反社會人格障礙模式識別分析

陳金剛+唐艷

摘 要：目的：探討一種識別反社會人格障礙（antisocial personality disorder，ASPD）個體的方法。方法：找出ASPD個體與正常人的局部一致性（regional homogeneity，ReHo）存在差異的區域，提取個體在這些區域的值作為特征，采用多種模式識別方法（線性判別分析、C均值聚類和支持向量機）實現對ASPD個體的識別。結果：采用非線性核的支持向量機方法可以最好的（精確度：87.88%）區分ASPD個體和對照。結論：針對ReHo的模式識別方法可以有效的識別ASPD個體。

關鍵詞：反社會人格障礙；局部一致性；模式識別

反社會人格障礙（antisocial personality disorder，ASPD）是人格障礙的一種類型，有這種障礙個體的突出點是行為具有悖離社會規范的傾向，易對社會經濟造成巨大破壞[1]。現有研究表明局部一致性（regional homogeneity，ReHo）能夠反映疾病中人腦自發活動的異常，有助于我們發現其潛在的精神病理機制[2]。因此，我們采用個體在感興趣區域的ReHo均值作為特征分量，構建多種分類器，最后找到一種可以有效區分ASPD和正常人的方法。

1 方法

1.1 預處理

預處理步驟主要包括：去除前5張圖像以排除干擾，層間時間校正，頭動校正（僅保留頭動平移小于1mm和轉動小于一度的數據），空間標準化，去線性漂移和帶通濾波（0.01～0.08Hz）。

1.2 ReHo的計算

ReHo是一個體素與周圍體素在時間序列上的相似性的度量，相似性強的體素可以被認為在進行相同的活動。采用肯德爾和諧系數（KCC）來描述體素間在整個時間段的相似程度[3]，KCC的計算方法如下：

W為KCC值；Ri是體素i時間序列秩和；R表示所選時間序列上Ri的平均值；n是時間點數；K是所選最鄰域體素數，根據最鄰域的選擇標準，一般K有7、15和27三種選擇，本研究中采用的是27。

得到受試ReHo圖像后，將每一體素ReHo值除以全腦ReHo均值以進行標準化，再采用FWMH為4mm的高斯濾波器進行平滑以除去干擾。

1.3 特征選擇

得到所有受試處理好的ReHo圖像后，按照受試病理情況分成兩組，進行雙樣本T檢驗，找出符合統計學顯著性標準的組間差異的大腦區域，將其作為感興趣區域（region of interest，ROI）。每個感興趣區域選取的原則如下：以符合統計學顯著性意義的ReHo值組間差異最明顯的體素為中心，6mm為半徑，構成一個球型ROI。

1.4 分類器性能的評估

論文采用三種模式識別分析方法（線性判別分析[4]、C均值聚類[5]、支持向量機[6]）分別作了識別分析。識別過程中，由于樣本數目有限，我們采用留一法交叉驗證（leave-one-out cross-validation，LOOCV）來估計分類器的分類能力。在LOOCV中，分類器的性能可以由三個參數表示：GR、SC和SC，分別表示樣本被正確預測的總比例、病人被正確預測的比例和對照組被正確預測的比例。通過這三個參數的比較，即可得出分類器的優劣。

2 結果

采用不同分類算法的分類性能如圖1所示。不同算法中的最優參數，采用了重復交叉驗證計算。

圖1分類結果。橫軸表示樣本的編號，縱軸表示樣本在分類計算中的得分，其中+1的標簽代表ASPD個體，-1的標簽代表健康對照，因此前32個樣本中，得分大于0的表示ASPD個體被正確分類，后34個樣本中，得分小于0的表示健康對照個體被正確分類。（A）采用LDA算法分類的結果； （B）采用C均值分類算法的結果；（C）采用SVM算法的結果，軟間隔參數C=2.5。

可以看出，使用SVM方法得到最優結果（ASPD：81.25%； 對照組：94.12%），即87.88%的精確度。

3 討論

三種模式識別方法的分類率都達到了83%以上，從而說明，ReHo可以成為有效的識別ASPD人群特征向量。在LDA和C-mean方法中，ASPD的識別率很高，最大達到90%，但是同時對正常人的識別率較低，也就說對正常人的誤判較高。而采用非線性核的SVM，可以得到最好的結果，同時獲得較好的ASPD和正常人的識別率。因此，研究認為采用非線性核SVM方法可以很有效的識別ASPD個體。

參考文獻

[1]V LLM B，RICHARDSON P，MCKIE S，et al. Neuronal correlates and serotonergic modulation of behavioural inhibition and reward in healthy and antisocial individuals [J]. Journal of psychiatric research，2010，44（3）： 123-31.

[2]LIU Z，XU C，XU Y，et al. Decreased regional homogeneity in insula and cerebellum： a resting-state fMRI study in patients with major depression and subjects at high risk for major depression [J]. Psychiatry Research： Neuroimaging，2010，182（3）： 211-5.

[3]NI L，QI R，ZHANG L J，et al. Altered regional homogeneity in the development of minimal hepatic encephalopathy： a resting-state functional MRI study [J]. PloS one，2012，7（7）： e42016.

[4]吳曉婷，閆德勤. 數據降維方法分析與研究 [J]. 計算機應用研究，2009，26（8）： 2832-5

[5]BEN-HUR A，ONG C S，SONNENBURG S，et al. Support vector machines and kernels for computational biology [J]. PLoS computational biology，2008，4（10）： e1000173.

[6]DU K-L. Clustering： A neural network approach [J]. Neural Networks，2010，23（1）： 89-107.endprint

摘 要：目的：探討一種識別反社會人格障礙（antisocial personality disorder，ASPD）個體的方法。方法：找出ASPD個體與正常人的局部一致性（regional homogeneity，ReHo）存在差異的區域，提取個體在這些區域的值作為特征，采用多種模式識別方法（線性判別分析、C均值聚類和支持向量機）實現對ASPD個體的識別。結果：采用非線性核的支持向量機方法可以最好的（精確度：87.88%）區分ASPD個體和對照。結論：針對ReHo的模式識別方法可以有效的識別ASPD個體。

關鍵詞：反社會人格障礙；局部一致性；模式識別

反社會人格障礙（antisocial personality disorder，ASPD）是人格障礙的一種類型，有這種障礙個體的突出點是行為具有悖離社會規范的傾向，易對社會經濟造成巨大破壞[1]。現有研究表明局部一致性（regional homogeneity，ReHo）能夠反映疾病中人腦自發活動的異常，有助于我們發現其潛在的精神病理機制[2]。因此，我們采用個體在感興趣區域的ReHo均值作為特征分量，構建多種分類器，最后找到一種可以有效區分ASPD和正常人的方法。

1 方法

1.1 預處理

預處理步驟主要包括：去除前5張圖像以排除干擾，層間時間校正，頭動校正（僅保留頭動平移小于1mm和轉動小于一度的數據），空間標準化，去線性漂移和帶通濾波（0.01～0.08Hz）。

1.2 ReHo的計算

ReHo是一個體素與周圍體素在時間序列上的相似性的度量，相似性強的體素可以被認為在進行相同的活動。采用肯德爾和諧系數（KCC）來描述體素間在整個時間段的相似程度[3]，KCC的計算方法如下：

W為KCC值；Ri是體素i時間序列秩和；R表示所選時間序列上Ri的平均值；n是時間點數；K是所選最鄰域體素數，根據最鄰域的選擇標準，一般K有7、15和27三種選擇，本研究中采用的是27。

得到受試ReHo圖像后，將每一體素ReHo值除以全腦ReHo均值以進行標準化，再采用FWMH為4mm的高斯濾波器進行平滑以除去干擾。

1.3 特征選擇

得到所有受試處理好的ReHo圖像后，按照受試病理情況分成兩組，進行雙樣本T檢驗，找出符合統計學顯著性標準的組間差異的大腦區域，將其作為感興趣區域（region of interest，ROI）。每個感興趣區域選取的原則如下：以符合統計學顯著性意義的ReHo值組間差異最明顯的體素為中心，6mm為半徑，構成一個球型ROI。

1.4 分類器性能的評估

論文采用三種模式識別分析方法（線性判別分析[4]、C均值聚類[5]、支持向量機[6]）分別作了識別分析。識別過程中，由于樣本數目有限，我們采用留一法交叉驗證（leave-one-out cross-validation，LOOCV）來估計分類器的分類能力。在LOOCV中，分類器的性能可以由三個參數表示：GR、SC和SC，分別表示樣本被正確預測的總比例、病人被正確預測的比例和對照組被正確預測的比例。通過這三個參數的比較，即可得出分類器的優劣。

2 結果

采用不同分類算法的分類性能如圖1所示。不同算法中的最優參數，采用了重復交叉驗證計算。

圖1分類結果。橫軸表示樣本的編號，縱軸表示樣本在分類計算中的得分，其中+1的標簽代表ASPD個體，-1的標簽代表健康對照，因此前32個樣本中，得分大于0的表示ASPD個體被正確分類，后34個樣本中，得分小于0的表示健康對照個體被正確分類。（A）采用LDA算法分類的結果； （B）采用C均值分類算法的結果；（C）采用SVM算法的結果，軟間隔參數C=2.5。

可以看出，使用SVM方法得到最優結果（ASPD：81.25%； 對照組：94.12%），即87.88%的精確度。

3 討論

三種模式識別方法的分類率都達到了83%以上，從而說明，ReHo可以成為有效的識別ASPD人群特征向量。在LDA和C-mean方法中，ASPD的識別率很高，最大達到90%，但是同時對正常人的識別率較低，也就說對正常人的誤判較高。而采用非線性核的SVM，可以得到最好的結果，同時獲得較好的ASPD和正常人的識別率。因此，研究認為采用非線性核SVM方法可以很有效的識別ASPD個體。

參考文獻

[1]V LLM B，RICHARDSON P，MCKIE S，et al. Neuronal correlates and serotonergic modulation of behavioural inhibition and reward in healthy and antisocial individuals [J]. Journal of psychiatric research，2010，44（3）： 123-31.

[2]LIU Z，XU C，XU Y，et al. Decreased regional homogeneity in insula and cerebellum： a resting-state fMRI study in patients with major depression and subjects at high risk for major depression [J]. Psychiatry Research： Neuroimaging，2010，182（3）： 211-5.

[3]NI L，QI R，ZHANG L J，et al. Altered regional homogeneity in the development of minimal hepatic encephalopathy： a resting-state functional MRI study [J]. PloS one，2012，7（7）： e42016.

[4]吳曉婷，閆德勤. 數據降維方法分析與研究 [J]. 計算機應用研究，2009，26（8）： 2832-5

[5]BEN-HUR A，ONG C S，SONNENBURG S，et al. Support vector machines and kernels for computational biology [J]. PLoS computational biology，2008，4（10）： e1000173.

[6]DU K-L. Clustering： A neural network approach [J]. Neural Networks，2010，23（1）： 89-107.endprint

摘 要：目的：探討一種識別反社會人格障礙（antisocial personality disorder，ASPD）個體的方法。方法：找出ASPD個體與正常人的局部一致性（regional homogeneity，ReHo）存在差異的區域，提取個體在這些區域的值作為特征，采用多種模式識別方法（線性判別分析、C均值聚類和支持向量機）實現對ASPD個體的識別。結果：采用非線性核的支持向量機方法可以最好的（精確度：87.88%）區分ASPD個體和對照。結論：針對ReHo的模式識別方法可以有效的識別ASPD個體。

關鍵詞：反社會人格障礙；局部一致性；模式識別

反社會人格障礙（antisocial personality disorder，ASPD）是人格障礙的一種類型，有這種障礙個體的突出點是行為具有悖離社會規范的傾向，易對社會經濟造成巨大破壞[1]。現有研究表明局部一致性（regional homogeneity，ReHo）能夠反映疾病中人腦自發活動的異常，有助于我們發現其潛在的精神病理機制[2]。因此，我們采用個體在感興趣區域的ReHo均值作為特征分量，構建多種分類器，最后找到一種可以有效區分ASPD和正常人的方法。

1 方法

1.1 預處理

預處理步驟主要包括：去除前5張圖像以排除干擾，層間時間校正，頭動校正（僅保留頭動平移小于1mm和轉動小于一度的數據），空間標準化，去線性漂移和帶通濾波（0.01～0.08Hz）。

1.2 ReHo的計算

ReHo是一個體素與周圍體素在時間序列上的相似性的度量，相似性強的體素可以被認為在進行相同的活動。采用肯德爾和諧系數（KCC）來描述體素間在整個時間段的相似程度[3]，KCC的計算方法如下：

W為KCC值；Ri是體素i時間序列秩和；R表示所選時間序列上Ri的平均值；n是時間點數；K是所選最鄰域體素數，根據最鄰域的選擇標準，一般K有7、15和27三種選擇，本研究中采用的是27。

得到受試ReHo圖像后，將每一體素ReHo值除以全腦ReHo均值以進行標準化，再采用FWMH為4mm的高斯濾波器進行平滑以除去干擾。

1.3 特征選擇

得到所有受試處理好的ReHo圖像后，按照受試病理情況分成兩組，進行雙樣本T檢驗，找出符合統計學顯著性標準的組間差異的大腦區域，將其作為感興趣區域（region of interest，ROI）。每個感興趣區域選取的原則如下：以符合統計學顯著性意義的ReHo值組間差異最明顯的體素為中心，6mm為半徑，構成一個球型ROI。

1.4 分類器性能的評估

論文采用三種模式識別分析方法（線性判別分析[4]、C均值聚類[5]、支持向量機[6]）分別作了識別分析。識別過程中，由于樣本數目有限，我們采用留一法交叉驗證（leave-one-out cross-validation，LOOCV）來估計分類器的分類能力。在LOOCV中，分類器的性能可以由三個參數表示：GR、SC和SC，分別表示樣本被正確預測的總比例、病人被正確預測的比例和對照組被正確預測的比例。通過這三個參數的比較，即可得出分類器的優劣。

2 結果

采用不同分類算法的分類性能如圖1所示。不同算法中的最優參數，采用了重復交叉驗證計算。

圖1分類結果。橫軸表示樣本的編號，縱軸表示樣本在分類計算中的得分，其中+1的標簽代表ASPD個體，-1的標簽代表健康對照，因此前32個樣本中，得分大于0的表示ASPD個體被正確分類，后34個樣本中，得分小于0的表示健康對照個體被正確分類。（A）采用LDA算法分類的結果； （B）采用C均值分類算法的結果；（C）采用SVM算法的結果，軟間隔參數C=2.5。

可以看出，使用SVM方法得到最優結果（ASPD：81.25%； 對照組：94.12%），即87.88%的精確度。

3 討論

三種模式識別方法的分類率都達到了83%以上，從而說明，ReHo可以成為有效的識別ASPD人群特征向量。在LDA和C-mean方法中，ASPD的識別率很高，最大達到90%，但是同時對正常人的識別率較低，也就說對正常人的誤判較高。而采用非線性核的SVM，可以得到最好的結果，同時獲得較好的ASPD和正常人的識別率。因此，研究認為采用非線性核SVM方法可以很有效的識別ASPD個體。

參考文獻

[1]V LLM B，RICHARDSON P，MCKIE S，et al. Neuronal correlates and serotonergic modulation of behavioural inhibition and reward in healthy and antisocial individuals [J]. Journal of psychiatric research，2010，44（3）： 123-31.

[2]LIU Z，XU C，XU Y，et al. Decreased regional homogeneity in insula and cerebellum： a resting-state fMRI study in patients with major depression and subjects at high risk for major depression [J]. Psychiatry Research： Neuroimaging，2010，182（3）： 211-5.

[3]NI L，QI R，ZHANG L J，et al. Altered regional homogeneity in the development of minimal hepatic encephalopathy： a resting-state functional MRI study [J]. PloS one，2012，7（7）： e42016.

[4]吳曉婷，閆德勤. 數據降維方法分析與研究 [J]. 計算機應用研究，2009，26（8）： 2832-5

[5]BEN-HUR A，ONG C S，SONNENBURG S，et al. Support vector machines and kernels for computational biology [J]. PLoS computational biology，2008，4（10）： e1000173.

[6]DU K-L. Clustering： A neural network approach [J]. Neural Networks，2010，23（1）： 89-107.endprint