程中头动； 步骤2fMRI数据获取； fMRI数据包括两部分：真实fMRI数据和仿真fMRI数据；真实fMRI数据，全脑功能像 由EPI序列获得，相关参数如下：TR(扫描重复时间）=2000ms，TE(回波时间）=31ms， FOV(视野范围）=240X240mm2，gap(层间距）=1mm，FA(翻转角度）=9。，siice thickness(层厚）=4mm，体素（Voxel)大小为1X1X1mm，共32层横断位图像覆盖全脑； 根据fMRI数据特点生成的仿真数据，相关参数如下：Sessionduration(扫描时间）= lOmin，TR(重复时间）=3s，Noise(噪声）=1%，HRFstd.dev(血液动力学响应）= 0. 5 ； 步骤3fMRI数据预处理； 所有的预处理操作都是使用统计参数图SPM完成；为避免磁共振机器每个session启 动时的匀场效应及受试者初入环境的不适应可能对结果造成一定影响，删除每个被试每个 session前十幅功能图像，随后进行层间时间校正、头动校正、空间标准化到人类标准脑模 板空间，再进行数据重采样；随后对功能图像进行高斯平滑，减少空间噪声； 步骤4选取感兴趣区域； 本方法的真实fMRI数据选用默认网络（DMN)作为感兴趣区域，包括以下子网络：PCC(后扣带回）、LIPL(左侧顶下小叶）、RIPL(右侧顶下小叶）、MPFC(前额叶内侧面）； 表1划分区域与默认网络将所有受试者的脑功能影像数据映射到选取的四个感兴趣区域位置，提取每个脑区内 所有体素的时间序列，并做平均，获得每个脑区的平均BOLD信号，然后对信号进行带通滤 波处理以消除低频漂移和高频噪音的影响； 所采用的仿真数据集使用的R0I共有10个区域，但这10个区域并不具有实际的意义； 数据具体特征如下： 表2数据具体特征实验选取HRF= 0. 5s的位置在图中是最高点，即是反应程度最明显的地方； 步骤5使用人工免疫系统构建网络； 本方法采取的是基于人工免疫系统的贝叶斯网结构学习方法，该方法是一种评分搜索 的结构学习方法；通过对学习的网络结构进行评分，寻找与fMRI数据集相匹配的网络结 构，最终学到高质量的脑效应连接网络；结构学习过程包括以下步骤： 步骤5. 1，初始化参数：包括抗体群数目An，抗体群数目代表了种群的规模，选取的大 小应尽量保证解可以成熟收敛并不造成过多冗余；记忆库容量Rn，记忆库是用来将优秀的 抗体存起来，并随着代数不断增多可以存下更为优秀的抗体，记忆库容量的选择应尽量保 证优秀抗体可以被存起来；抽取率Er，从记忆库中抽取抗体的比率，它决定初始化种群中， 随机产生的种群和记忆库中种群的比例；采样率Sr，免疫选择过程中，选取优秀抗体的比 例；交叉率Cr，抗体群发生交叉的概率；变异率Ar，抗体群发生变异的概率； 步骤5. 2,初始化抗体群：生成种群大小为An的初始抗体群；初始抗体群An由两部分 组成：包括随机产生的n个抗体和记忆库中选取的m个抗体；n与m的大小由抗体群数目 An，记忆库容量Rn，抽取率Er决定；其计算公式如下： m=Rn^Er； (i) n=An-m； 从公式中可以看出，当记忆库中没有优质抗体的时候，也就是种群初次构建的时候，抗 体主要靠随机初始化产生；而当不断有优质抗体进入记忆库时，种群的构建则依赖于记忆 库中的抗体；这也正好反映了人工免疫系统的机制，同一个抗原第二次侵入时，免疫系统可 以快速找到与之相似的抗体进行抵御； 初始化图的过程为：每一个抗体从一个不含有任何弧的空图开始，图的节点数由步骤 4的感兴趣区域个数决定，一个感兴趣区域代表一个节点；随机选取两个节点，规定一个节 点为起始节点，另一个节点为终止节点，构建一条从起始节点到终止节点的弧；如果该弧的 增加不会使网络结构出现环路，则添加成功，反之添加失败；循环上述增弧过程，直到满足 终止条件即无法继续添加弧或达到规定弧数； 步骤5. 3,亲和度计算：采用K2评分，作为抗体的亲和度；k2评分的大小反映了图结构 与数据集的关联程度，因此可以用来刻画抗体与抗原的亲和度；从统计学的观点来看，一个 网络结构是一个统计模型，在这种方法中，基本的思想是应用从观测数据中获得的网络结 构的后验概率作为尺度来测量一个网络的质量；要比较两个网络结构kG2的计算似然比： 其中用P(G，D)作为评分函数，具体公式如下： (：2)其中P(G)是网络结构G的先验概率分布；评分的目的解释为：如果对于所有的网络结 构G，一个网络结构G。有P(G。，D)彡P(G，D)，那么对于当前的数据集D来说，G。是评分而得最 符合数据集D的网络结构；在算法实现过程中，通常对公式（3)进行化简，用log(P(G，D)) 来代替P(G，D)，从而得到评分函数如下：步骤5. 4,执行免疫选择操作；优秀的抗体由于对抗原有很好的反映，因此将大量产生 以助于免疫系统的增强，而劣质的抗体由于未能有效对付抗原，因此被遗弃；根据亲和度计 算的结果，从抗体群中选取亲和度较高的n个抗体作为候选抗体；其中n的取值为： n=An*Sr (5) 步骤5. 5,执行克隆操作；为了提高免疫系统对抗抗原的能力，优质抗体将会克隆，产 生更多优质抗体来对抗抗原；对候选抗体进行克隆操作，克隆的规模与原抗体群规模一致， 即将n个候选抗体，复制后达到An个抗体； 步骤5. 6,执行抗体的交叉、变异操作；通过交叉运算，形成新的种群，并对新形成的种 群进行变异运算；交叉操作通常可以在不影响收敛性的条件下，使抗体群可以向着更好的 方向变化，变异操作可以使种群丰富性得到提升，帮助算法跳出局部最优解；交叉操作的具 体方法是：一个抗体与另一抗体执行交叉操作，即一个图结构与另一图结构发生边的交换 操作；抗体执行交叉操作后需要仍保证两抗体的图结构不会出现环，若出现环则交叉操作 失败；变异操作的具体方法是：抗体已一定概率发生突变而改变了原有的结构，抗体变异 可能出现增边、减边、反向边的情况； 步骤5. 7,执行克隆抑制操作；为避免种群的冗余，保持结构的多样性，将相同的抗体 删除，直到抗体浓度为1即相同的抗体只保留一个； 步骤5. 8,种群更新，选取当前最好的x个抗体，并将该抗体群加入到记忆库中，输出最 优的抗体；循环迭代，直到迭代结束，输出最优抗体即为最优网络结构； 表3采用不同算法从仿真fMRI数据中学习到的脑效应连接网络的结构表3中AIS代表本方法提供的方法，增加边数表明：该方法学习到的边而标准网络没有 此边；减少边数表明：该方法未学习到的边而标准网络有此边；反向边数表明：该方法学习 到的边在标准网络中也存在，但是方向相反；相同边表名：该方法学习到的边在标准网络 中也存在，且方向相同；实际边表明：该方法学习到的图的总边数；标准边表明：该数据集 的标准图的边数。
【专利摘要】一种用于从fMRI数据中构建效应连接网络的人工免疫方法，在生物免疫系统的基础上，提出一种与fMRI数据相结合的人工免疫系统，可以用于对大脑效应连接网络的构建；具体包括以下步骤：实验设计，采用静息态实验，进行功能磁共振扫描；fMRI数据获取，在尽量降低头动和其他误差的情况下，扫描获得fMRI图像数据；预处理，采用统计的方法对数据进行预处理，去除部分外界因素带来的误差和噪声；选择感兴趣区域，选择与研究相关的脑区；使用人工免疫系统优化贝叶斯网结构学习的方法构建效应连接网络，通过网络结构学习寻找与fMRI数据集匹配的效应连接网络；分析，对构建的网络进行分析，发掘网络结构所揭露的生物特性。
【IPC分类】G06K9/66, G06K9/62, G06F19/12
【公开号】CN105022934
【申请号】CN201510370320
【发明人】冀俊忠, 刘金铎
【申请人】北京工业大学
【公开日】2015年11月4日
【申请日】2015年6月29日