基于度中心性的認(rèn)知特征選擇方法

張笑非，楊 陽(yáng)，黃佳進(jìn)，鐘 寧，5*

（1.北京工業(yè)大學(xué)信息學(xué)部，北京 100124；2.江蘇科技大學(xué)計(jì)算機(jī)學(xué)院，江蘇鎮(zhèn)江 212003；3.磁共振成像腦信息學(xué)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100124；4.北京林業(yè)大學(xué)人文社會(huì)科學(xué)學(xué)院，北京 100089；5.前橋工科大學(xué)生命科學(xué)與信息學(xué)系，群馬前橋371-0816，日本）

（*通信作者電子郵箱zhong@maebashi-it.ac.jp）

0 引言

人腦包含諸多功能特定的腦功能網(wǎng)絡(luò)（Functional Brain Network，F(xiàn)BN），每個(gè)功能網(wǎng)絡(luò)又由特定的興趣點(diǎn)（Region Of Interest，ROI）構(gòu)成。人腦在執(zhí)行需要注意力的認(rèn)知任務(wù)時(shí)，一些腦區(qū)的活躍度會(huì)增加，而另一些則會(huì)降低。功能核磁共振成像（functional Magnetic Resonance Imaging，fMRI）研究的一個(gè)熱點(diǎn)就是對(duì)大腦血氧水平依賴（Blood Oxygen Level Dependent，BOLD）活動(dòng)所蘊(yùn)涵的信息進(jìn)行分析。Naselaris等［1］認(rèn)為fMRI 編碼/解碼（Encoding/Decoding）是兩個(gè)互補(bǔ)的操作，其中fMRI 解碼能夠通過(guò)BOLD 活動(dòng)來(lái)預(yù)測(cè)實(shí)驗(yàn)刺激相關(guān)信息。Correia 等［2］通過(guò)對(duì)雙語(yǔ)被試口語(yǔ)單詞翻譯的fMRI解碼研究，發(fā)現(xiàn)口語(yǔ)翻譯過(guò)程中語(yǔ)義信息的激活再現(xiàn)發(fā)生在大腦前顳葉中。故大腦皮質(zhì)體素或大腦圖譜ROI選擇的合理性對(duì)于fMRI解碼的有效性至關(guān)重要。因此，本文提出一種在fMRI功能連接ROI度中心性（Degree Centrality，DC）計(jì)算的基礎(chǔ)上，通過(guò)統(tǒng)計(jì)對(duì)比入組被試整體相同ROI 在執(zhí)行認(rèn)知任務(wù)時(shí)不同認(rèn)知狀態(tài)間的差異顯著性，并以此差異顯著性作為認(rèn)知特征選擇的依據(jù)。此外，在認(rèn)知特征選擇結(jié)果的基礎(chǔ)上，計(jì)算人腦認(rèn)知體系子系統(tǒng)的認(rèn)知特征指數(shù)（Cognitive Feature Index，CFI）和相應(yīng)的人腦認(rèn)知系統(tǒng)曲線下面積（Human Brain Cognitive Architecture-Area Under Curve，HBCA-AUC），從而對(duì)提出的方法和其他特征選擇方法進(jìn)行比較。

1 人腦認(rèn)知體系與認(rèn)知特征

Fox 等［3］通過(guò)研究人腦靜息狀態(tài)下對(duì)是否任務(wù)相關(guān)的二分表現(xiàn)程度，發(fā)現(xiàn)了大腦在執(zhí)行目標(biāo)導(dǎo)向任務(wù)時(shí)活躍加強(qiáng)腦區(qū)所構(gòu)成的任務(wù)正相關(guān)網(wǎng)絡(luò)（Task Positive Network，TPN），以及活躍降低腦區(qū)所構(gòu)成的任務(wù)負(fù)相關(guān)網(wǎng)絡(luò)（Task Negative Network，TNN）；此外，初級(jí)感覺(jué)與運(yùn)動(dòng)皮質(zhì)由于對(duì)這兩類網(wǎng)絡(luò)都沒(méi)有內(nèi)在的偏好，因此不屬于這兩類網(wǎng)絡(luò)中的任意一個(gè)。如圖1（a）所示，Power 等［4］通過(guò)靜息態(tài)功能核磁共振成像（resting state fMRI，rs-fMRI）功能連接研究了健康成年被試的腦功能結(jié)構(gòu)，發(fā)現(xiàn)了任務(wù)正相關(guān)系統(tǒng)（Task Positive System，TPS）由至少3 個(gè)主要的子網(wǎng)絡(luò)構(gòu)成，即背側(cè)注意網(wǎng)絡(luò)（Dorsal Attention Network，DAN）、前額葉-頂葉網(wǎng)絡(luò)（Frontal-Parietal Network，F(xiàn)PN）、扣帶回-島蓋網(wǎng)絡(luò)（Cingulo-Opercular Network，CON），而任務(wù)負(fù)相關(guān)系統(tǒng)（Task Negative System，TNS）僅僅由一個(gè)子網(wǎng)絡(luò)構(gòu)成，即默認(rèn)網(wǎng)絡(luò)（Default Mode Network，DMN）。Yeo 等［5］研究認(rèn)為，TPN 包括FPN、DAN，以及腹側(cè)注意網(wǎng)絡(luò)（Ventral Attention Network，VAN）。Hermans等［6］的研究認(rèn)為顯著網(wǎng)絡(luò)（Salience Network，SN）也屬于TPN。Carhart-Harris 等［7］和Tagliazucchi 等［8］以及將視覺(jué)網(wǎng)絡(luò)、聽覺(jué)網(wǎng)絡(luò)、體動(dòng)網(wǎng)絡(luò)歸類為低階認(rèn)知網(wǎng)絡(luò)（Lower Cognitive Network），區(qū)別于TPN 和TNN 共同構(gòu)成的高階認(rèn)知網(wǎng)絡(luò)（Higher Cognitive Network）。Markwalter 等［9］認(rèn)為小腦整合傳遞有關(guān)內(nèi)部和外部環(huán)境信息的各種神經(jīng)輸入，雖然小腦輸入的功能和組織對(duì)運(yùn)動(dòng)協(xié)調(diào)、適應(yīng)和學(xué)習(xí)等認(rèn)知活動(dòng)的作用還有很多未解之謎，但是其毋庸置疑是人腦感覺(jué)運(yùn)動(dòng)處理的關(guān)鍵中心。因此，本文將視覺(jué)網(wǎng)絡(luò)（Visual Network，VN）、聽覺(jué)網(wǎng)絡(luò)（Auditory Network，AN）、感覺(jué)-運(yùn)動(dòng)網(wǎng)絡(luò)（Sensori-Motor Network，SMN）、小腦網(wǎng)絡(luò)（Cerebellum Network，CN）都?xì)w類為任務(wù)支撐系統(tǒng)（Task Support System，TSS）。綜上，本文將人腦認(rèn)知體系定義為三大系統(tǒng)，即TPS、TNS、TSS。由于Power-264中的記憶提取網(wǎng)絡(luò)（Memory Retrieval Network，MRN）、皮質(zhì)下網(wǎng)絡(luò)（SubCortical Network，SCN）缺少文獻(xiàn)證據(jù)，以及還擁有一個(gè)包含28個(gè)ROI功能網(wǎng)絡(luò)非確定的集合，因此對(duì)Power-264的人腦認(rèn)知體系劃分結(jié)果如圖1（b）所示。

圖1 大腦圖譜的功能網(wǎng)絡(luò)及其認(rèn)知體系Fig.1 Functional networks of brain atlases and their cognitive architectures

圖1（c）給出的是大腦圖譜Dosenbach-160［10］中定義的160個(gè)ROI和對(duì)應(yīng)的6個(gè)腦功能網(wǎng)絡(luò)，圖1（d）是將其160個(gè)ROI在人腦認(rèn)知體系上的劃分結(jié)果。如表1 所示，其每個(gè)腦功能網(wǎng)絡(luò)都能明確對(duì)應(yīng)到TPS、TNS、TSS 中的一個(gè)，即每個(gè)ROI 能夠劃分到人腦認(rèn)知體系的特定子系統(tǒng)，此時(shí)將ROI 作為認(rèn)知特征則具有較好的解釋性。不同于以解剖學(xué)定義大腦譜圖AAL（Automated Anatomical Labeling）［11］進(jìn)行的fMRI 研究、如宋源等［12］通過(guò)統(tǒng)計(jì)特性隨機(jī)森林進(jìn)行特征選擇從而更好地識(shí)別出精神分裂癥患者，對(duì)人腦認(rèn)知活動(dòng)的研究依賴對(duì)人腦認(rèn)知體系的深入理解。當(dāng)然，對(duì)包括Dosenbach-160、Power-264 等大腦圖譜在人腦認(rèn)知體系上劃分的準(zhǔn)確性并不是本文的研究重點(diǎn)，而是旨在對(duì)特定認(rèn)知任務(wù)下產(chǎn)生的fMRI數(shù)據(jù)進(jìn)行有效的認(rèn)知特征選擇，并能夠利用人腦認(rèn)知體系子系統(tǒng)自身功能的特異性對(duì)認(rèn)知特征選擇的準(zhǔn)確性進(jìn)行評(píng)價(jià)。

表1 Dosenbach-160大腦圖譜的人腦認(rèn)知體系劃分Tab.1 Human brain cognitive architecture division of Dosenbach-160 brain atlas

2 方法框架及評(píng)價(jià)標(biāo)準(zhǔn)

2.1 認(rèn)知特征選擇方法

度中心性是研究大腦網(wǎng)絡(luò)的一種基本指標(biāo)，例如，夏銳等［13］通過(guò)研究遺忘型輕度認(rèn)知障礙患者靜息態(tài)fMRI腦網(wǎng)絡(luò)、認(rèn)為度中心性是一種衡量情景記憶能力的潛在指標(biāo)。因此，本文提出一種基于度中心性的腦功能網(wǎng)絡(luò)特征選擇方法（Degree Centrality based Cognitive Feature Selection Method，DC-CFSM），其框架包括兩個(gè)階段，如圖2 所示。其中第一階段（Stage1）是對(duì)認(rèn)知實(shí)驗(yàn)產(chǎn)生的fMRI 數(shù)據(jù)進(jìn)行功能連接分析，得到每個(gè)ROI在不同實(shí)驗(yàn)條件下的度中心性，即大腦圖譜中與該ROI共激活（co-activation）的ROI數(shù)量占比。第二階段（Stage2）則對(duì)相同ROI 在執(zhí)行認(rèn)知任務(wù)時(shí)不同認(rèn)知狀態(tài)的度中心性進(jìn)行統(tǒng)計(jì)對(duì)比，根據(jù)差異的顯著性進(jìn)行認(rèn)知特征的選擇，即差異越顯著則越適合作為認(rèn)知特征。

圖2 DC-CFSM的框架Fig.2 Framework of DC-CFSM

2.1.1 ROI度中心性

度中心性的計(jì)算首先需要構(gòu)建大腦圖譜的功能連接矩陣，即計(jì)算每對(duì)ROI 之間的關(guān)聯(lián)系數(shù)，通常采用Pearson 關(guān)聯(lián)系數(shù)r值。r值本身是一個(gè)［-1，+1］內(nèi)的浮點(diǎn)數(shù)，在判斷相應(yīng)ROI對(duì)之間是否存在網(wǎng)絡(luò)概念上的邊時(shí)，本文則在其r值基礎(chǔ)上求得認(rèn)知實(shí)驗(yàn)入組被試s在認(rèn)知狀態(tài)c下的關(guān)聯(lián)顯著性矩陣Ps，c，如式（1）所示：

其中：ps，c，i，j是被試s在認(rèn)知狀態(tài)c下大腦圖譜第i個(gè)ROI 和第j個(gè)ROI 之間的關(guān)聯(lián)顯著性P值；n是大腦圖譜中ROI 的個(gè)數(shù)。由于ps，c，i，j=ps，c，j，i，即Ps，c是一個(gè)對(duì)稱矩陣。此外，因?yàn)槊總€(gè)ROI 自身是完全相關(guān)，因此ps，c，i，i為0，即Ps，c對(duì)角線上的元素都為0。

其次，通過(guò)關(guān)聯(lián)顯著性ps，c，i，j值判斷相應(yīng)ROI 對(duì)之間是否存在網(wǎng)絡(luò)概念上的邊時(shí)，需要通過(guò)顯著性水平（Significance Level）α值作為閾值進(jìn)行判斷，即ps，c，i，j<α?xí)r，則認(rèn)為ROI 對(duì)之間存在網(wǎng)絡(luò)概念上的邊；反之則不存在。因此，該值的選擇對(duì)之后的度中心性計(jì)算結(jié)果將產(chǎn)生重要的影響，但更需要重視的一個(gè)問(wèn)題就是統(tǒng)計(jì)分析上是否存在假陽(yáng)性，這里采用FDR（False Discovery Rate）方法進(jìn)行校正，Ps，c經(jīng)過(guò)校正后得到P's，c，如式（2）所示：

其中：p's，c，i，j是ps，c，i，j經(jīng)過(guò)校正后被試s在認(rèn)知狀態(tài)c下大腦圖譜第i個(gè)ROI和第j個(gè)ROI之間的關(guān)聯(lián)顯著性P值；P's，c仍然是一個(gè)對(duì)角線元素均為0的對(duì)稱矩陣。這里，α值設(shè)為統(tǒng)計(jì)分析常用的0.05，則可由P's，c得到鄰接矩陣As，c，如式（3）所示：

其中：As，c是一個(gè)對(duì)角元素全為0 的對(duì)稱二值矩陣。對(duì)于As，c中的非對(duì)角線元素as，c，i，j，當(dāng)P's，c中相應(yīng)元素p's，c，i，j<α且i≠j時(shí)，as，c，i，j=1；反之a(chǎn)s，c，i，j=0。

最后，被試s在認(rèn)知狀態(tài)c下大腦圖譜第i個(gè)ROI 的度中心性DCs，c，i的定義如式（4）所示：

2.1.2 認(rèn)知特征顯著性

認(rèn)知特征顯著性本質(zhì)上就是量化被試組所有被試同一ROI 的某個(gè)屬性對(duì)于認(rèn)知任務(wù)不同認(rèn)知狀態(tài)的區(qū)分度，通常對(duì)認(rèn)知狀態(tài)區(qū)分度越大的ROI越適合作為認(rèn)知特征。為了方便統(tǒng)計(jì)對(duì)比不同認(rèn)知狀態(tài)同一（如第i個(gè)）ROI的度中心性，首先將所有入組的所有被試在同一認(rèn)知狀態(tài)c下同一（如第i個(gè)）ROI度中心性構(gòu)成一個(gè)序列DCc，i，如式（5）所示：

其中S是認(rèn)知實(shí)驗(yàn)中所有入組被試構(gòu)成的被試集合。

每一個(gè)（如第i個(gè)）ROI對(duì)認(rèn)知狀態(tài)的區(qū)分能力，即認(rèn)知特征顯著度CFSi定義如式（6）所示：

其中：C是認(rèn)知實(shí)驗(yàn)中所有實(shí)驗(yàn)條件誘發(fā)的認(rèn)知狀態(tài)所構(gòu)成的認(rèn)知狀態(tài)集合；|C|表示C中元素的數(shù)量，k=|C|且|C|≥2；Test 是所選擇的統(tǒng)計(jì)檢驗(yàn)方法，對(duì)輸入的多個(gè)度中心性序列DCc，i(c∈C)進(jìn)行統(tǒng)計(jì)對(duì)比并返回差異顯著性P值。當(dāng)k=2時(shí)，Test可以采用T 檢驗(yàn)、卡方檢驗(yàn)；當(dāng)k≥3時(shí)，Test可以采用方差分析（ANalysis Of VAriance，ANOVA）。大腦圖譜中ROI的認(rèn)知特征顯著度數(shù)值越小，越適合作為認(rèn)知特征。

2.2 認(rèn)知特征評(píng)價(jià)方法

本文對(duì)認(rèn)知特征評(píng)價(jià)的基本思路是對(duì)人腦認(rèn)知體系每個(gè)子系統(tǒng)所包含ROI 的認(rèn)知特征顯著性相對(duì)大腦圖譜所有ROI的認(rèn)知特征顯著性在序上的優(yōu)先性進(jìn)行度量。因此，這里設(shè)計(jì)了一個(gè)用于評(píng)價(jià)人腦認(rèn)知體系的CFI 計(jì)算算法，其中BA是大腦圖譜中所有ROI 構(gòu)成集合，CFS是大腦圖譜所有ROI 的認(rèn)知特征顯著度CFSi所構(gòu)成的集合，BA中的元素與CFS中的元素一一對(duì)應(yīng)。HBCA（人腦認(rèn)知體系）是一個(gè)集合的集合，其自身元素TXS（認(rèn)知子系統(tǒng)）是一個(gè)由大腦圖譜BA中ROI 構(gòu)成的非空集合，BA中每個(gè)ROI 屬于且僅屬于HBCA的一個(gè)元素，即TXSu∩TXSv=?，u≠v，且TXSu=BA。算法返回參數(shù)CFIS（認(rèn)知特征指數(shù)集）是一個(gè)集合，其每一個(gè)元素CFIu（認(rèn)知特征指數(shù)序列）是與HBCA每一個(gè)元素TXS（u認(rèn)知子系統(tǒng)）相對(duì)應(yīng)的單調(diào)遞增序列，|CFIu|=|BA|+1 且|CFIu|=|CFIv|(u≠v)。算法的具體步驟如下：

CFIS的元素CFI是一個(gè)從0到1的單調(diào)遞增序列，該序列對(duì)應(yīng)曲線的線下面積代表HBCA中相應(yīng)認(rèn)知子系統(tǒng)所包含ROI 作為認(rèn)知特征的整體質(zhì)量，即線下面積越大表示該認(rèn)知子系統(tǒng)在認(rèn)知實(shí)驗(yàn)過(guò)程中的作用越大。因此，認(rèn)知子系統(tǒng)的認(rèn)知特征指數(shù)CFI對(duì)應(yīng)的人腦認(rèn)知體系線下面積如式（7）所示：

其中：CFIu是HBCA中第u個(gè)認(rèn)知子系統(tǒng)對(duì)應(yīng)的認(rèn)知特征指數(shù)序列。CFIu中的第一個(gè)元素0只是為了便于CFI算法設(shè)計(jì)，并不參與HBCAaucu值的計(jì)算。

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)自國(guó)際網(wǎng)絡(luò)智能協(xié)會(huì)（Web Intelligence Consortium，WIC）研究院（http：//wi-consortium.org/）的認(rèn)知實(shí)驗(yàn)“簡(jiǎn)單加法/減法心算”［14-15］，該認(rèn)知實(shí)驗(yàn)?zāi)繕?biāo)是研究人腦在進(jìn)行簡(jiǎn)單加法或簡(jiǎn)單減法時(shí)大腦神經(jīng)活動(dòng)的規(guī)律，共接受了21 名（男12，女9）統(tǒng)計(jì)學(xué)上無(wú)差異的受試者參加。該實(shí)驗(yàn)由WIC 團(tuán)隊(duì)在首都醫(yī)科大學(xué)宣武醫(yī)院進(jìn)行、并獲得院方倫理委員會(huì)的批準(zhǔn)。

fMRI 數(shù)據(jù)處理包括預(yù)處理和基于DC-CFSM 的認(rèn)知特征選擇兩個(gè)階段。第一階段的預(yù)處理是采用SPM（Statistical Parameter Mapping）［16］完成，包括切片時(shí)間校正、頭動(dòng)校正、空間歸一化，以及平滑處理四個(gè)步驟。第二階段認(rèn)知特征選擇DC-CFSM 的實(shí)現(xiàn)采用的是Python 語(yǔ)言及相應(yīng)的工具包，其中神經(jīng)影像處理基本操作采用的是NiBabel（https：//nipy.org/nibabel/），Pearson 關(guān)聯(lián)系數(shù)計(jì)算、FDR 校正，以及統(tǒng)計(jì)檢驗(yàn)對(duì)比采用的是SciPy［17］。

本文利用提出的DC-CFSM 計(jì)算出Dosenbach-160 大腦圖譜每個(gè)ROI分別在簡(jiǎn)單加法認(rèn)知狀態(tài)和簡(jiǎn)單減法認(rèn)知狀態(tài)下的度中心性，然后通過(guò)在被試群體上對(duì)每個(gè)ROI 在兩種心算認(rèn)知狀態(tài)下的度中心性進(jìn)行T檢驗(yàn)統(tǒng)計(jì)對(duì)比，并根據(jù)T檢驗(yàn)P值的顯著性作為認(rèn)知特征選擇的依據(jù)。圖3 給出了差異性P值小于0.05共25個(gè)ROI在兩種認(rèn)知狀態(tài)下的度中心性值，這些ROI來(lái)自TPS、TNS及TSS的數(shù)量分別為18、0和7。

圖3 基于DC-CFSM的認(rèn)知特征排序結(jié)果Fig.3 Ranking results of cognitive features based on DC-CFSM

圖4 給出的是基于Dosenbach-160 的CFI 曲線和HBCAAUC 結(jié)果，TPS、TNS 及TSS 的HBCA-AUC 值分別為0.669 2、0.304 0 和0.468 5。TSS 中最優(yōu)認(rèn)知特征是Dosenbach-160 中的18 號(hào)ROI，該ROI 是前扣帶回皮質(zhì)中的一個(gè)區(qū)域，在所有ROI 中也只能排到第38 位，即TSS 的CFI 曲線首次上升的橫坐標(biāo)位置。TPS 中的ROI 占據(jù)了Dosenbac-160 中最優(yōu)的8 個(gè)認(rèn)知特征，且全部來(lái)自TPS 中的前額葉-頂葉網(wǎng)絡(luò)，這與Artemenko等［18］認(rèn)為成人大腦的心算加工依賴于前額葉-頂葉網(wǎng)絡(luò)的觀點(diǎn)相符合。因此，其CFI曲線在橫坐標(biāo)最開始的8個(gè)坐標(biāo)點(diǎn)上一直處于上升過(guò)程，其HBCA-AUC 相較于TNS 和TSS 更高、CFI 曲線也最先達(dá)到了最高值。TPS 中最劣認(rèn)知特征是Dosenbach-160 中的74 號(hào)ROI，即中腦島的一個(gè)區(qū)域，在其之后還有7個(gè)ROI和5個(gè)ROI分別來(lái)自TNS和TSS。

圖4 DC-CFSM的HBCA-AUC Fig.4 HBCA-AUC of DC-CFSM

實(shí)驗(yàn)在相同fMRI 數(shù)據(jù)上使用了極限樹（Extremely randomized Trees，Extra Trees）、自適應(yīng)提升（Adaptive Boosting，AdaBoost）、隨機(jī)森林（Random Forest）、極限梯度提升（eXtreme Gradient Boosting，XGB）這4種方法計(jì)算了Dosenbach-160 中所有ROI 的特征值并進(jìn)行了排序，并在此基礎(chǔ)上計(jì)算了人腦認(rèn)知體系三個(gè)子系統(tǒng)的HBCA-AUC 值，其結(jié)果與DC-CFSM 的結(jié)果如圖5 所示。Extra Trees、AdaBoost、隨機(jī)森林、XGB、DC-CFSM 這5 種方法在TPS 上的HBCA-AUC 分別為0.547 8、0.587 5、0.538 3、0.487 8 和0.669 2，這說(shuō)明DCCFSM 在這5 種方法中最傾向于選擇TPS 中的ROI 作為認(rèn)知特征。同樣，這5 種方法在TNS 上的HBCA-AUC 分別為0.382 2、0.432 3、0.552 2、0.456 3 和0.304 0，這 說(shuō) 明DCCFSM 在這5 種方法中最不傾向于選擇TNS 中的ROI 作為認(rèn)知特征。

圖5 不同方法的HBCA-AUC值Fig.5 HBCA-AUC values of different methods

如表2所示，采用DC-CFSM 時(shí)TPS 的HBCA-AUC 值（0.669 2）比極限樹、自適應(yīng)提升、隨機(jī)森林、極限梯度提升這4 種方法的HBCA-AUC 值，即識(shí)別率分別提高了22.17%、13.90%、24.32%和37.19%。相應(yīng)地，采用DC-CFSM 時(shí)TNS的HBCA-AUC 值（0.304 0）比其他4 種方法的HBCA-AUC 值，即誤識(shí)率分別降低了20.46%、29.70%、44.96%和33.39%。

表2 DC-CFSM與其他方法的性能對(duì)比Tab.2 Performance comparison between DC-CFSM and other methods

Arsalidou等［19］對(duì)數(shù)字和心算涉及的大腦區(qū)域進(jìn)行的元分析（Meta-Analysis），Dehaene 等［20］對(duì)大腦心算進(jìn)行的通路分析，Klein 等［21-22］利用概率纖維跟蹤方法得到心算處理通路的證據(jù)及對(duì)數(shù)字認(rèn)知中三碼模型結(jié)構(gòu)連接的分析，都表明心算處理始終會(huì)激活成人大腦TPS 中的FPN，包括頂上小葉（Superior Parietal Lobule，SPL）和頂下小葉（Inferior Parietal Lobule，IPL）等頂葉區(qū)域，以及額葉下回（Inferior Frontal Gyrus，IFG）、額中葉等額葉區(qū)域回（Middle Frontal Gyrus，MFG）和左上額回。Peters 等［23］通過(guò)回顧分析，認(rèn)為兒童的心算處理通常也會(huì)涉及到一個(gè)與成人心算類似的FPN。Wallis等［24］認(rèn)為FPN 和CON 在控制工作記憶中起不可分割的作用，其中FPN在注意準(zhǔn)備和記憶定向期間負(fù)責(zé)感知皮層自上而下的活動(dòng)調(diào)節(jié)，而CON 在認(rèn)知控制中起到偏下游的作用、可能與記憶的輸出門控有關(guān)。Hagiwara 等［25］對(duì)心算任務(wù)中的工作記憶進(jìn)行了功能連接分析，發(fā)現(xiàn)額葉和頂葉在工作記憶任務(wù)中會(huì)協(xié)同工作。Dimitriadis 等［26］通過(guò)研究發(fā)現(xiàn)DMN（TNS 中唯一的功能網(wǎng)絡(luò)）在執(zhí)行心算任務(wù)時(shí)可能會(huì)出現(xiàn)鈍化，并認(rèn)為該鈍化現(xiàn)象可能源于認(rèn)知任務(wù)期間功能網(wǎng)絡(luò)活化的抑制作用。

雖然Extra Trees 的結(jié)果從心算認(rèn)知機(jī)制上具有可解釋性，但其計(jì)算得到HBCA-AUC 在TPS 上的結(jié)果并不顯著高于在TSS 上的結(jié)果。類似地，AdaBoost 計(jì)算得到HBCA-AUC 在TSS 上的結(jié)果也不顯著高于在TNS 上的結(jié)果。隨機(jī)森林方法得到的HBCA-AUC 在TNS 上的結(jié)果比TPS 上的結(jié)果略高，這使得在心算認(rèn)知機(jī)制上很難解釋。XGB 方法得到的HBCAAUC 在TPS 上的結(jié)果雖然比在TNS 上的結(jié)果略高，但均低于在TSS 上的結(jié)果，這使得對(duì)心算認(rèn)知機(jī)制解釋時(shí)具有一定的難度。DC-CFSM 得到的HBCA-AUC 在TPS 上的結(jié)果均顯著高于在TNS 和TSS 上的結(jié)果、且在TSS 上的結(jié)果也顯著高于在TNS 上的結(jié)果，因此，相較于其他4 種方法，DC-CFSM 在認(rèn)知特征選擇上具有最好的心算機(jī)制解釋性。

4 結(jié)語(yǔ)

本文基于腦功能網(wǎng)絡(luò)的度中心性度量，以ROI 在不同認(rèn)知狀態(tài)下的差異顯著性作為認(rèn)知特征選擇的依據(jù)，通過(guò)HBCA-AUC 對(duì)幾種方法的性能進(jìn)行了對(duì)比，驗(yàn)證了本文提出的DC-CFSM在認(rèn)知特征選擇上的優(yōu)越性。具體體現(xiàn)為：

1）基于人腦功能劃分定義人腦認(rèn)知體系及其子系統(tǒng)，并對(duì)所參考大腦圖譜的ROI 進(jìn)行歸屬劃分，使得認(rèn)知特征的選擇和排序具有更好的解釋性；

2）常規(guī)的特征選擇方法只是從計(jì)算方法上進(jìn)行特征的選擇，而以度中心性作為特征選擇的依據(jù)更能突出ROI 之間共激活而表現(xiàn)出的全局性；

3）本文方法得到的認(rèn)知特征排序結(jié)果更加偏向TPS、且更加偏離TNS，相較于其他方法的結(jié)果在認(rèn)知神經(jīng)科學(xué)上具有更好的自洽性。

雖然本文方法得到的結(jié)果在性能評(píng)估上最優(yōu)、且具有更加合理的認(rèn)知神經(jīng)科學(xué)解釋性，但作為特征能夠?qū)φJ(rèn)知計(jì)算模型的作用還有待進(jìn)一步研究。此外，本文方法的通用性還需要在多樣性的大腦圖譜和多來(lái)源的fMRI 數(shù)據(jù)集上作進(jìn)一步驗(yàn)證。