面向fMRI脑功能连接的粗糙集特征归约方法研究

The brain functional connectivity classification of fMRI data based on machine learning is a hot topic in neuropsychiatric research. In order to alleviate the curse of dimensionality caused by the high-dimensional small sample characteristics of fMRI data, feature reduction is a key research subject to guarantee the classification performance. However, most feature reduction methods lack in-depth analysis and effective utilization of fMRI data at present, and the classification ability of the discriminant features is poor. Therefore, this project will aim at characteristics of fMRI data and take rough set as the main line of technology to perform the following researches: (1) In view of the continuity characteristic of fMRI data, this project explores feature reduction methods to brain functional connectivity based on neighborhood rough set in order to avoid the loss of objective information in the process of discretization. (2) According to the characteristic of high noise, this project establishes feature reduction methods to brain functional connectivity based on probabilistic rough set in order to enhance the adaptive ability of noise. (3) For the characteristic of containing unlabeled data, this project creates semi-supervised feature reduction methods to brain functional connectivity based on rough set in order to make full use of the useful information implied by the unlabeled data.(4) This project takes depressive disorder as a typical case for validation and application in order to select accurately the brain functional connectivity features with high discrimination ability and provide scientific basis for its diagnosis. The research will facilitate the development of rough set theory and its application in brain diseases, thus has a very important theoretical significance and application value.

基于机器学习的fMRI数据脑功能连接分类是神经精神疾病领域的一个研究热点。为了缓解fMRI数据高维小样本特性引发的维灾难问题，特征归约是保证分类性能的一个关键研究课题。但目前多数特征归约方法都缺乏对fMRI数据的深入分析和有效利用，所提取特征的分类判别能力欠佳。为此，本课题拟针对fMRI数据的特点，以粗糙集为技术主线开展如下研究：针对连续性的特点，探索脑功能连接邻域粗糙集特征归约方法，以避免离散化过程损失客观信息；针对高噪声的特点，实现脑功能连接概率粗糙集特征归约方法，以增强噪声适应能力；针对含有无标签数据的特点，建立脑功能连接粗糙集半监督特征归约方法，以充分利用无标签数据所隐含的有用信息；以抑郁症为典型范例对上述研究进行验证和应用，旨在发现具有高分类判别能力的脑功能连接特征，为其诊断提供科学依据。项目研究将推动粗糙集理论的发展及在脑疾病研究中的应用，具有重要的理论意义和应用价值。

基于机器学习的fMRI数据脑功能连接分类是神经精神疾病领域的一个研究热点。为了缓解fMRI数据高维小样本特性引发的维灾难问题，特征归约是保证分类性能的一个关键研究课题。但目前多数特征归约方法都缺乏对fMRI数据的深入分析和有效利用，所提取特征的分类判别能力欠佳。粗糙集是一种处理不精确、不一致、不完整信息和知识的数学工具。它能够在未提供任何先验信息的情况下获得数据核心知识，实现特征归约，已经在许多领域得到了成功的应用。近年来，粗糙集在脑功能连接特征归约领域也有了一些初步探索，其工作主要集中在利用经典Pawlak 粗糙集理论进行特征归约。虽然这些工作同样缺乏对fMRI 数据的全面分析和有效利用，但是却有如下独特的优势：经过多年的发展，粗糙集已经有了适应不同数据环境的扩展模型，可根据fMRI 数据的不同特点研究相应的特征归约方法，因此有望成为一种高效的脑功能连接特征归约方法。为此，本项目以粗糙集为技术主线，完成了如下研究工作：首先分别针对fMRI脑功能连接数据的特点，提出了多种基于邻域粗糙集、邻域决策粗糙集、粗糙集半监督的特征归约方法，为fMRI脑功能连接特征归约提供了新的有效手段；其次，提出了多种多目标、多模态多目标的进化搜索方法，以提高粗糙集特征子集搜索的有效性；最后，在对粗糙集特征归约进行研究的基础上，拓展研究并提出了多种fMRI脑功能连接分类方法，以验证上述粗糙集特征归约方法的有效性。很多研究已经表明脑疾病与异常脑功能连接有关，而本项目为发现重要的脑功能连接提供了有效手段，因此本项目工作有望为揭示神经精神疾病的脑功能连接模式，发现其诊断和治疗评估的客观脑影像标记提供新途径，具有重要的理论意义和应用价值。