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

©PaperWeekly 原创 · 作者｜张玮玮

学校｜东北大学硕士生

研究方向｜情绪识别

引言

论文动机 

生理学研究表明精神分裂症（Schizophrenia, SZ）与大脑感觉和额叶区功能障碍有关。患者脑电图（EEG）微观状态呈现前端-中心分布缩短，与记忆障碍相关的 theta 和 gamma 频段脑电图振荡异常。

单个大脑区域功能的中断并不能完全解释 SZ 中观察到的损伤范围。SZ 被认为是一种连接障碍，其特征是在微观和宏观层面上的大脑结构和功能连接网络异常。此外，大多数研究中提出的架构侧重于单一领域的一种连接度量，如用于功能连接的Pearson相关系数，没有考虑大脑网络的连接方向性和拓扑组织。

针对以上两个问题，作者提出基于深度 CNNs 框架来对基于 EEG 的脑连接模式改变进行分类。 

论文工作 

论文设计了一种新颖的深度 CNN 架构，称为多域连接 CNN (multi-domain connectome CNN, MDC-CNN)，它可以融合时域、频域和脑连接网络的拓扑度量对 SZ 患者识别。

首次利用具有大脑区域间信息流动方向性的功能连接（Functional Connectivity, FC）特征，作为 CNN 中 SZ 自动分类的判别特征。利用脑电图中估计的各种定向连通性，以捕获 SZ 中被破坏的大脑网络组织。

作者使用 VAR、PDC、CN 特征和所有三个特征集的融合测量脑电图连接模式，对 SZ 和健康组（healthy control，HC）分类时的卓越性能验证了所提出的 MDC-CNN 有效性。

论文方法

定向脑网络连接特征

1. VAR coefficient

表示 n 通道 T 个时间点头皮脑电图数据。 的 VAR(L) 模型&#x