基于深度信念網(wǎng)絡的adhd判別分析方法
【專利摘要】一種基于深度信念網(wǎng)絡的ADHD判別分析方法，包括步驟為：步驟1，預處理；步驟2，特征提取和分類：依賴于深度信念網(wǎng)絡，深度信念網(wǎng)絡由限制玻爾茲曼機堆疊組成最后由softmax分類并逐層進行反向調(diào)節(jié)，限制玻爾茲曼機逐層訓練時目標是最大化概率函數(shù)的似然函數(shù)并引入對比散度，更新權重，使得隱藏層成為可視層的近似表示，并且將第一層的隱藏層作為第二層的可視層，以此類推，得到DBN的RBM層，將最后一個隱藏層作為softmax的輸入，得到相應的輸出即分類。本發(fā)明利用的深度信念網(wǎng)絡是一種概率生成模型，通過堆疊多個含有隱藏層和可視層的受限波爾茲曼機構成，它模擬了人腦處理信號的逐層抽象特征的過程，抽象出原始信號的等效特征表達，應用到多動癥的分類領域中。
【專利說明】基于深度信念網(wǎng)絡的ADHD判別分析方法

【技術領域】
[0001]本發(fā)明涉及腦成像智能計算領域的一種基于深度信念網(wǎng)絡的ADHD判別分析。
技術背景
[0002]?注意缺陷多動障礙
[0003]注意缺陷多動障礙(Attent1ndeficit hyperactivity disorder, ADHD),是兒童最常見的疾病之一，它可以延續(xù)到青春期甚至成年期，主要表現(xiàn)為注意力不集中，多動和行事沖動的問題。美國精神病協(xié)會的診斷和統(tǒng)計手冊第五版通常用來幫助精神健康專家診斷多動癥。然而，僅僅根據(jù)臨床和評級的診斷可能是不可靠的，因為它可以與臨床醫(yī)師的自身，文化和國家等有關。因此，客觀的ADHD診斷方法將具有十分重要的意義。
[0004]功能磁共振成像(fMRI)是一種腦功能成像技術，其根據(jù)血氧依賴水平(BOLD)，建立了健康和患病的人的大腦活動。近年來，許多研究圍繞利用模式識別和機器學習的方法進行ADHD診斷的課題展開。Cheng W等人總結了健康人和ADHD患者之間的神經(jīng)影響學的特征，整合了腦關聯(lián)研究和特征集成，提取出最敏感的特征，發(fā)現(xiàn)了額葉和小腦這兩個區(qū)域與ADHD的緊密關系。當然，越來越多的功能神經(jīng)影像學已經(jīng)在ADHD的研究中得到應用。據(jù)悉，在分析與任務相關的fMRI數(shù)據(jù)時，背側前扣帶皮層(dACC)，腹側內(nèi)側前額葉皮層(vmPFC)和小腦出現(xiàn)了異常。Wolf等使用獨立分量分析12個健康人和12個多動癥的成年人的工作記憶任務。Zhu等人首次提出了采用靜息態(tài)功能磁共振成像的局部一致性(ReHo值)基于PC-FDA來分類兒童多動癥，其留一法交叉驗證正確率可以高達85%，但實驗的被試者只有20個。由于數(shù)據(jù)的缺乏，研究多動癥的自動診斷很少。幸運的是，1000FCP(Funct1nalConnectomes Project)提供了一個模型,其中包括大規(guī)模數(shù)據(jù)集。在此模型上，ADHD-200協(xié)會成立了靜息態(tài)功能磁共振數(shù)據(jù)集，在全球ADHD-200競賽中，約翰.霍普金斯大學EloyanA等人取得了最好的預測成績。
[0005]?深度信念網(wǎng)
[0006]深信念網(wǎng)絡(De印Belief Network, DBN)是一個概率生成模型，其因為成功利用受限制玻爾茲曼機(Restricted Boltzmann Machine, RBM)的逐層貪婪訓練而引起了各界的興趣。一個深層信念網(wǎng)絡的架構主要是受限玻爾茲曼機，受限玻爾茲曼機主要由一個可視層和隱藏層組成，可視層和隱藏層之間有聯(lián)系，但是彼此內(nèi)部之間卻沒有任何聯(lián)系。DBN訓練模型之上添加一層softmax分類層可用于多類分類問題，其中softmax回歸是logistic回歸的泛化,與logistic回歸只能用于二分分類問題不同，softmax能夠計算多類概率并用于分類。目前，深度信念網(wǎng)已經(jīng)被廣泛用于圖像處理，音頻分類，目標識別，自然語言處理等領域。
[0007]Mohamed等人使用5層DBN代替GMM-HMM中的高斯混合模型，并利用單音素狀態(tài)作為建模單元進行語音識別。雖然該模型使用單音單元，這種方式還是取得了近似于三音素GMM-HMM的識別準確率。Nair和Hinton開發(fā)了一種DBN變形，其中最頂層由第三階Boltzmann機構成。他們將這種模型運用于NORB數(shù)據(jù)庫，完成三維物體識別任務。其錯誤率與當時最先進水平齊肩，更打敗了 SVMs等淺層結構。Ruhi Sarikaya等成功利用DBN處理自然語言呼叫路由選擇任務。DBNs的分類結果優(yōu)于基于最大熵等方法的分類器，與最佳表現(xiàn)的SVMs相當。研究者進一步將DBNs作為特征生成器，并將所得到的結果運用SVM分類，此方法所得的結果優(yōu)于所有模型。然而，DBN從來沒有被應用到多動癥的分類領域中。


【發(fā)明內(nèi)容】

[0008]為了克服上述現(xiàn)有技術的局限，本發(fā)明針對fMRI功能磁共振數(shù)據(jù)提出一種基于深度信念網(wǎng)絡ADHD的分類方法。深度信念網(wǎng)絡是一種概率生成模型，通過堆疊多個含有隱藏層和可視層的受限波爾茲曼機構成，它模擬了人腦處理信號的逐層抽象特征的過程，抽象出原始信號的等效特征表達。
[0009]為實現(xiàn)上述目的，本發(fā)明給出的技術方案為:
[0010]概括的說，本方法為了實現(xiàn)ADHD的分類，主要分為數(shù)據(jù)的預處理、特征提取和分類兩大部分。獲得的fMRI數(shù)據(jù)是大小為49*58*47的3D圖像的時間序列，數(shù)據(jù)的預處理負責排除實驗實施造成的數(shù)據(jù)差異以及數(shù)據(jù)的規(guī)范化，特征提取負責提取利于分類的抽象更具表現(xiàn)力的特征，分類則負責根據(jù)提取到的特征進行分類分析工作。
[0011]一種基于深度信念網(wǎng)絡的ADHD判別分析方法，其特征在于，包括步驟為:
[0012]步驟I，預處理:
[0013]首先，依次完成原始數(shù)據(jù)的預處理如頭動校正，時間層校正，空間歸一化，平滑等操作。這些預處理是常規(guī)的用來進行影像學處理的方法，詳細可見文獻[I] ([I]:Huettel S A,Song A ff, McCarthy G.Funct1nal magnetic resonance imaging[M].Sunderland, MA:Sinauer Associates, 2004.)。
[0014]接著，為了減小數(shù)據(jù)維度，采用了三步策略:
[0015]I)根據(jù)布羅德曼模板按大腦皮層中的區(qū)域分割3D圖像成48個區(qū)域；
[0016]2)假設掃描過程中一些腦區(qū)的腦體素的最高頻率是不同的，因此，利用快速傅立葉變換算法(FFT)將數(shù)據(jù)從時域變換到頻域；
[0017]3)最后從每個分區(qū)里執(zhí)行最大化選擇，選擇具有最大振幅的頻率。
[0018]步驟2，所述特征提取和分類:
[0019]所述特征提取和分類主要依賴于深度信念網(wǎng)絡。深度信念網(wǎng)絡主要由限制玻爾茲曼機堆疊組成最后由softmax分類并逐層進行反向調(diào)節(jié)。限制玻爾茲曼機逐層訓練時目標是最大化概率函數(shù)的似然函數(shù)并引入對比散度，利用Λ ω = ε(其中Λ ω代表權重的增量，ε表示學習率，Vi表示可視層的第i個節(jié)點的值，h表示隱藏層第j個節(jié)點的值，〈V屯^-和〈V九分別代表了)更新權重，使得隱藏層成為可視層的近似表示，并且將第一層的隱藏層作為第二層的可視層，以此類推，得到DBN的RBM層(受限制玻爾茲曼機層)，最后，將最后一個隱藏層作為softmax的輸入，得到相應的輸出即分類，并比較得到的分類標簽與真實的標簽之間的差距來反向調(diào)節(jié)整個網(wǎng)絡的權重。
[0020]與現(xiàn)有技術相比，本發(fā)明創(chuàng)新點及有益效果:將深度信念網(wǎng)絡(DBN)用于fMRI的ADHD判別分析，提供了一個對fMRI數(shù)據(jù)的處理和分析判別的方法，利用深度信念網(wǎng)絡進行特征提取，提供了一種更加客觀的表示原始信號的特征選擇方法，利用這些特征能夠提高對fMRI的ADHD分類判別效果。此外，為了利用深度信念網(wǎng)模型，對原始的3D時間序列數(shù)據(jù)除了進行常規(guī)的包括頭動校正等預處理外，還進行了一些特殊的預處理，包括布羅德曼分區(qū)投影，F(xiàn)FT變換以及基于最大幅值的頻率挑選，這樣的處理使得數(shù)據(jù)能夠有效地進行DBN訓練和學習。

【專利附圖】

【附圖說明】
[0021 ] 圖1ADHD判別分析的總體步驟
[0022]圖2對采集數(shù)據(jù)的預處理實驗流程圖
[0023]圖3DBN訓練模型過程
[0024]圖4正常人和ADHD的對比分析圖

【具體實施方式】
[0025]以下結合附圖和案例對本發(fā)明方案作進一步說明。
[0026]本發(fā)明利用深度信念網(wǎng)絡的優(yōu)勢，通過對ADHD的fMRI數(shù)據(jù)進行特征處理并分類。同時，基于本文提出的判別方法獲得的判別效果高于原先的結果。如圖1所示，本發(fā)明方法分為兩大組成部分:預處理，特征提取與分類。其中預處理主要利用專門針對核磁數(shù)據(jù)處理的spm軟件(軟件產(chǎn)品已商業(yè)化，其功能設計、開發(fā)實現(xiàn)、操作使用方法都已屬于現(xiàn)有技術)進行相關預處理操作，并且根據(jù)數(shù)據(jù)特征進行預處理和特征選擇使得數(shù)據(jù)能夠被深度信念模型有效訓練和識別。特征提取與分類主要依賴于深度信念網(wǎng)絡。最終，能夠?qū)υ紙D像輸入經(jīng)過一系列操作和分類可以判別該圖像屬于正常人還是ADHD的一類。具體的內(nèi)容包括:
[0027](I)基于SPM軟件的fMRI數(shù)據(jù)的預處理
[0028](2)基于布羅德曼模板、FFT (快速傅立葉變換算法，屬于現(xiàn)有技術)和最大化選擇的數(shù)據(jù)分割
[0029](3)基于48個布羅德曼分區(qū)深度信念網(wǎng)絡的數(shù)據(jù)特征提取和分類判別
[0030](4)基于三個功能聯(lián)合分區(qū)的深度信念網(wǎng)絡的特征提取與分類分析
[0031]案例
[0032]本發(fā)明的執(zhí)行過程如圖2所示，主要分為數(shù)據(jù)的預處理，深度信念網(wǎng)絡的構建學習和基于深度信念網(wǎng)絡的ADHD判別分析。
[0033]如圖3所示，原始的fMRI圖片是一個靜息態(tài)的大腦切面掃描圖經(jīng)過spm的校正，歸一化，平滑等操作后的狀態(tài)，從圖示可以看出，ADHD的fMRI圖像與非ADHD的fMRI圖像有差別，如何識別出這樣的差別卻具有很大的挑戰(zhàn)性。本發(fā)明針對這樣的圖像的時間序列，首先，進行了布羅德曼腦區(qū)的數(shù)據(jù)提取，通過FFT (快速傅立葉變換算法)進行時頻域信號轉換以及最大振幅的頻率挑選這樣的預處理，預處理后的數(shù)據(jù)如圖4所示，對于正常人和ADHD來說，數(shù)據(jù)量依舊很大，而且區(qū)別不是特別明顯。但是，經(jīng)過我們提出的利用DBN的模型進行特征提取后，提取出的特征如圖4最后的結果，可以發(fā)現(xiàn)兩者之間特征的差異比較明顯，這樣的特征進而被用來對ADHD和正常人進行判別分類，實驗中的結果顯示這種方法的分類效果高于原先的結果。此外，基于布羅德曼功能分區(qū)提取比較了三個功能區(qū)的分類效果，這三個功能區(qū)分別為前額葉、視覺皮層和扣帶皮層。將這三個功能分區(qū)分別作為一個整體，并提取其中的頻率特征作為DBN訓練的原始特征進行訓練和測試。分類效果顯示在前額葉和扣帶皮層的分類效果高于視覺皮層。這種方法在區(qū)分ADHD和正常人時，不僅不需要人工挑選特征，同時產(chǎn)生的特征還具有更有效分類的效果。
【權利要求】
1.一種基于深度信念網(wǎng)絡的ADHD判別分析方法，其特征在于，本方法包括步驟為: 步驟I，所述預處理: 首先，依次完成原始數(shù)據(jù)的預處理如頭動校正，時間層校正，空間歸一化，平滑操作； 再次，為了減小數(shù)據(jù)維度，采用了三步策略: 1)根據(jù)布羅德曼模板按大腦皮層中的區(qū)域分割3D圖像成48個區(qū)域； 2)假設掃描過程中一些腦區(qū)的腦體素的最高頻率是不同的，利用快速傅立葉變換算法(FFT)將數(shù)據(jù)從時域變換到頻域； 3)最后從每個分區(qū)里執(zhí)行最大化選擇，選擇具有最大振幅的頻率； 步驟2，所述特征提取和分類: 依賴于深度信念網(wǎng)絡，深度信念網(wǎng)絡由限制玻爾茲曼機堆疊組成最后由softmax分類并逐層進行反向調(diào)節(jié)， 限制玻爾茲曼機逐層訓練時目標是最大化概率函數(shù)的似然函數(shù)并引入對比散度，利用Δ ω = ε(其中Λ ω代表權重的增量，ε表示學習率,Vi表示可視層的第i個節(jié)點的值，hj表示隱藏層第j個節(jié)點的值，〈￥九>—和〈Vihj〉^^分別代表了 )更新權重，使得隱藏層成為可視層的近似表示，并且將第一層的隱藏層作為第二層的可視層，以此類推，得到DBN的RBM層(受限制玻爾茲曼機層)，最后，將最后一個隱藏層作為softmax的輸入，得到相應的輸出即分類，并比較得到的分類標簽與真實的標簽之間的差距來反向調(diào)節(jié)整個網(wǎng)絡的權重。
【文檔編號】A61B5/055GK104182621SQ201410387706
【公開日】2014年12月3日 申請日期:2014年8月8日 優(yōu)先權日:2014年8月8日
【發(fā)明者】何良華, 匡德萍, 郭曉嬌, 安秀, 趙一璐, 郝俊禹, 尹虹毅 申請人:同濟大學