基于圖編碼與小樣本學習的精神分裂癥分析方法

摘 要：在基于圖神經(jīng)網(wǎng)絡的腦功能性疾病研究中，構(gòu)建腦網(wǎng)絡之后不再變化，且一般需要大量的數(shù)據(jù)進行建模訓練。為了解決這兩個問題，文章提出一種基于圖編碼與小樣本學習的分析診斷模型。該模型采用皮爾遜相關(guān)系數(shù)和自注意力機制構(gòu)建自適應腦網(wǎng)絡，并將時域特征、頻域特征和腦網(wǎng)絡特征作為圖卷積神經(jīng)網(wǎng)絡的輸入，進行動態(tài)學習自適應腦網(wǎng)絡和圖編碼特征。將圖編碼特征作為圖原型網(wǎng)絡的輸入，進行小樣本學習并實現(xiàn)分類。將該模型應用于精神分裂癥的分類診斷，實驗結(jié)果表明，精神分裂癥的識別準確率達到83.4%，為腦網(wǎng)絡研究提供一種全新的思路和方法，為小樣本學習在精神分裂癥研究中的應用開辟了新的方向。

關(guān)鍵詞：自適應腦網(wǎng)絡；圖編碼特征；小樣本學習；圖原型網(wǎng)絡；精神分裂癥

中圖分類號：TP391.4；TP18 文獻標識碼：A 文章編號： 2096-4706（2024）08-0123-05

DOI：10.19850/j.cnki.2096-4706.2024.08.027

0 引 言

精神分裂癥是一種嚴重的精神疾病，通常表現(xiàn)為人格解體、思維混亂、幻覺、妄想以及情感和行為異常。這種疾病往往對患者的社交功能等方面產(chǎn)生負面影響。許多學者和研究人員對精神分裂癥進行了深入的分析和研究，以做好對精神分裂癥疾病的早期識別和干預，探尋有效的治療方法等。

近年來，圖神經(jīng)網(wǎng)絡（Graph Neural Network， GNN）、圖卷積神經(jīng)網(wǎng)絡（Graph Convolutional Neural Network， GCN）和圖注意力網(wǎng)絡（Graph Attention Networks， GAT）等基于圖論的網(wǎng)絡[1-3]在結(jié)合信號數(shù)據(jù)進行疾病診斷、情緒識別等研究中取得良好成效。Chen等[4]基于腦區(qū)和連接性特征進行分析，并運用GCN對精神分裂癥患者進行分類，該方法與傳統(tǒng)機器學習和深度學習方法相比，有效提高了分類性能。Li等[5]首先將重度抑郁癥患者每個EEG數(shù)據(jù)的多通道腦電信號拼接成一個信號序列，計算拼接信號之間的皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient， PCC）形成圖網(wǎng)絡（腦網(wǎng)絡）。其次將每個信道劃分為六個頻段，計算出每個頻段的平均功率，并將它們拼接在一起作為節(jié)點特征。最后預訓練GCN模型并微調(diào)輸出層。該方法充分利用多通道EEG之間的交互，結(jié)合預訓練提高對抑郁癥患者的病癥識別。Lei等[6]利用PCC構(gòu)建腦網(wǎng)絡，結(jié)合GCN研究精神分裂癥患者功能性腦網(wǎng)絡的拓撲異常，并確定對分類有重要作用的最顯著區(qū)域。An等[7]提出基于EEG的2-way k-shot小樣本學習網(wǎng)絡對運動圖像進行分類，該網(wǎng)絡能夠有效學習未知類別的代表性特征并對其進行合理的分類。其根據(jù)卷積、池化等操作對EEG的支持集和查詢集進行跨頻段特征提取和網(wǎng)絡編碼，再對已提取的特征進行注意力評分，同時根據(jù)k個支持特征的加權(quán)平均計算每個類別的代表向量，最后根據(jù)類別代表向量和查詢特征預測關(guān)聯(lián)分數(shù)，關(guān)聯(lián)得分最大的類被預測為查詢的標簽。該網(wǎng)絡結(jié)構(gòu)雖然采用了小樣本學習思想，但是其特征提取、網(wǎng)絡構(gòu)建、注意力機制評分和關(guān)聯(lián)得分4個主要模塊基本上都是采用卷積操作。該模型雖然操作單一，但卻為基于度量的小樣本學習與EEG的緊密結(jié)合開辟了新的思路。目前，基于小樣本學習思想的研究在圖像等領域較為常見，但應用于EEG的數(shù)據(jù)相對較少?；诙攘糠椒╗8]的小樣本學習模型應用相對廣泛，尤其是原型網(wǎng)絡[9，10]，且有較多的相關(guān)改進模型，然而，對于同種疾病的不同數(shù)據(jù)或不同疾病的不同數(shù)據(jù)，大部分基于圖論模型的方法（如GNN、GCN、GAT等）在構(gòu)建腦網(wǎng)絡時所采用的功能連接指標不統(tǒng)一[11，12]，且腦網(wǎng)絡構(gòu)建之后不再變化，甚至選擇不同指標所得到的結(jié)果差異較大。除此之外，這類模型對數(shù)據(jù)量的依賴性較大，無法很好地區(qū)分未知疾病的數(shù)據(jù)。為此，本文提出一種基于圖編碼與小樣本學習的分析診斷模型，并將其應用于精神分裂癥的分類。首先利用PCC構(gòu)建原始腦網(wǎng)絡并結(jié)合自注意力機制[13]構(gòu)建自適應腦網(wǎng)絡，提取腦節(jié)點局部特征；然后將自適應腦網(wǎng)絡作為鄰接矩陣和腦節(jié)點局部特征輸入GCN進行圖編碼特征的學習；最后再將圖編碼特征輸入圖原型網(wǎng)絡（Graph encoding Prototype Network， GEPN）進行小樣本學習并完成對精神分裂癥的分類。將本文提出的模型在無自適應腦網(wǎng)絡和少量數(shù)據(jù)情況下進行對比實驗，并在精神分裂癥數(shù)據(jù)集上對模型的分類性能進行評估。

1 基于圖編碼與小樣本學習的模型框架

本文提出一種基于圖編碼與小樣本學習的分析診斷模型，模型總框架如圖1所示，主要包括四個部分，分別是：1）基于自注意力機制的自適應腦網(wǎng)絡；2）基于GCN的圖編碼特征；3）劃分圖編碼特征；4）基于GEPN的小樣本學習。

1.1 基于自注意力機制的自適應腦網(wǎng)絡

自適應腦網(wǎng)絡構(gòu)建過程如圖2所示。

目前，一些研究采用PCC功能連接指標構(gòu)建腦網(wǎng)絡作為圖模型的鄰接矩陣。PCC用于衡量兩個數(shù)據(jù)集合是否位于一條線上，可衡量定距變量間的線性關(guān)系，取值范圍是[-1， 1]，其計算式為：

（1）

其中，x = （x1，x2，…，xn）、y = （y1，y2，…，yn）分別表示兩個通道的電極信號序列，COV（x，y）表示協(xié)方差，σx和σy表示兩個電極信號序列的標準差。

在此基礎上，本文利用PCC構(gòu)建原始腦網(wǎng)絡X，為使腦節(jié)點之間的關(guān)系有所變化，將原始腦網(wǎng)絡X與自注意力機制相結(jié)合，構(gòu)建自適應腦網(wǎng)絡。自注意力機制計算式為：

（2）

其中，Q、K、V三個矩陣是由其對應的參數(shù)矩陣WQ、WK、WV與X相乘所得，dk表示腦節(jié)點通道維度。

1.2 基于GCN的圖編碼特征

如圖3所示為圖編碼特征的構(gòu)建過程。

自適應腦網(wǎng)絡的構(gòu)建過程已在圖2中有所展示，故圖3中對該步驟進行了簡化處理。

1.2.1 局部腦節(jié)點特征融合

首先，在處理好的EEG數(shù)據(jù)中提取腦節(jié)點的時域特征和頻域特征[14]。其中，時域特征包括平均絕對值、方差、最小值、均方根、最大值、標準差、絕對標準偏差值、峰值、偏斜、峰度；頻域特征包括功率譜密度，圖2中的橙色虛線框為時域特征與頻域特征的結(jié)合。

其次，在構(gòu)建好自適應腦網(wǎng)絡的基礎上，從自適應腦網(wǎng)絡中提取腦網(wǎng)絡特征，腦網(wǎng)絡特征隨著自適應腦網(wǎng)絡的變化而變化。其中，腦網(wǎng)絡特征包括度中心性、節(jié)點介數(shù)、聚類系數(shù)、局部效率。提取腦網(wǎng)絡特征時，選擇步長2%和稀疏度范圍20%～40%，計算該范圍內(nèi)每個腦節(jié)點的曲線下面積值作為腦網(wǎng)絡特征，圖3中的紅色虛線框為腦網(wǎng)絡特征。

最后，為了構(gòu)建腦節(jié)點特征的多樣性，將時域特征、頻域特征和腦網(wǎng)絡特征進行拼接融合，形成局部腦節(jié)點特征，圖3中的綠色虛線框為融合特征。

1.2.2 圖編碼特征

利用GCN學習圖編碼特征，本文采用無向完全圖并且將自環(huán)關(guān)系考慮在內(nèi)。將融合后的局部腦節(jié)點特征作為GCN圖信息中的結(jié)點特征，將所構(gòu)建的自適應腦網(wǎng)絡作為GCN圖信息中的鄰接矩陣。GCN中卷積層的運算式為：

（3）

其中， = D + IN， = A + IN，IN表示單位矩陣。D矩陣表示節(jié)點的度矩陣，即每個節(jié)點的度；A表示鄰接矩陣（即自適應腦網(wǎng)絡），H （l）表示第l層的特征矩陣，當l為0時，H 0表示局部腦節(jié)點特征；W （l）表示學習的權(quán)重。σ（?）表示激活函數(shù)ReLUctant（ReLU）。

1.3 劃分圖編碼特征

在進行小樣本學習訓練之前，需要將所提取的圖編碼特征劃分為小樣本學習的訓練集（左框）和測試集（右框），再將二者進一步劃分為支持集（左虛框）和查詢集（右虛框），如圖4所示。

將全部數(shù)據(jù)按照一定的比例劃分為GCN的訓練集和測試集，按照上述過程進行GCN分類，當分類準確率達到70%時，保存其全連層的結(jié)果作為圖編碼特征。再根據(jù)實驗需求劃分為小樣本學習的訓練集和測試集圖編碼特征，作為后續(xù)小樣本學習的訓練輸入。

1.4 基于GEPN的小樣本學習

獲取圖編碼特征后，將圖編碼特征作為GEPN的輸入，經(jīng)過全連層輸出映射特征，并根據(jù)映射特征進行雙損失約束訓練，GEPN的構(gòu)建過程和雙損失約束如圖5和圖6所示。其中，構(gòu)建自適應腦網(wǎng)絡、圖編碼特征的詳細過程已在圖2和圖3中予以展示，故圖5中對該步驟進行了簡化處理。

1.4.1 構(gòu)建GEPN

在GEPN中，首先將所獲取的圖編碼特征依次經(jīng)過卷積運算、批標準化運算和ReLU激活函數(shù)映射并重復4次，然后運用兩個全連層進行映射，最后進行分類訓練和預測。其中，卷積運算的卷積核維度均為1×1。

1.4.2 雙損失約束

在普通的網(wǎng)絡中，經(jīng)過全連層之后會直接進行概率計算進而進行分類的判斷。GEPN則有所不同，GEPN是根據(jù)查詢集進行分類效果的判斷。GEPN通過雙損失函數(shù)對模型進行約束，需要確保同類別之間的映射特征空間距離其“類心空間”較小，不同類別之間的映射特征空間距離其“類心空間”較大。

如圖6所示，進行模型訓練時，首先，將訓練集中支持集和查詢集的每個數(shù)據(jù)輸入到網(wǎng)絡中（經(jīng)過全連層2之后，每個數(shù)據(jù)可得到最終的“映射特征”）；其次，根據(jù)加權(quán)平均計算，進而算出同類別支持集的“映射特征”SCi的“類心空間”SC；再次，最大化不同“類心空間”SC的距離作為模型訓練的第一個損失，即Loss1；最后，計算查詢集中每個數(shù)據(jù)“查詢特征”Qj到多個“類心空間”SC的距離，即Loss2（每個查詢數(shù)據(jù)所屬類別為離它最近的“類心空間”所屬的類別，即最大概率的類別）。測試模型時，也需要使用支持集和查詢集，除了參數(shù)不更新外，其他過程一樣。

Loss1表示均方誤差損失函數(shù)，Loss2表示交叉熵損失函數(shù)。yjc表示當前觀察樣本數(shù)據(jù)是否為其真實類別，當“查詢特征”Qj屬于其真實類別C時，yjc為1，否則為0；Pjc表示當前觀察樣本數(shù)據(jù)j屬于類別C的預測概率，即“查詢特征”Qj預測為真實類別的概率；k表示每個類別的樣本數(shù)量。因此，模型訓練的總損失可表示為：

（4）

2 實驗與分析

2.1 數(shù)據(jù)說明

本文實驗選用的數(shù)據(jù)為UMN數(shù)據(jù)庫[15-17]的靜息態(tài)EEG公共數(shù)據(jù)集，分別為強迫癥數(shù)據(jù)集、抑郁癥數(shù)據(jù)集、帕金森數(shù)據(jù)集，三個數(shù)據(jù)集的電極都超過64個；還有從北京回龍觀醫(yī)院采集的精神分裂癥患者及其健康被試的靜息態(tài)EEG數(shù)據(jù)集，數(shù)據(jù)均有59個電極。

2.2 數(shù)據(jù)預處理

不同的數(shù)據(jù)之間可能存在噪聲和量綱上的差異，因此，先對每個數(shù)據(jù)進行500 Hz頻率的采樣，接著用EEGLAB剔除眼電等異常數(shù)據(jù)并刪除壞段，然后將數(shù)據(jù)按照每個通道（電極）進行標準化，最后選擇40秒到200秒之間的數(shù)據(jù)段。為了使不同數(shù)據(jù)的通道相同，本文采用56個相同的通道進行實驗。

2.3 實驗設計

本文中的EEG數(shù)據(jù)有56個腦節(jié)點（即56個通道），故最終構(gòu)建的自適應腦網(wǎng)絡維度為56×56，每個通道數(shù)據(jù)的長度均為160 s，采樣頻率為500 Hz，每個腦節(jié)點有15個特征。

在進行小樣本學習之前，將預處理后數(shù)據(jù)的70%作為訓練集，30%作為測試集，再通過GCN進行分類，當測試集的分類準確率達到70%時，提取出全連層所得結(jié)果作為圖編碼特征。將圖編碼特征分為訓練集圖編碼特征和測試集圖編碼特征，訓練集和測試集中都包含支持集圖編碼特征和查詢集圖編碼特征。

采用3-way k-shot進行小樣本學習訓練，其中，3表示訓練集圖編碼特征類別數(shù)量，即強迫癥、抑郁癥和帕金森，k表示小樣本學習中每個類別的數(shù)量，可取3、5、10，即支持集在3個類別中隨機選擇k個數(shù)據(jù)進行學習，將其余的同類數(shù)據(jù)作為查詢集進行驗證。采用2-way k-shot進行測試，2表示測試集包括精神分裂癥患者及其健康被試兩個類別數(shù)據(jù)圖編碼特征，k表示這兩個類別的支持集圖編碼特征的數(shù)量，與訓練時保持一致，即訓練和測試的k值一樣。

2.4 實驗評估指標

本文提出的模型采用不同的評估指標，分別有：正確率（Accuracy），表示正確分類的樣本數(shù)占總樣本數(shù)的比例；精確率（Precision），表示正確預測為正例的樣本數(shù)占預測為正例樣本數(shù)的比例；召回率（Recall），表示正確預測為正例的樣本數(shù)占實際為正例樣本數(shù)的比例；F1分數(shù)（F1-Score），表示綜合考慮精確率和召回率的平衡性，是精確率和召回率的調(diào)和平均值。計算式分別如（5）至（8）所示：

（5）

（6）

（7）

（8）

其中，TP表示真正例（True Positive），即預測和真實均為精神分裂癥患者；TN表示真負例（True Negative），即預測為精神分裂癥患者，真實為健康被試；FP表示假正例（False Positive），即預測和真實均為健康被試；FN表示假負例（False Negative），即預測為健康被試，真實為精神分裂癥患者。

2.5 實驗結(jié)果分析與結(jié)論

k分別取3、5、10進行訓練和測試，其評估指標如表1所示。

由表1可知，隨著k值的增加（即每個類別訓練樣本和測試樣本的增加），4個指標都有所提高。當k為10即每個類別的支持集為10個樣本時，其正確率、精確率、召回率、F1分數(shù)都為最高，分別為0.834 3、0.932 4、0.741 9、0.826 3。實驗結(jié)果表明，本文提出的基于圖編碼與小樣本學習的分析診斷模型在樣本數(shù)據(jù)很少的情況下仍可以很好地完成精神分裂癥患者的判別，為那些想要在樣本數(shù)據(jù)缺失情況下獲得較高精神分裂癥分類準確率的研究人員提供參考。

3 結(jié) 論

本文針對圖論神經(jīng)網(wǎng)絡構(gòu)建腦網(wǎng)絡后不再變化以及對數(shù)據(jù)量的依賴問題，提出一種基于圖編碼與小樣本學習的分析診斷模型。通過自注意力機制構(gòu)建自適應腦網(wǎng)絡來解決腦網(wǎng)絡不變的問題，構(gòu)建GCN提取圖編碼特征和對GEPN進行分類，緩解了深度學習網(wǎng)絡對數(shù)據(jù)的依賴，解決了未見過數(shù)據(jù)的分類問題，泛化能力較強。實驗結(jié)果證明了本文所提模型的有效性，在未來的工作中將繼續(xù)利用其他圖論網(wǎng)絡和其他基于度量的小樣本學習方式進行實驗。

參考文獻：

[1] LI Z J，ZHANG G Y，WANG L B，et al. Emotion Recognition Using Spatial-temporal EEG Features through Convolutional Graph Attention Network [J/OL].https：//iopscience.iop.org/article/10.1088/1741-2552/acb79e.

[2] ZHU C，TAN Y，YANG S Q，et al. Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia Diagnosis and Lateralization Analysis [J/OL]. arXiv：2304.01347v4 [q-bio.NC].[2023-07-23].https：//arxiv.org/abs/2304.01347.

[3] ZHU Y Q，CUI H J，HE L F，et al. Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [J/OL].Annual International Conference of the IEEE Engineering in Medicine and Biology Society，2022[2023-08-05].https：//pubmed.ncbi.nlm.nih.gov/36085703/.

[4] CHEN X Y，ZHOU J，KE P F，et al. Classification of Schizophrenia Patients Using a Graph Convolutional Network： A Combined Functional MRI and Connectomics Analysis [J/OL].https：//doi.org/10.1016/j.bspc.2022.104293.

[5] LI W，WANG H，ZHUANG L H，et al. GCNS-MI： EEG Recognition of Depression Based on Graph Mutual Information Maximization [EB/OL].[2023-07-09].https：//papers.ssrn.com/sol3/papers.cfm？abstract_id=4000327Available at SSRN 4000327.

[6] LEI D，QIN K，PINAYA W H L，et al. Graph Convolutional Networks Reveal Network-level Functional Dysconnectivity in Schizophrenia [J].Schizophrenia Bulletin，2022，48（4）：881-892.

[7] AN S，KIM S，CHIKONTWE P，et al. Few-shot Relation Learning with Attention for EEG-based Motor Imagery Classification [C]//2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas：IEEE，2020：10933-10938.

[8] CRISOSTOMI D，ANTONELLI S，MAIORCA V，et al. Metric Based Few-Shot Graph Classification [EB/OL].[2023-07-06].https：//proceedings.mlr.press/v198/crisostomi22a.

[9] SNELL J，SWERSKY K，ZEMEL R. Prototypical Networks for Few-shot Learning [C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. [S.l.]：Curran Associates Inc.，2017：4080-4090.

[10] GAO Y K，LIU A P，WANG L L，et al. A Self-Interpretable Deep Learning Model for Seizure Prediction Using a Multi-Scale Prototypical Part Network [J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2023，31：1847-1856.

[11] HU J L，CAO L J，LI T H，et al. GAT-LI： a Graph Attention Network Based Learning and Interpreting Method for Functional Brain Network Classification [J].BMC Bioinformatics，2021，22（1）：1-20.

[12] POLAT H. Brain Functional Connectivity Based on Phase Lag Index of Electroencephalography for Automated Diagnosis of Schizophrenia Using Residual Neural Networks [J/OL].Journal of Applied Clinical Medical Physics，2023，24（7）[2023-07-20].https：//doi.org/10.1002/acm2.14039.

[13] SHEN L，SUN M，LI Q，et al. Multiscale Temporal Self-attention and Dynamical Graph Convolution Hybrid Network for EEG-based Stereogram Recognition [J/OL].arXiv：2302.10428v1 [cs.LG].[2023-07-20].https：//arxiv.org/pdf/2302.10428.pdf.

[14] 張格，林嵐，吳水才.基于腦網(wǎng)絡的圖卷積神經(jīng)網(wǎng)絡在腦疾病中的研究進展 [J].醫(yī)療衛(wèi)生裝備，2021，42（8）：85-92.

[15] ALBRECHT M A，WALTZ J A，CAVANAGH J F，et al. Increased Conflict-induced Slowing， But No Differences in Conflict-induced Positive or Negative Prediction Error Learning in Patients with schizophrenia [J].Neuropsychologia，2018，123：131-140.

[16] CAVANAGH J F，BISMARK A W，F(xiàn)RANK M J，et al. Multiple Dissociations between Comorbid Depression and Anxiety on Reward and Punishment Processing： Evidence from Computationally Informed EEG [J].Computational Psychiatry，2019，3：1-17.

[17] GRüNDLER T O J，CAVANAGH J F，F(xiàn)IGUEROA C M，et al. Task-related Dissociation in ERN Amplitude as a Function of Obsessive–compulsive Symptoms [J].Neuropsychologia，2009，47（8-9）：1978-1987.

作者簡介：符永燦（1997—），男，漢族，廣東廣州人，碩士研究生在讀，研究方向：智能數(shù)據(jù)分析與應用。

收稿日期：2023-09-20

A Method for Analyzing Schizophrenia Based on Graph Encoding and Few-Shot Learning

FU Yongchan， YIN Guimei， SHENG Zhilin

（College of Computer Science and Technology， Taiyuan Normal University， Jinzhong 030619， China）

Abstract： In research on functional brain diseases based on graph neural networks， the constructed brain networks remain static and typically require a large amount of data for modeling and training. To address these two problems， this paper proposes an analysis and diagnostic model based on graph encoding and Few-shot learning. The model utilizes Pearson correlation coefficient and Self-Attention mechanism to construct an adaptive brain network， and takes temporal features， frequency domain features， and brain network features as inputs to a graph convolutional neural network， thereby dynamically learning the adaptive brain network and graph encoding features. The graph encoding features are used as inputs to a graph prototype network for Few-shot learning and classification. Applying this model to the classification and diagnosis of schizophrenia， experimental results demonstrate an accuracy rate of 83.4% in schizophrenia identification. This provides a novel perspective and approach for brain network research， and opens up new directions for the application of Few-shot learning in schizophrenia studies.

Keywords： adaptive brain network; graph encoding feature; Few-Shot Learning; graph prototype network; schizophrenia