基于elastic net方法的静息态脑功能超网络构建优化
收稿日期：2017-06-02；修回日期：2017-07-20 基金项目：国家自然科学基金资助项目（61373101，61472270，61402318，61672374，61876124）；山西省科技厅应用基础研究项目青年面上项目（201601D021073）；山西省教育厅高等学校科技创新研究项目（2016139）
作者简介：靳研艺（1993-），女，山西高平人，硕士，主要研究方向为智能信息处理、脑信息学；郭浩（1981-），男，副教授，博士，主要研究方向为人工智能、智能信息处理、脑信息学（feiyuˉguo@https://www.360docs.net/doc/ea4072291.html, ）；陈俊杰（1956-），男，教授，博士，主要研究方向为人工智能、智能信息处理、脑信息学.
基于eIastic net 方法的静息态脑功能超网络构建优化*
靳研艺，郭 浩，陈俊杰
（太原理工大学信息与计算机学院，太原030024）
摘 要：脑网络分析已广泛应用于神经影像领域的研究。超网络构建方法被提出用于描述多个脑区之间的高
阶关系。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归方法构建。在已有文献中，用于构建
超网络的稀疏线性回归模型是采用LASSO 方法解决。然而这种方法存在局限，
在超边构建时不能够有效地解决脑区之间的组效应。针对这一问题，提出了将elastic net 方法引入到超网络构建中，并且应用于抑郁症患者与
正常被试的分类。实验结果显示基于LASSO 与基于elastic net 的方法分别可以达到83.
33%与86.36%的分类准确率。分类结果表明与原有方法相比，基于elastic net 的方法可以得到更为有效的特征以及更好的分类效果。关键词：抑郁症；超网络；稀疏线性回归模型；elastic net ；分类中图分类号：TP393 文献标志码：A 文章编号：1001-3695（2018）11-3276-05
doi ：
10.3969/j.issn.1001-3695.2018.11.018Optimization of resting-state brain functional
hyper-network construction based on elastic net
Jin Yanyi ，Guo Hao ，Chen Junjie
（College ofInf ormation &Computer ，Taiyuan University ofTechnology ，Taiyuan 030024，China ）
Abstract ：Brain network analysis had been widely applied to the studies of neuroimaging field.This paper proposed a hyper-network construction method to characterize the high-order relationships among multiple brain regions.It constructed brain
functional hyper-network by the sparse linear regression method according to the resting state functional magnetic resonance ima-ging time series.In the literature ，it solved the sparse linear regression model for hyper-network by LASSO method.However ，this method had a limitation which couldn ’t solve the grouping effect effectively among brain regions when constructing hyper-edges.To solve this problem ，this paper proposed the introduction of the elastic net method into the hyper-network construc-tion ，and applied it to the classification of depression patients and normal controls.Experimental results show that the LASSO-based method and elastic net-based method can achieve 83.33%and 86.36%of classification accuracy ，respectively.The
classification results indicate that compared with the original method ，the elastic net-based method can obtain more effective features and better classification results.
Key words ：depression ；hyper-network ；sparse linear regression model ；elastic net ；classification
0 引言
大量解剖和生理研究证据表明，认知过程取决于分布式大
脑区域之间的交互[1]
。脑功能网络作为大脑交互的简化表示，已广泛应用于精神疾病的研究。神经影像学技术的迅速发展为脑功能网络研究提供了良好的基础。近年来，静息态功能磁共振成像（R-fM RI ）技术用于映射神经功能网络已引起人们
越来越多的关注。低频血氧水平依赖（
BOLD ）信号与大脑自发神经元活动有关[2]
，静息状态下大脑区域之间的交互活动可以通过BOLD 信号构建的功能连接网络表示。
基于功能性磁共振成像获得的影像数据，已经提出相当多的分析方法来进行大脑功能连接建模，包括基于相关的方法
[3，4]、图形化模型[5，6]、基于偏相关的方法[7，8]
。其中，大多数现有的研究都是基于相关的方法，并且已成功应用于抑郁症患
者与正常对照组的分类
[2，9]
。然而，基于相关的方法仅仅能够捕获成对的信息，不能有效反映多个脑区之间的交互[10]
。此
外，基于相关的网络由于任意选取阈值有许多虚假的连接[11]
。图形化的模型被用来研究大脑连接时缺少先验知识。偏相关估计通常是通过使用逆协方差矩阵的最大似然估计（maximum
likelihood estimation ，
M LE ）实现，此方法的一个限制是可靠的估计需要的数据样本规模要比建模的大脑区域数量大
得多[10]
。
传统方法更多的是描述两个区域之间的关系，然而，现有研究表明一个大脑区域主要与一些别的大脑区域在神经过程
直接交互[10]
。最近的神经科学研究也认定在神经元同位素示
踪、局部场电位和皮层活动中有重要的高阶交互[12~14]
，而这种高阶信息对于潜在的病理基础研究可能是重要的。
为了解决上述问题，超网络[15]
被提出。超网络是基于超图理论，网络上的每个节点代表一个大脑区域并且每条超边包含多个节点表示多个脑区之间的交互。现有的超网络构建方法是根据R-fM RI 时间序列使用LASSO （least absolute shrin-kage and selection operator ）方法解决稀疏线性回归模型来构
建[15]
。通过使用稀疏线性回归模型，可以将一个区域表示为其他区域的线性组合，获得一个区域与其他区域的相互作用，同时迫使无意义的或虚假的相互作用为零。然而，采用LASSO 方法求解稀疏线性回归模型构建超网络所具有的局限性是在根据一个选定的脑区构建超边时不能够有效地解决其他脑区之间
的组效应[16]
，可能使得一些与选定脑区相关的脑区无法选择
第35卷第11期2018年11月 计算机应用研究
Application Research of Computers Vol.35No.11Nov.2018
万方数据