基于深度學(xué)習(xí)的fMRI個(gè)體流體智力預(yù)測方法

溫 昕，董 立，楊 潔，李鶴純，相 潔，郭 浩，陳俊杰

(1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原 030024；2.電子科技大學(xué) 生命科學(xué)與技術(shù)學(xué)院，成都 611731)

功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)技術(shù)的廣泛應(yīng)用使我們能夠建立大腦功能連接模式與疾病、行為之間的關(guān)系[1-2]。其中，基于fMRI的功能連接(functional connectivity)分析廣泛用于揭示不同人群之間的腦功能差異(如疾病和老化)[3-5]。在這些研究中，功能連接的個(gè)體差異通常被認(rèn)為是噪聲，很少用于探索大腦的功能變化。然而，最新研究表明，功能連接的個(gè)體差異包含了豐富的腦活動(dòng)信息，反映大腦功能連接模式的變化[6-7]。這表明，描述、理解和預(yù)測健康人群或患病人群腦功能變化與個(gè)體行為評(píng)分之間的關(guān)系成為可能，也為今后的老化進(jìn)程預(yù)測與相關(guān)疾病診治提供了潛在的幫助。進(jìn)一步，相比于傳統(tǒng)的靜息態(tài)fMRI研究，自然情景范式刺激(如觀看電影狀態(tài))的fMRI數(shù)據(jù)為研究大腦如何對(duì)復(fù)雜的日常事物做出準(zhǔn)確反應(yīng)提供了新的視角[8]。與靜息態(tài)不同，這種持續(xù)性的自然情景刺激顯示了大腦皮質(zhì)區(qū)域之間的耦合變化和功能連接波動(dòng)增加[9]。研究表明，在看電影期間，大腦活動(dòng)的同步性存在顯著的個(gè)體差異[10]，這種個(gè)體差異更有利于預(yù)測模型的構(gòu)建，以幫助我們深入理解大腦功能連接模式與行為之間的關(guān)聯(lián)，揭示腦功能機(jī)制。

連接組學(xué)預(yù)測模型(connectome predictive model，CPM)是一種利用全腦功能連接模型預(yù)測個(gè)體功能和行為的模型。具體來說，CPM使用全腦功能連接數(shù)據(jù)作為輸入，然后選擇一些相關(guān)連接作為特征來預(yù)測個(gè)體特定的行為評(píng)分或真實(shí)年齡[1]。通常，個(gè)體行為評(píng)分與CPM預(yù)測得分之間的皮爾遜相關(guān)一般在0.2到0.5之間[11]。例如，F(xiàn)INN等研究靜息態(tài)功能連接以預(yù)測流體智力時(shí)，預(yù)測值和實(shí)際值之間的皮爾遜相關(guān)系數(shù)為0.5[6].GREENE et al[7]發(fā)現(xiàn)，工作記憶任務(wù)中利用特征提取后的功能連接預(yù)測的流體智力和真實(shí)數(shù)值之間的皮爾遜相關(guān)在HCP和PNC數(shù)據(jù)集中分別為0.325和0.351，而相應(yīng)的靜息態(tài)結(jié)果分別為0.172和0.196.然而，CPM仍然存在一些缺陷，如：過度依賴特征選擇，行為數(shù)據(jù)不服從高斯分布、功能連接與行為評(píng)分無顯著相關(guān)從而導(dǎo)致特征選擇失?。徊煌?xùn)練集中功能連接的低重疊導(dǎo)致模型訓(xùn)練失敗[11]以及不同的感興趣區(qū)域regions of interest，ROI)和基于體素的功能連接導(dǎo)致預(yù)測結(jié)果的波動(dòng)[1]。因此，需要從提高提取復(fù)雜特征能力和自動(dòng)特征學(xué)習(xí)兩個(gè)方面對(duì)預(yù)測模型進(jìn)行改進(jìn)。

近些年，深度學(xué)習(xí)在fMRI研究中取得了很好的發(fā)展，其自動(dòng)特征學(xué)習(xí)、優(yōu)于傳統(tǒng)方法的分類預(yù)測性能使得真實(shí)年齡預(yù)測[5]、疾病分類[12]、深度挖掘腦功能信息[13]取得了進(jìn)一步的發(fā)展。因此，本研究基于深度學(xué)習(xí)提出集成深度學(xué)習(xí)模型，利用個(gè)體局部功能連接來預(yù)測流體智力：即通過空間自編碼機(jī)深度挖掘大腦局部功能連接模式并將集成學(xué)習(xí)與深層神經(jīng)網(wǎng)絡(luò)結(jié)合起來對(duì)個(gè)體的流體智力評(píng)分進(jìn)行預(yù)測。此外，本研究還對(duì)特征可解釋性進(jìn)行了探索。

1 實(shí)驗(yàn)數(shù)據(jù)與方法

1.1 數(shù)據(jù)預(yù)處理與局部功能連接計(jì)算

本研究采用了劍橋老化與神經(jīng)科學(xué)中心(the Cambridge Center for Ageing and Neuroscience，Cam-CAN)的公開數(shù)據(jù)集[14]。被試信息如表1所示。其中包含523名18～88歲健康被試(男性319名，女性328名)。被試男女比例保持平等，每10歲約有100名被試，且采集了所有被試在看電影過程中的fMRI數(shù)據(jù)。經(jīng)過數(shù)據(jù)質(zhì)量控制，在實(shí)際分析中共采用509例被試。數(shù)據(jù)采集程序均遵循赫爾辛基宣言，并已獲得英國當(dāng)?shù)貍惱砦瘑T會(huì)劍橋郡2號(hào)研究倫理委員會(huì)的批準(zhǔn)。被試在掃描儀外執(zhí)行一組認(rèn)知任務(wù)(有關(guān)完整描述，具體實(shí)驗(yàn)信息請(qǐng)參閱[14])。在這項(xiàng)研究中，Cattell評(píng)分作為流體智力行為指征。

每例被試在fMRI數(shù)據(jù)記錄過程中，將觀看一部名為“Bang!You’re Dead”的黑白電影，影片被從30 min縮短到8 min，并覆蓋關(guān)鍵情節(jié)。在實(shí)驗(yàn)前，確保被試不知道影片內(nèi)容，也從未看過影片。結(jié)構(gòu)磁共振像用MPRAGE序列采集T1加權(quán)解剖圖像，參數(shù)為：tR/tE=2 250 ms/2.99 ms；翻轉(zhuǎn)角度=9°；FOV=256×240×192 mm3；體素大小=1×1×1 mm3.功能磁共振數(shù)據(jù)通過多次回波和T2加權(quán)回波平面成像(EPI)序列獲得193個(gè)大腦圖像。每個(gè)大腦圖像包含32個(gè)軸向切片，每個(gè)厚度為3.7 mm，間隙為20%，tR=2 470 ms，五個(gè)回波(tE=9.4 ms，21.2 ms，33 ms，45 ms，57 ms)，翻轉(zhuǎn)角度=78°，F(xiàn)OV=192×192 mm2，體素大小為3×3×4.44 mm3。掃描時(shí)間為8 min 13 s，與電影時(shí)長相同。

圖像數(shù)據(jù)使用神經(jīng)科學(xué)信息工具(NIT)[15]進(jìn)行預(yù)處理，主要包括去除前5幅圖像、頭動(dòng)校正、時(shí)間校正、空間標(biāo)準(zhǔn)化(功能像首先配準(zhǔn)至個(gè)體結(jié)構(gòu)像，然后利用TPM(tissue probability map)模板標(biāo)準(zhǔn)化到MNI(montreal neurological institute)空間，體素大小為3×3×3 mm3)等。剔除頭動(dòng)較大(平移大于2.5 mm，旋轉(zhuǎn)大于2.5°，平均幀位移大于0.5)和結(jié)構(gòu)圖像缺失的被試數(shù)據(jù)。最后，使用NIT工具包計(jì)算了兩種局部功能指標(biāo)：局部功能連接密度(local functional connectivity density，lFCD)[16]和四維時(shí)空一致性功能連接(Four-dimensional (spatio-temporal) Consistency of local neural Activities，F(xiàn)OCA)[17]來評(píng)估觀看電影時(shí)的局部大腦功能活動(dòng)。

1.2 集成深度預(yù)測模型

本文提出一種結(jié)合深度學(xué)習(xí)與集成學(xué)習(xí)的預(yù)測模型，重點(diǎn)在于空間自編碼機(jī)與集成學(xué)習(xí)。與常規(guī)自編碼機(jī)不同，空間自編碼機(jī)將人群中大腦一個(gè)體素上的lFCD或FOCA值作為一個(gè)樣本，并將體素的數(shù)量作為樣本的數(shù)量(約70 000).這樣，一方面使得進(jìn)入空間自編碼機(jī)的樣本量盡可能地大，另一方面空間自編碼機(jī)的隱藏層的輸出值為全腦上的lFCD或FOCA空間圖，具有可解釋性。在預(yù)測流程中，受限于樣本數(shù)量，為了盡可能地避免過擬合以及提高預(yù)測效果，本文采用了深層神經(jīng)網(wǎng)絡(luò)結(jié)合集成學(xué)習(xí)來預(yù)測流體智力。

模型的具體流程如圖1所示。

圖1 預(yù)測模型流程圖Fig.1 Pipeline of prediction model

圖中A部分使用空間自編碼機(jī)對(duì)lFCD和FOCA進(jìn)行降維形成特征池：將人群中大腦的每個(gè)體素上的值作為樣本，并將體素的數(shù)量作為樣本的數(shù)量。通過限制適當(dāng)?shù)碾[藏層節(jié)點(diǎn)數(shù)(遠(yuǎn)小于輸入維數(shù))，實(shí)現(xiàn)了全腦體素降維的目的。在訓(xùn)練過程中，基本原則是使輸入輸出層之間的殘差最小。令X=[x1,x2,x3,…,xd]表示lFCD或FOCA一個(gè)體素的值；y=[y1,y2,y3,…,yp]表示對(duì)應(yīng)降維后的lFCD或FOCA空間圖；z=[z1,z2,z3,…,zd]表示對(duì)應(yīng)的重構(gòu)數(shù)據(jù)?？臻g自編碼機(jī)的輸入維度與輸出維度用d表示，與大腦中體素個(gè)數(shù)相同；隱層節(jié)點(diǎn)個(gè)數(shù)為p(p

(1)

在公式(1)中，x(i)是第i個(gè)體素上的值，z(i)是對(duì)應(yīng)的重構(gòu)數(shù)據(jù)?？臻g自編碼機(jī)的代價(jià)函數(shù)如下：

(2)

在公式(2)中，n為全腦體素大小；第一項(xiàng)為人群中體素上的值與重建數(shù)據(jù)之間的均方誤差；第二項(xiàng)為L2范數(shù)正則化項(xiàng)(λ1=10-6)，它可以通過防止過擬合來提高空間自編碼機(jī)的泛化能力。

圖中B部分將兩個(gè)空間自編碼機(jī)的權(quán)值組成特征池，用于預(yù)測模型的訓(xùn)練和驗(yàn)證：按照集成學(xué)習(xí)的思想，特征池與標(biāo)簽按4:1的比例隨機(jī)分為訓(xùn)練集和測試集。通過五折交叉驗(yàn)證將訓(xùn)練集分成5個(gè)部分。利用各折互不重復(fù)的數(shù)據(jù)訓(xùn)練相互獨(dú)立的深層神經(jīng)網(wǎng)絡(luò)(DNN)。DNN網(wǎng)絡(luò)分為4層：第一層為數(shù)據(jù)輸入層，即lFCD和FOCA空間自動(dòng)編碼器中輸入層和隱藏層的權(quán)重。混合特征的維數(shù)為150，包括70個(gè)lFCD特征和80個(gè)FOCA特征。第二層和第三層是DNN的隱藏層，第二層有100個(gè)節(jié)點(diǎn)，第三層有50個(gè)節(jié)點(diǎn)。在輸入層和第二層之間加入Dropout層，其參數(shù)被設(shè)置為0.3.第二層和第三層的非線性激活函數(shù)為ReLU函數(shù)。最后一層為線性激活層，預(yù)測流體智力評(píng)分。將這5個(gè)模型上最外層測試集的預(yù)測值的平均值作為最終預(yù)測值。B階段將重復(fù)100次，以測試結(jié)果的穩(wěn)定性。

圖中C部分將A步驟所獲得的空間自編碼機(jī)的兩個(gè)隱藏層的輸出值可視化，并解釋為lFCD和FOCA空間模式中用于預(yù)測的特征重要性。

圖中D部分對(duì)預(yù)測值和真實(shí)值進(jìn)行皮爾遜相關(guān)等統(tǒng)計(jì)值以評(píng)估預(yù)測效果。

2 結(jié)果

2.1 空間自編碼機(jī)的參數(shù)選擇

在本研究中，兩個(gè)獨(dú)立的空間自編碼機(jī)被用于lFCD和FOCA指標(biāo)的特征提取。在空間自編碼機(jī)中，需要初始化一些參數(shù)，包括損失函數(shù)的學(xué)習(xí)率、L2正則化的學(xué)習(xí)率、epoch、Batchsize和隱藏層節(jié)點(diǎn)數(shù)。本研究根據(jù)以往經(jīng)驗(yàn)，將兩個(gè)空間自編碼機(jī)的損失函數(shù)學(xué)習(xí)率設(shè)為0.000 5，將L2正則項(xiàng)的學(xué)習(xí)率設(shè)為10-5.在優(yōu)化其他參數(shù)之前，空間自編碼機(jī)的重構(gòu)誤差可以達(dá)到0.001以下。同時(shí)，經(jīng)過多次測試，lFCD及其重構(gòu)誤差在45個(gè)epoch時(shí)保持穩(wěn)定，而FOCA對(duì)應(yīng)的參數(shù)在40個(gè)epoch時(shí)自編碼機(jī)得到的重構(gòu)誤差保持穩(wěn)定。在本研究中，不同的Batchsize初始化對(duì)重建誤差影響不大，因此，兩個(gè)空間自動(dòng)編碼器的Batchsize設(shè)置為200。值得注意的是，影響重建誤差的最重要參數(shù)是隱藏層的節(jié)點(diǎn)數(shù)。經(jīng)過網(wǎng)格搜索，結(jié)果表明，對(duì)于lFCD，將隱藏層的節(jié)點(diǎn)數(shù)設(shè)置為70，可以獲得穩(wěn)定且最小的重建誤差8.8×10-5.對(duì)于FOCA，隱層節(jié)點(diǎn)數(shù)為80，最小重建誤差為1.7×10-3.隨著隱藏層節(jié)點(diǎn)數(shù)的增加，重建誤差波動(dòng)較小。

2.2 預(yù)測結(jié)果

在本研究中，圖1所示的流程用于預(yù)測個(gè)人的流體智力評(píng)分。以被試的預(yù)測值與實(shí)際值的平均絕對(duì)誤差(mean absolute error,MAE)和皮爾遜相關(guān)系數(shù)作為衡量預(yù)測結(jié)果的指標(biāo)。DNN預(yù)測模型是預(yù)測過程的核心。本文所使用的方法得到的流體智力預(yù)測值和實(shí)際值的MAE為4.1，標(biāo)準(zhǔn)差為3.2，皮爾遜相關(guān)值(R值)為0.55，P值為1.9×10-18.

圖2 預(yù)測的流體智力分?jǐn)?shù)與真實(shí)卡特爾分?jǐn)?shù)間的關(guān)系Fig.2 Relationship between predicted fluid intelligence score and real cartel score

此外，為了評(píng)估本研究提出模型的優(yōu)勢(shì)，本研究從降維方法、預(yù)測方法和流程設(shè)置這3個(gè)方面對(duì)預(yù)測模型進(jìn)行了比較。在降維方法上，比較了主成分分析法(principal components analysis，PCA)和獨(dú)立成分分析(independent component correlation algorithm，ICA).在預(yù)測方法方面，比較了兩種方法：一般線性模型(general linear model，GLM)和支持向量回歸(support vector regression，SVR)。在PCA與ICA降維方法中，本文采用MDL方法估計(jì)合適的降維維度(即成分個(gè)數(shù))，其中l(wèi)FCD為15，F(xiàn)OCA為20；在SVR方法中，其參數(shù)為Sklearn工具包中對(duì)應(yīng)模塊提供的默認(rèn)參數(shù)。在流程設(shè)置方面，選取五折交叉驗(yàn)證的平均結(jié)果來評(píng)價(jià)流體智力評(píng)分的預(yù)測。如表2所示，PCA+GLM預(yù)測平均絕對(duì)誤差為8.7±8.0，預(yù)測值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.19；ICA+GLM預(yù)測平均絕對(duì)誤差為5.4±4.1，預(yù)測值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.46；PCA+SVR預(yù)測平均絕對(duì)誤差為8.1±7.2，預(yù)測值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.24；ICA+SVR預(yù)測平均絕對(duì)誤差為4.3±3.4，預(yù)測值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.52；而本文提出的方法得到的平均絕對(duì)誤差為4.1±3.2，預(yù)測值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.55.此外，為了排除預(yù)測流體智力中年齡的影響，我們對(duì)數(shù)據(jù)進(jìn)行了年齡分段預(yù)測。具體如下：將數(shù)據(jù)分為三組，18～45歲為年輕組(207例)，45～65歲為中年組(163例)，65～88歲為老年組(139例)，然后使用論文中同樣的方法流程分別對(duì)三組數(shù)據(jù)進(jìn)行流體智力預(yù)測。年輕組中預(yù)測分?jǐn)?shù)與真實(shí)分?jǐn)?shù)的平均絕對(duì)誤差為4.21，標(biāo)準(zhǔn)差為3.39，皮爾遜相關(guān)為0.54；中年組中預(yù)測分?jǐn)?shù)與真實(shí)分?jǐn)?shù)的平均絕對(duì)誤差為4.18，標(biāo)準(zhǔn)差為3.38，皮爾遜相關(guān)為0.53；老年組中預(yù)測分?jǐn)?shù)與真實(shí)分?jǐn)?shù)的平均絕對(duì)誤差為4.24，標(biāo)準(zhǔn)差為3.37，皮爾遜相關(guān)為0.52.

表2 不同方法預(yù)測流體智力評(píng)分的對(duì)比Table 2 Comparation of different prediction methods

2.3 lFCD與FOCA的空間圖及其重要度

空間自編碼機(jī)經(jīng)過訓(xùn)練后，其編碼器的激活值為對(duì)應(yīng)指標(biāo)的大腦空間圖。經(jīng)過網(wǎng)格搜索調(diào)參，lFCD和FOCA空間自編碼機(jī)的重建誤差趨于穩(wěn)定和最小，得到了70個(gè)lFCD空間圖和80個(gè)FOCA空間圖?？臻g自編碼機(jī)隱藏層中每個(gè)節(jié)點(diǎn)的激活值對(duì)應(yīng)全腦體素在lFCD或FOCA指標(biāo)中的參與程度(重要性)。激活值越大，參與度和重要性越高。預(yù)測流程被重復(fù)執(zhí)行100次，而DNN輸入層與隱藏層之間的權(quán)值通過二值化可以得到lFCD/FOCA功能模式的參與程度。圖3和圖4為高選擇性(高于50%)lFCD/FOCA空間圖。圖3中從紅色到黑色表示對(duì)應(yīng)區(qū)域的重要性正在增加(激活值小于0.6的置為0)；圖4中從紅色到黑色表示對(duì)應(yīng)區(qū)域的重要性正在增加(激活值小于0.6的置為0).其重要區(qū)域?yàn)閷?duì)應(yīng)AAL模板中的：顳葉區(qū)域(Temporal_Sup_L/R、Temporal_Mid_L/R)、枕葉區(qū)域(Calcarine_L/R、Occipital_Mid_L/R Lingual_L/R)、額葉區(qū)域(Frontal_Mid_Orb_L/R、Frontal_Inf_Tri_R/L、Frontal_Mid_L/R、Frontal_Inf_Orb_L/R)、基底節(jié)網(wǎng)絡(luò)區(qū)域以及小腦區(qū)域。

圖3 兩種lFCD空間圖示例Fig.3 Two examples of lFCD spatial maps

圖4 兩種FOCA空間圖示例Fig.4 Two examples of FOCA spatial maps

2.4 空間自編碼機(jī)

在空間自編碼機(jī)訓(xùn)練時(shí)，以全腦體素?cái)?shù)量作為樣本擴(kuò)大了樣本總量，使自編碼機(jī)能夠更全面地檢測功能連接性模式。自編碼機(jī)是一種無監(jiān)督學(xué)習(xí)算法，可以有效地從數(shù)據(jù)中挖掘隱藏的低維表達(dá)，然后用于重建原始數(shù)據(jù)[18]。本研究中，網(wǎng)格搜索被用于設(shè)置和優(yōu)化自編碼機(jī)的學(xué)習(xí)速率、Batchsize、epoch、隱藏層節(jié)點(diǎn)數(shù)和其他參數(shù)。lFCD空間自編碼機(jī)的隱層節(jié)點(diǎn)數(shù)為70，可以獲得穩(wěn)定且最小的重建誤差8.8×10-5；FOCA空間自編碼機(jī)的隱層節(jié)點(diǎn)數(shù)為80，最小重建誤差為1.7×10-3.隨著隱藏層節(jié)點(diǎn)數(shù)的增加，重建誤差波動(dòng)較小。經(jīng)過網(wǎng)格搜索后，優(yōu)化的兩個(gè)空間自編碼機(jī)中隱藏層的輸出值分別對(duì)應(yīng)lFCD和FOCA在全腦體素上的空間模式圖，而對(duì)應(yīng)的輸入層到隱藏層之間的權(quán)值為用于預(yù)測的局部功能連接特征。此外，自編碼器提取到的特征是線性和非線性的結(jié)合，使得對(duì)功能連接的分析更加全面[19]。在這項(xiàng)工作中使用的空間自編碼機(jī)在最大化數(shù)據(jù)表達(dá)和眾多限制(例如，避免恒等轉(zhuǎn)換和冗余特征提取)之間存在折衷。

2.5 認(rèn)知功能相關(guān)的空間模式

在之前的研究中，研究者對(duì)深度學(xué)習(xí)模型學(xué)習(xí)到的特征在符合生物學(xué)原理的基礎(chǔ)上進(jìn)行了可視化與解釋：DNN輸入層與隱藏層之間的權(quán)值可解釋為具有層次抽象結(jié)構(gòu)的功能連接網(wǎng)絡(luò)[20]、動(dòng)態(tài)功能連接模式[21]、靜息態(tài)功能網(wǎng)絡(luò)[22]等。在本研究中，lFCD和FOCA的兩種空間自編碼機(jī)隱藏層的輸出值為與全腦體素維度大小相同的空間連接模式，分別反映了lFCD和FOCA的功能模式。而這種空間模式是冗余的，每一次訓(xùn)練可以得到150個(gè)空間圖，圖3、4分別展示了兩種功能指標(biāo)中出現(xiàn)次數(shù)最多的兩種空間圖。lFCD的空間圖展示的重點(diǎn)腦區(qū)為雙側(cè)顳葉、枕葉以及額葉區(qū)域，表明看電影狀態(tài)下大腦功能活動(dòng)對(duì)聲音、視覺刺激的反饋[8]以及高級(jí)認(rèn)知功能的激活[23]。FOCA的空間圖展示的重點(diǎn)腦區(qū)為頂葉、枕葉區(qū)域以及基底節(jié)網(wǎng)絡(luò)及其周邊的深部核團(tuán)區(qū)域，表明大腦在觀看電影時(shí)，視覺、高級(jí)認(rèn)知功能區(qū)域的激活[24]，而基底節(jié)網(wǎng)絡(luò)可能在此種復(fù)雜的自然刺激時(shí)起到了各個(gè)功能網(wǎng)絡(luò)間的協(xié)調(diào)作用[25]。這些特征的解釋與先前同類數(shù)據(jù)的研究結(jié)果一致[9,24]，表明了新方法能夠挖掘到重要的腦功能活動(dòng)內(nèi)在信息。

2.6 不足與展望

已有研究表明，年齡與流體智力呈反相關(guān)關(guān)系[11]。為了盡可能地排除年齡對(duì)流體智力預(yù)測的影響，我們采取了劃分年齡段，并針對(duì)各個(gè)年齡段進(jìn)行流體智力預(yù)測。結(jié)果未發(fā)現(xiàn)不同的年齡段對(duì)流體智力預(yù)測產(chǎn)生顯著影響。而已發(fā)表的類似研究也未對(duì)年齡對(duì)流體智力預(yù)測的影響展開討論。此外，本研究提出的方法還可以用于多模態(tài)信息融合分析，有望為癲癇等腦疾病的前期預(yù)測與防治提供重要的影像學(xué)依據(jù)。

3 結(jié)論

本文基于自編碼機(jī)及深層神經(jīng)網(wǎng)絡(luò)，利用局部功能連接指標(biāo)，建立了一種新的流體智力的預(yù)測模型方法。本文的主要貢獻(xiàn)為：

1) 在深層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上充分結(jié)合了集成學(xué)習(xí)，較之神經(jīng)影響領(lǐng)域最流行的、先進(jìn)的預(yù)測模型-連接組學(xué)預(yù)測模型(CPM)，本文提出的方法其預(yù)測誤差明顯降低。

2) 本文提出了空間自編碼機(jī)并對(duì)其得到的特征可視化與解釋方面進(jìn)行了探索，特征的可視化有效地反映了用于預(yù)測流體智力的大腦功能活動(dòng)空間模式，為我們深入理解年齡相關(guān)的大腦功能變化模式提供了重要的信息，具有較好的應(yīng)用前景。