的管道作为公平的MDD数据库。gydF4y2Ba

所示gydF4y2Ba表6gydF4y2Ba,我们MBNF方法达到整体最佳性能,不管使用的是哪个数据库。这些结果暗示结合脑功能网络的结构信息在不同的频段有助于提高识别的准确性从nc病人。此外,相比其他三个数据库给低性能ADNI数据库。可能原因是大脑结构的病变引起的广告/ MCI更严重精神疾病(例如,MDD和ASD)和神经发育障碍(例如,深圳)。gydF4y2Ba

4.4连接FBNs变化的影响gydF4y2Ba

众所周知,电脑基础功能连通性往往是对噪声敏感。调查是否连通性变化影响我们的方法,我们进行了一系列的实验通过添加不同程度的白高斯随机噪声FBN估计的电脑,和现在的实验结果gydF4y2Ba图8gydF4y2Ba。它只能观察到分类结果显示轻微的波动,当噪音程度(标准差)小于0.1。然而,分类精度大幅降低噪音水平增加。这side-fact表明低程度的噪音对我们的方法和影响甚微意味着MBNF方案已经有了一个相对良好的鲁棒性。gydF4y2Ba

4.5限制和未来的工作gydF4y2Ba

虽然我们提出框架对疾病诊断有很好的影响,仍有一些局限性,需要注意。信号分解的步骤、FBN建设和融合在我们的提议MBNF方案分别进行,这可能会导致潜在的噪音在每一步。此外,提取的特征的基础上,单独的步骤不一定是最佳的方式后续分类任务。因此,端到端的方法深度学习提高实验的性能,这也是我们未来工作的方向。gydF4y2Ba

5的结论gydF4y2Ba

在本文中,我们提出一个多频网络融合框架(MBNF)结合脑功能网络的结构信息在不同的频段。具体来说,我们首先使用EEMD大胆的信号分解为高频信号和低频信号。然后我们构造一个高频功能网络和一个低频的功能网络,分别。最后采用相似性网络融合融合高频低频网络和分类。ADNI数据集上的验证表明,我们提出的多波段网络融合框架是有效的。gydF4y2Ba

数据可用性声明gydF4y2Ba

最初的贡献在这项研究中都包含在本文展示/补充材料,进一步调查可以针对相应的作者。gydF4y2Ba

作者的贡献gydF4y2Ba

LG和ZW设计研究。LG和YZ下载和分析数据,进行实验,并起草了手稿。QL和公斤预处理数据并进行一些实验。YZ和ZW修订后的手稿。所有作者阅读和批准最终的手稿。gydF4y2Ba

资金gydF4y2Ba

这项工作在一定程度上由海南省的关键研究和发展项目(没有。ZDYF2021GXJS017),中国国家自然科学基金(82160345),海口的关键科学技术计划项目(2021 - 016),和中国海南省自然科学基金(620号rc558)。数据收集和分享这个项目由阿尔茨海默病的神经影像学(ADNI)(美国国立卫生研究院的资助U01 AG024904)和国防部ADNI(国防部奖号码w81xwh - 12 - 2 - 0012)。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

脚注gydF4y2Ba

1. ^gydF4y2Bahttps://www.nitrc.orggydF4y2Ba

引用gydF4y2Ba