反社会人格障碍模式识别分析

陈金刚+唐艳

摘 要：目的：探讨一种识别反社会人格障碍（antisocial personality disorder，ASPD）个体的方法。方法：找出ASPD个体与正常人的局部一致性（regional homogeneity，ReHo）存在差异的区域，提取个体在这些区域的值作为特征，采用多种模式识别方法（线性判别分析、C均值聚类和支持向量机）实现对ASPD个体的识别。结果：采用非线性核的支持向量机方法可以最好的（精确度：87.88%）区分ASPD个体和对照。结论：针对ReHo的模式识别方法可以有效的识别ASPD个体。

关键词：反社会人格障碍；局部一致性；模式识别

反社会人格障碍（antisocial personality disorder，ASPD）是人格障碍的一种类型，有这种障碍个体的突出点是行为具有悖离社会规范的倾向，易对社会经济造成巨大破坏[1]。现有研究表明局部一致性（regional homogeneity，ReHo）能够反映疾病中人脑自发活动的异常，有助于我们发现其潜在的精神病理机制[2]。因此，我们采用个体在感兴趣区域的ReHo均值作为特征分量，构建多种分类器，最后找到一种可以有效区分ASPD和正常人的方法。

1 方法

1.1 预处理

预处理步骤主要包括：去除前5张图像以排除干扰，层间时间校正，头动校正（仅保留头动平移小于1mm和转动小于一度的数据），空间标准化，去线性漂移和带通滤波（0.01～0.08Hz）。

1.2 ReHo的计算

ReHo是一个体素与周围体素在时间序列上的相似性的度量，相似性强的体素可以被认为在进行相同的活动。采用肯德尔和谐系数（KCC）来描述体素间在整个时间段的相似程度[3]，KCC的计算方法如下：

W为KCC值；Ri是体素i时间序列秩和；R表示所选时间序列上Ri的平均值；n是时间点数；K是所选最邻域体素数，根据最邻域的选择标准，一般K有7、15和27三种选择，本研究中采用的是27。

得到受试ReHo图像后，将每一体素ReHo值除以全脑ReHo均值以进行标准化，再采用FWMH为4mm的高斯滤波器进行平滑以除去干扰。

1.3 特征选择

得到所有受试处理好的ReHo图像后，按照受试病理情况分成两组，进行双样本T检验，找出符合统计学显著性标准的组间差异的大脑区域，将其作为感兴趣区域（region of interest，ROI）。每个感兴趣区域选取的原则如下：以符合统计学显著性意义的ReHo值组间差异最明显的体素为中心，6mm为半径，构成一个球型ROI。

1.4 分类器性能的评估

论文采用三种模式识别分析方法（线性判别分析[4]、C均值聚类[5]、支持向量机[6]）分别作了识别分析。识别过程中，由于样本数目有限，我们采用留一法交叉验证（leave-one-out cross-validation，LOOCV）来估计分类器的分类能力。在LOOCV中，分类器的性能可以由三个参数表示：GR、SC和SC，分别表示样本被正确预测的总比例、病人被正确预测的比例和对照组被正确预测的比例。通过这三个参数的比较，即可得出分类器的优劣。

2 结果

采用不同分类算法的分类性能如图1所示。不同算法中的最优参数，采用了重复交叉验证计算。

图1分类结果。横轴表示样本的编号，纵轴表示样本在分类计算中的得分，其中+1的标签代表ASPD个体，-1的标签代表健康对照，因此前32个样本中，得分大于0的表示ASPD个体被正确分类，后34个样本中，得分小于0的表示健康对照个体被正确分类。（A）采用LDA算法分类的结果； （B）采用C均值分类算法的结果；（C）采用SVM算法的结果，软间隔参数C=2.5。

可以看出，使用SVM方法得到最优结果（ASPD：81.25%； 对照组：94.12%），即87.88%的精确度。

3 讨论

三种模式识别方法的分类率都达到了83%以上，从而说明，ReHo可以成为有效的识别ASPD人群特征向量。在LDA和C-mean方法中，ASPD的识别率很高，最大达到90%，但是同时对正常人的识别率较低，也就说对正常人的误判较高。而采用非线性核的SVM，可以得到最好的结果，同时获得较好的ASPD和正常人的识别率。因此，研究认为采用非线性核SVM方法可以很有效的识别ASPD个体。

参考文献

[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]吴晓婷，闫德勤. 数据降维方法分析与研究 [J]. 计算机应用研究，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：探讨一种识别反社会人格障碍（antisocial personality disorder，ASPD）个体的方法。方法：找出ASPD个体与正常人的局部一致性（regional homogeneity，ReHo）存在差异的区域，提取个体在这些区域的值作为特征，采用多种模式识别方法（线性判别分析、C均值聚类和支持向量机）实现对ASPD个体的识别。结果：采用非线性核的支持向量机方法可以最好的（精确度：87.88%）区分ASPD个体和对照。结论：针对ReHo的模式识别方法可以有效的识别ASPD个体。

关键词：反社会人格障碍；局部一致性；模式识别

反社会人格障碍（antisocial personality disorder，ASPD）是人格障碍的一种类型，有这种障碍个体的突出点是行为具有悖离社会规范的倾向，易对社会经济造成巨大破坏[1]。现有研究表明局部一致性（regional homogeneity，ReHo）能够反映疾病中人脑自发活动的异常，有助于我们发现其潜在的精神病理机制[2]。因此，我们采用个体在感兴趣区域的ReHo均值作为特征分量，构建多种分类器，最后找到一种可以有效区分ASPD和正常人的方法。

1 方法

1.1 预处理

预处理步骤主要包括：去除前5张图像以排除干扰，层间时间校正，头动校正（仅保留头动平移小于1mm和转动小于一度的数据），空间标准化，去线性漂移和带通滤波（0.01～0.08Hz）。

1.2 ReHo的计算

ReHo是一个体素与周围体素在时间序列上的相似性的度量，相似性强的体素可以被认为在进行相同的活动。采用肯德尔和谐系数（KCC）来描述体素间在整个时间段的相似程度[3]，KCC的计算方法如下：

W为KCC值；Ri是体素i时间序列秩和；R表示所选时间序列上Ri的平均值；n是时间点数；K是所选最邻域体素数，根据最邻域的选择标准，一般K有7、15和27三种选择，本研究中采用的是27。

得到受试ReHo图像后，将每一体素ReHo值除以全脑ReHo均值以进行标准化，再采用FWMH为4mm的高斯滤波器进行平滑以除去干扰。

1.3 特征选择

得到所有受试处理好的ReHo图像后，按照受试病理情况分成两组，进行双样本T检验，找出符合统计学显著性标准的组间差异的大脑区域，将其作为感兴趣区域（region of interest，ROI）。每个感兴趣区域选取的原则如下：以符合统计学显著性意义的ReHo值组间差异最明显的体素为中心，6mm为半径，构成一个球型ROI。

1.4 分类器性能的评估

论文采用三种模式识别分析方法（线性判别分析[4]、C均值聚类[5]、支持向量机[6]）分别作了识别分析。识别过程中，由于样本数目有限，我们采用留一法交叉验证（leave-one-out cross-validation，LOOCV）来估计分类器的分类能力。在LOOCV中，分类器的性能可以由三个参数表示：GR、SC和SC，分别表示样本被正确预测的总比例、病人被正确预测的比例和对照组被正确预测的比例。通过这三个参数的比较，即可得出分类器的优劣。

2 结果

采用不同分类算法的分类性能如图1所示。不同算法中的最优参数，采用了重复交叉验证计算。

图1分类结果。横轴表示样本的编号，纵轴表示样本在分类计算中的得分，其中+1的标签代表ASPD个体，-1的标签代表健康对照，因此前32个样本中，得分大于0的表示ASPD个体被正确分类，后34个样本中，得分小于0的表示健康对照个体被正确分类。（A）采用LDA算法分类的结果； （B）采用C均值分类算法的结果；（C）采用SVM算法的结果，软间隔参数C=2.5。

可以看出，使用SVM方法得到最优结果（ASPD：81.25%； 对照组：94.12%），即87.88%的精确度。

3 讨论

三种模式识别方法的分类率都达到了83%以上，从而说明，ReHo可以成为有效的识别ASPD人群特征向量。在LDA和C-mean方法中，ASPD的识别率很高，最大达到90%，但是同时对正常人的识别率较低，也就说对正常人的误判较高。而采用非线性核的SVM，可以得到最好的结果，同时获得较好的ASPD和正常人的识别率。因此，研究认为采用非线性核SVM方法可以很有效的识别ASPD个体。

参考文献

[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]吴晓婷，闫德勤. 数据降维方法分析与研究 [J]. 计算机应用研究，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：探讨一种识别反社会人格障碍（antisocial personality disorder，ASPD）个体的方法。方法：找出ASPD个体与正常人的局部一致性（regional homogeneity，ReHo）存在差异的区域，提取个体在这些区域的值作为特征，采用多种模式识别方法（线性判别分析、C均值聚类和支持向量机）实现对ASPD个体的识别。结果：采用非线性核的支持向量机方法可以最好的（精确度：87.88%）区分ASPD个体和对照。结论：针对ReHo的模式识别方法可以有效的识别ASPD个体。

关键词：反社会人格障碍；局部一致性；模式识别

反社会人格障碍（antisocial personality disorder，ASPD）是人格障碍的一种类型，有这种障碍个体的突出点是行为具有悖离社会规范的倾向，易对社会经济造成巨大破坏[1]。现有研究表明局部一致性（regional homogeneity，ReHo）能够反映疾病中人脑自发活动的异常，有助于我们发现其潜在的精神病理机制[2]。因此，我们采用个体在感兴趣区域的ReHo均值作为特征分量，构建多种分类器，最后找到一种可以有效区分ASPD和正常人的方法。

1 方法

1.1 预处理

预处理步骤主要包括：去除前5张图像以排除干扰，层间时间校正，头动校正（仅保留头动平移小于1mm和转动小于一度的数据），空间标准化，去线性漂移和带通滤波（0.01～0.08Hz）。

1.2 ReHo的计算

ReHo是一个体素与周围体素在时间序列上的相似性的度量，相似性强的体素可以被认为在进行相同的活动。采用肯德尔和谐系数（KCC）来描述体素间在整个时间段的相似程度[3]，KCC的计算方法如下：

W为KCC值；Ri是体素i时间序列秩和；R表示所选时间序列上Ri的平均值；n是时间点数；K是所选最邻域体素数，根据最邻域的选择标准，一般K有7、15和27三种选择，本研究中采用的是27。

得到受试ReHo图像后，将每一体素ReHo值除以全脑ReHo均值以进行标准化，再采用FWMH为4mm的高斯滤波器进行平滑以除去干扰。

1.3 特征选择

得到所有受试处理好的ReHo图像后，按照受试病理情况分成两组，进行双样本T检验，找出符合统计学显著性标准的组间差异的大脑区域，将其作为感兴趣区域（region of interest，ROI）。每个感兴趣区域选取的原则如下：以符合统计学显著性意义的ReHo值组间差异最明显的体素为中心，6mm为半径，构成一个球型ROI。

1.4 分类器性能的评估

论文采用三种模式识别分析方法（线性判别分析[4]、C均值聚类[5]、支持向量机[6]）分别作了识别分析。识别过程中，由于样本数目有限，我们采用留一法交叉验证（leave-one-out cross-validation，LOOCV）来估计分类器的分类能力。在LOOCV中，分类器的性能可以由三个参数表示：GR、SC和SC，分别表示样本被正确预测的总比例、病人被正确预测的比例和对照组被正确预测的比例。通过这三个参数的比较，即可得出分类器的优劣。

2 结果

采用不同分类算法的分类性能如图1所示。不同算法中的最优参数，采用了重复交叉验证计算。

图1分类结果。横轴表示样本的编号，纵轴表示样本在分类计算中的得分，其中+1的标签代表ASPD个体，-1的标签代表健康对照，因此前32个样本中，得分大于0的表示ASPD个体被正确分类，后34个样本中，得分小于0的表示健康对照个体被正确分类。（A）采用LDA算法分类的结果； （B）采用C均值分类算法的结果；（C）采用SVM算法的结果，软间隔参数C=2.5。

可以看出，使用SVM方法得到最优结果（ASPD：81.25%； 对照组：94.12%），即87.88%的精确度。

3 讨论

三种模式识别方法的分类率都达到了83%以上，从而说明，ReHo可以成为有效的识别ASPD人群特征向量。在LDA和C-mean方法中，ASPD的识别率很高，最大达到90%，但是同时对正常人的识别率较低，也就说对正常人的误判较高。而采用非线性核的SVM，可以得到最好的结果，同时获得较好的ASPD和正常人的识别率。因此，研究认为采用非线性核SVM方法可以很有效的识别ASPD个体。

参考文献

[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]吴晓婷，闫德勤. 数据降维方法分析与研究 [J]. 计算机应用研究，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