HBM︱时空图卷积神经网络利用大脑功能性连接进行阿兹海默症的诊断

Original 单小彩等逻辑神经科学 2023-03-10

收录于合集

撰文︱单小彩，曹骏，赵一帆

责编︱王思珍

编辑︱杨彬伟

阿尔茨海默病（Alzheimer's disease ，AD）是最常见的一种痴呆症，可导致记忆丧失和认知障碍。根据世界卫生组织的数据，目前有超过5500万人被诊断出患有某种类型的痴呆症[1, 2]。全球老龄化的加剧，对更有效、更准确的AD诊断技术提出了更高的要求。脑电图（EEG）是一种用于研究大脑的生物电功能改变和退化的诊断方法，可直接访问神经元信号，具有几个独特优势：无创性、高时间分辨率、广泛的可用性和低成本[3,4]。人脑的功能性连接（functional connectivity，FC）可表征皮层区域之间信息流的统计相关性，对研究内在大脑网络及其功能机制具有重要意义。因为通道在空间域中是离散和不连续的，EEG的结构决定了功能性连接网络是非欧几里得数据，每个EEG通道可视为一个节点，节点之间存在跨通道交互。相比于传统卷积神经网络，基于几何图的深度学习方法更合适用于学习EEG的跨通道拓扑相关特征。图卷积神经网络（graph convolutional neural network，GCN）通过挖掘图域中特定节点的顺序特征和跨节点拓扑关联特征，可以有效处理高度复杂的具有时空交互关系的图数据。虽然GCN开始吸引大量的学术关注，但是目前基于 GCN相关模型并利用FC特征的AD诊断方法还处于行业空白。

2022年6月25日，英国克兰菲尔德大学的赵一帆团队在Human Brain Mapping上发表了题为“Spatial-Temporal Graph Convolutional Network for Alzheimer Classification based on Brain Functional Connectivity Imaging of EEG”的文章，引入了一种新型时空GCN（spatial-temporal graph convolutional neural network，ST-GCN）算法对健康人和AD患者进行分类。与现有的单独基于脑功能拓扑特征或脑电图时序特征的研究不同，所提出的ST-GCN可同时挖掘脑电图通道间的功能性连接拓扑特征和脑电图特定通道的动态特征。与传统的卷积神经网络不同，所提出的ST-GCN充分利用了表征功能连通性的邻接矩阵信息。在临床EEG数据集（AD 患者和健康对照组）上的测试结果表明，所提出的方法比最先进的方法实现了更好的分类性能（92.3%）。

EEG信号携带的空间拓扑交互信息在AD/对照组（HC）分类中起着重要作用[5-8]。如图1所示，ST-GCN模型的输入为：每个数据段表示空间拓扑相关性的邻接矩阵W∈ R^ⁿ^×^ⁿ以及通道信号X∈ R^ⁿ^×^M。具体来说，每个通道的原始EEG信号和通道之间的关联由图（Graph）建模。图中的节点表示EEG信号的特征向量，即原始的EEG数据。邻接矩阵的第Wi, j个条目表示第i个和第j个通道之间的空间耦合强度，W表示所有通道都以不同的权重相互连接。在一些基于GCN的脑疾病研究中[9-13]，EEG的通道缺乏有效的先验引导，邻接矩阵不能有效利用各通道之间耦合信息。为解决这些问题，我们首先应用已被证明在AD分类中有用的功能连接来构建自适应邻接矩阵以提取空间耦合特征。邻接矩阵是通过皮尔逊相关分析（Pearson Correlation，PC）和其它五种FC方法构建的，没有任何预设阈值，以避免人工选择带来的潜在风险。五种FC方法包括时域中的锁相值（Phase Locking Value，PLV）和相位滞后指数（Phase Lag Index，PLI）、频域中的幅值平方相干性（Magnitude Squared Coherence，MSC）和相干虚部（Imaginary Part of Coherence，IPC）以及时频域的小波相干性（Wavelet Coherence，WC）。

如图1a所示，所提出的ST-GCN架构由两个时空卷积块（ST-Conv Blocks）组成，每个ST-Conv块由一个空间图卷积层（Spatial Graph-Conv）和两个顺序卷积层（Temporal 1D-Conv）组成。ST-Conv块可以根据具体情况的复杂程度进行堆叠。在每个ST-Conv块中都使用层归一化来防止过度拟合。具有邻接矩阵W的EEG通道X由ST-Conv Blocks统一处理，以连贯地探索空间和时间依赖性。特征拉平层（flattened features）集成了综合特征以生成最终的AD/HC分类。为了比较，作者设计了图1b所示的经典时间卷积神经网络（T-CNN）结构，其灵感来自一些相关工作[14-16]。这两种模型结构的区别在于T-CNN在输入端只有EEG通道X，没有邻接矩阵W，而且T-CNN中间的特征层没有使用空间图卷积单元。T-CNN的其他方面与ST-GCN相同。

图1（a）提出的 ST-GCN 框架和（b）用于比较的 T-CNN 框架的流程图。

（图源：Shan et al., Hum Brain Mapp, 2022）

为了比较ST-GCN和T-CNN模型的性能，使用提取的6种FC邻接矩阵，在睁眼和闭眼状态的六个频段上独立训练模型，对AD和HC进行分类结果比较。表1和表2分别显示了ST-GCN和T-CNN模型的相应测试精度。对于这两类模型，闭眼状态下所有频段和邻接矩阵计算方法的分类精度均高于对应的睁眼状态。对于不同频段，当以1-48 Hz全频段信号和对应的邻接矩阵作为输入时，ST-GCN的平均分类准确率约为91.1 %（均高于所有子带数据），而T-CNN的平均分类准确率约为88.0 %。对于ST-GCN在分频段数据上的效果，Beta波段数据的平均分类准确率最高（闭眼约82.3 %，睁眼约77.7 %），Delta波段数据的平均分类准确率最低（闭眼约73.1 %，睁眼约71.0 %）。对于T-CCN在分频段数据上的效果，Alpha波段数据的平均分类准确率最高（睁眼和闭眼约为 76.8 %），Delta波段数据的平均分类准确率最低（闭眼和睁眼约为68.6 %）。总体而言，ST-GCN在睁眼闭眼状态和几乎所有子带数据上都优于T-CNN，这表明空间拓扑约束确实可以挖掘EEG特征，从而提高分类精度。

表1 使用不同邻接矩阵的ST-GCN 在6个波段内的闭眼和睁眼状态中的HC和AD分类精度。