深度学习方法：多域连接卷积神经网络在精神分裂症脑功能网络分类中的应用

"该文介绍了一种基于多域连接卷积神经网络(MDC-CNN)的精神分裂症(Schizophrenia, SZ)脑功能网络分类方法，旨在通过深度学习技术捕捉和分析脑电图(EEG)中的异常连接模式。文章强调了传统研究中忽视大脑网络的连接方向性和拓扑组织的问题，并提出了结合时域、频域和拓扑度量的深度学习框架，以提升SZ患者的识别准确性。作者利用VAR系数、部分定向相干(PDC)以及复杂网络(CN)度量来表征定向脑网络连接，并通过这些特征融合在CNN中实现自动分类。实验结果证明了MDC-CNN的有效性，特别是在使用VAR、PDC、CN特征融合时，表现出优秀的SZ与健康对照组分类性能。" 本文的研究主要集中在精神分裂症的脑功能网络分析上，利用深度学习，特别是卷积神经网络(CNN)的技术，对脑电图数据进行多维度的特征提取和分类。首先，文章指出现有研究通常只关注单一领域的连接度量，如功能连接的Pearson相关系数，而忽视了大脑网络的连接方向性和整体拓扑结构。精神分裂症的病理特征被认为是大脑连接的异常，因此，理解并量化这些异常对于疾病的诊断和治疗至关重要。 为了克服这些限制，作者提出了多域连接卷积神经网络(MDC-CNN)。这个框架结合了时域、频域以及脑网络的拓扑信息，以更全面地捕捉精神分裂症患者的脑电图特征。具体来说，MDC-CNN利用了以下三种定向脑网络连接特征： 1. **VAR系数**：基于矢量自回归(VAR)模型，量化不同脑电图通道间的因果连接强度，反映了大脑区域间的信息流动。 2. **部分定向相干(PDC)**：这是一种频域特性，能够量化网络节点间的直接依赖关系，有助于识别大脑中的直接通信路径。 3. **复杂网络(CN)度量**：采用图论方法，包括多种能够揭示复杂脑网络拓扑结构的指标，以分析网络的高阶组织。 通过将这些特征集成到CNN模型中，MDC-CNN能够学习和识别精神分裂症患者与健康人的独特脑电图模式，从而提高了分类的准确性和可靠性。实验结果证明了这种方法的有效性，显示了深度学习在理解和诊断精神分裂症中的潜力，为未来的研究提供了新的视角和工具。