?PaperWeekly 原創 ·?作者｜張瑋瑋

學校｜東北大學碩士生

研究方向｜情緒識別

引言

論文動機?

生理學研究表明精神分裂癥（Schizophrenia, SZ）與大腦感覺和額葉區功能障礙有關。患者腦電圖（EEG）微觀狀態呈現前端-中心分布縮短，與記憶障礙相關的 theta 和 gamma 頻段腦電圖振蕩異常。

單個大腦區域功能的中斷并不能完全解釋 SZ 中觀察到的損傷范圍。SZ 被認為是一種連接障礙，其特征是在微觀和宏觀層面上的大腦結構和功能連接網絡異常。此外，大多數研究中提出的架構側重于單一領域的一種連接度量，如用于功能連接的Pearson相關系數，沒有考慮大腦網絡的連接方向性和拓撲組織。

針對以上兩個問題，作者提出基于深度 CNNs 框架來對基于 EEG 的腦連接模式改變進行分類。?

論文工作?

論文設計了一種新穎的深度 CNN 架構，稱為多域連接 CNN (multi-domain connectome CNN, MDC-CNN)，它可以融合時域、頻域和腦連接網絡的拓撲度量對 SZ 患者識別。

首次利用具有大腦區域間信息流動方向性的功能連接（Functional Connectivity, FC）特征，作為 CNN 中 SZ 自動分類的判別特征。利用腦電圖中估計的各種定向連通性，以捕獲 SZ 中被破壞的大腦網絡組織。

作者使用 VAR、PDC、CN 特征和所有三個特征集的融合測量腦電圖連接模式，對 SZ 和健康組（healthy control，HC）分類時的卓越性能驗證了所提出的 MDC-CNN 有效性。

論文方法

定向腦網絡連接特征

1. VAR coefficient

表示 n 通道 T 個時間點頭皮腦電圖數據。?的 VAR(L) 模型：

表示高斯白噪聲。采用 N×N 系數矩陣??對不同腦電圖通道間的定向連接網絡進行量化，其中??表示格蘭杰因果意義上通道 i 與通道 j 的連接強度。

由??表示 VAR 系數，則 VAR(L) 模型可以表示為?，其中：

2. Partial Directed Coherence (PDC)?

PDC 是一種有效連接的頻域特征，它僅量化了網絡中節點之間的直接依賴關系，利用 PDC 矩陣來表征，即：

其中 Φ(f) 是采樣頻率為???的 VAR 系數矩陣的傅里葉變換。

3. Complex Network (CN) measures?

CN 方法源于圖論，已廣泛用于描述復雜腦網絡的高階拓撲結構。論文采用 4 種能揭示 SZ 功能整合和分離中斷的重要信息的CN特征，節點度??和全局效率??表示腦網絡集成特點，聚類系數??和傳遞性??可以檢測到網絡的隔離異常，四種特征分別表示如下：

MDC-CNN

▲ 圖1. 基于MDC-CNN的腦電圖連通性模式分類框架

如圖 1 所示，網絡包括兩個階段：連通特征提取和基于 CNN 的分類。在第一個階段，從多通道腦電圖提取各種衡量定向大腦連接特征：時域 VAR 系數，頻域 PDC 和基于拓撲的復雜網絡（complex network, CN）度量。在第二階段，提取不同領域的連通特征，然后將其作為深度 CNN 分類器集成的輸入。

二維連通矩陣即將 L 階滯后的 VAR 系數矩陣和 5 個主頻帶的 PDC 矩陣構造成一個三維張量，作為二維 CNN 模型的輸入。將五個頻帶上連接 CN 特征的一維向量形成二維張量，作為一維的輸入。CNN 的卷積層將在連通性特征中進一步學習空間結構的更高層次特征。

▲?圖2.?MDC-CNN模型采用不同的融合策略

論文研究了三種不同的融合策略，以整合在多個連通特征域上訓練的 CNNs 集合。Feature-level fusion 基于 CN, VAR 和 PDC 特征被展平連接成一個特征向量。Score-level fusion 中每個領域特定的 softmax 層的預測概率結果被組合為一個公共的二級 softmax 層的輸入，用于預測類標簽。Decision-level fusion 將特定領域的 CNN 的各個輸出層獨立預測類標簽，通過多數投票，最終的類標簽是在三個 CNN 模型中預測最頻繁的一個。

結果

為了評估本文方法的性能，作者在莫斯科國立大學提供的 84 名受試者（45 名 SZ 患者和 39 名 HC 患者）的公開的精神分裂癥腦電圖數據集上進行了實驗。采用五折交叉驗證對 CNN 模型的性能進行了評價。

圖 3 表示 MDC-CNN 的訓練曲線。從表 1 可以看出 CNNs 的分類效果明顯優于 SVM，并且所提出的整合不同領域特征的 MDC-CNN 將顯著提高分類性能，超出了單個特征領域所能達到的性能。

▲?圖3. 訓練過程中交叉熵損失的學習曲線

▲?表1. 不同腦電圖連接特征利用CNN與SVM方法在SZ和HC分類中的性能比較

如表 2 所示，SZ 和 HC 之間的腦電圖連通性在低頻波段有更明顯的差異。從表3結果來看，decision-level fusion 方法優于其他兩種特征融合方法。

▲?表2.?利用PDC和CN連接特征對不同腦電圖頻帶的CNN分類性能

▲?表3. MDC-CNN在不同融合策略下的性能

結論

本文設計了 MDC-CNN，這是一種針對多域連接體數據設計的新型 CNN 架構。它可以有效地結合互補信息從多個大腦連接描述符的不同領域和維度分類的目的，包括時間和頻域指標有效的連接和網絡拓撲結構的復雜網絡特診。在靜息狀態腦電圖中，所提出的 CNN 能夠從區分 SZ 和 HC 的連通性特征中學習一種低層次和高層次的抽象表示特征。

點擊以下標題查看更多往期內容：?

• AAAI 2020?| 語義感知BERT（SemBERT）
  

• 淺談 Knowledge-Injected BERTs
  

• 從 Word2Vec 到 BERT
  

• 后 BERT 時代的那些 NLP 預訓練模型
  

• BERT+知識圖譜：知識賦能的K-BERT模型
  

• 從三大頂會論文看百變Self-Attention

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

?????來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

???? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 下載論文

總結

以上是生活随笔為你收集整理的基于多域连接卷积神经网络的精神分裂症脑功能网络分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。