基于深度学习的自闭症谱系障碍fMRI数据分类研究.pdf

现代电子技术Modern Electronics Technique2023年11月1日第46卷第21期Nov.2023Vol.46 No.210 引 言自闭症谱系障碍（Autistic Spectrum Disorder,ASD）是一种发育障碍，可导致重大的社交、沟通和行为挑战1。2014年，自闭症总体患病率估计为每1 000名8岁儿童有 16.8 人患病，部分社区 ASD 患病率2接近 3%。近年来，人们一直担心儿童 ASD 患病率的增加34。然而，目前对自闭症的诊断高度依赖于传统的行为症状，这些行为症状通常具有主观性，容易导致忽视早期症状而误诊56。因此，寻找一种客观的生物标志物用于自闭症的早期诊断和及时干预治疗越来越受到精神病学和神经科学领域的关注。静息态功能核磁共振成像（RestingState Functional Magnetic Resonance Image,rsfMRI）是一种无需执行任何 特 定 任 务 即 可 测 量 受 试 者 血 氧 水 平 依 赖（Blood OxygenationLevel Dependent,BOLD）信号的技术，已广泛应用于神经影像学分析78。使用rsfMRI通常需要构建 功 能 连 接 网 络（Functional Connectivity Networks,FCNs）来表示每个主题，每个元素表示大脑 ROI（Region of Interest）之间的成对关系910。因此，FCNs 倾向于捕捉大脑成对 ROI的 BOLD信号之间的依赖关系，并已被用于识别潜在的神经影像生物标志物以诊断神经系统基于深度学习的自闭症谱系障碍fMRI数据分类研究陈茂洲，刘化东，许博俊，李梦琪（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）摘 要：与健康儿童对照相比，自闭症谱系障碍（ASD）患者的脑结构和功能存在显著异常，因此文中采用脑影像的方法实现ASD的辅助诊断。由于基于传统的脑图谱构建脑网络节点依赖于人为的先验知识和假设，因此将由受试者的数据通过数据驱动的方法即独立成分分析（ICA）进行全脑独立成分（ICs）分析，并将提取的 ICs作为感兴趣区域（ROI）提取时间序列，随后用计算得到的相关性矩阵构建脑网络并通过Node2vec方法将脑网络的节点向量化以生成节点特征，最后通过图卷积网络（GCN）刻画脑网络连接水平状态，并通过多层感知机（MLP）实现对ASD的识别。所用方法ICA+GCN在79名ASD患者和105名典型对照组中取得了86.1%的分类精度。综上，文中所用方法有望用于ASD辅助诊断。关键词：自闭症谱系障碍；独立成分分析；脑影像；脑网络；Node2vec；图卷积网络；多层感知机；辅助诊断中图分类号：TN911.134；TP391 文献标识码：A 文章编号：1004373X（2023）21004807Study on ASD fMRI data classification based on deep learningCHEN Maozhou,LIU Huadong,XU Bojun,LI Mengqi(Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China)Abstract：In comparison with healthy children,individuals with autistic spectrum disorder(ASD)exhibit significant abnormalities in brain structures and functions.Therefore,the brain imaging method is used to assist in the diagnosis of ASD.Since the brain network construction based on the traditional brain atlases depends on prior knowledge and assumptions,the participant data are subjected to wholebrain independent components(ICs)analysis by a datadriven method called independent component analysis(ICA).The extracted ICs are then used as regions of interest(ROI)to extract time series,and the resulting correlation matrix is used to construct a brain network.The method of Node2vec is used to vectorize the brain network nodes to generate node features,and the status of brain network connectivity is characterized by a graph convolutional network(GCN).The recognition of ASD is realized by multilayer perceptron(MLP).The method ICA+GCN achieves classification accuracy of 86.1%in a sample of 79 ASD patients and 105 typical controls.Therefore,this method has the potential to be used as an aid in the diagnosis of ASD.Keywords：ASD;ICA;brain imaging;brain network;Node2vec;GCN;MLP;assisted diagnosisDOI：10.16652/j.issn.1004373x.2023.21.010引用格式：陈茂洲，刘化东，许博俊，等.基于深度学习的自闭症谱系障碍fMRI数据分类研究J.现代电子技术，2023，46（21）：4854.收稿日期：20230307 修回日期：202303294848第21期疾病1112。它可以帮助了解大脑组织模式和诊断神经系统疾病，例如 ASD1314、阿尔兹海默症及其前期症状（即轻度认知障碍）15、帕金森16。然而，以往的研究往往首先从 FCNs中提取手工制作的网络特征（如节点的度和聚类系数），然后进行ASD诊断的模型预测17，这两个步骤被分开处理并高度依赖专家知识。随着深度学习的发展，特别是图神经网络（Graph Convolution Network,GCN）已被用于识别大脑 FCNs 中潜在的fMRI生物标志物，以用于疾病诊断1819。一般来说，每个大脑网络都可以看作是一个由不规则数据组成的复杂图结构20，不仅包含节点特征，还包含不同节点之间的拓扑信息。GCN提供了一个端到端的深度学习架构，可以自动学习节点特征和节点间的拓扑信息。目前的研究表明，将 GCN用于 fMRI分析有助于通过卷积和池化等操作自动捕获脑网络的高级拓扑信息，从而显著提高脑疾病的诊断性能21。1 材料与方法1.1 数据集本研究使用的数据来自美国自闭症脑成像数据交换项目（Autism Brain Imaging Data Exchange,ABIDE）数据集中纽约大学提供的184名受试者的fMRI数据，其中包括 79 名 ASD 和 105 名典型对照（Typical Controls,TC）。该站点是该数据集中具有最大样本量的站点。所有受试者经筛选，受试者必须没有癫痫发作史，没有超过 5 min 的意识丧失，没有抽动障碍或不自主运动，也没有任何已知的遗传、神经或精神障碍。其中典型对照组中的受试者必须没有自闭症谱系障碍家族史。典型对照组在群体水平上与自闭症谱系障碍受试者的年龄、性别、惯用手性和全面智商相匹配。所有的fMRI数据均为静息态数据，受试者被要求在扫描仪中躺着不动、闭上眼睛、保持清醒。屏幕上没有显示任何刺激物，扫描结束后，所有参与者都确认他们在整个过程中保持清醒。1.2 研究流程本研究首先使用数据驱动的方法即独立成分分析（Independent Component Correlation Algorithm,ICA）对fMRI数据进行全脑独立成分（Independent Components,ICs）分析，并将提取的 ICs作为感兴趣区域（ROI），提取ROI的时间序列；随后通过对比不同方法量化序列间的相关性程度得到相关性矩阵，根据阈值选取策略构建脑网络；构建的脑网络需要进行两步操作，一是将其经过对称化、二值化等策略转换为无向脑网络，二是通过Node2vec方法将脑网络的节点向量化以生成节点特征；然后将得到的无向脑网络和节点特征输入 GCN网络以刻画脑网络连接水平状态；最后通过一层多层感知机（Multilayer Perceptron,MLP）实现对 ASD的识别，如图 1所示。图1 研究流程图1.3 实验设计由本研究的流程，分别设计了如下实验：1）ICA对fMRI数据进行全脑ICs分析，并将提取的ICs作为ROI，提取ROI的时间序列。2）脑网络阈值选取及属性分析实验。通过分析阈值、脑网络密度和小世界属性三者之间的关系确定阈值；然后计算不同脑网络密度下 ASD和 TC的小世界属性值。3）对比多个方法量化 ASDTC 功能子网络间相关程度。4）根据阈值选取策略构建脑网络。5）将构建的带权有向脑网络经过对称化、二值化等策略转换为无向脑网络且输入 GCN网络来刻画脑网络连接水平状态，并通过MLP实现ASD的识别。1.4 方 法1.4.1 独立成分分析独立成分分析（ICA）是一种完全数据驱动的分析方法，适用于更广泛的领域。之前对功能核磁共振成像数据进行的研究都是在时间序列预先知道的情况下，通过相关分析得到大脑的激活区。如果不知道大脑收集数据的时间序列以及激活大脑的因素，那么就无法确定信号源和混合矩阵。这种情况下通常会采用盲源分离方法来解决问题，其中最常用的方法是独立成分分析。通过这种方法可以对功能核磁共振成像数据进行混合分离，并提取与任务相关的成分。线性分解方法是一种替代聚类来定义节点的方法，其中 ICA 方法较为常用。与大多数体素聚类方法不同的是，ICA等方法不考虑空间邻近信息（也就是说，它们不区分体素在空间上相邻还是相隔较远。因此，这类方法通常会造成不连续的分割）。简而言之，ICA 旨在将数据分解成一组成分，这些成分由独立的空间位置图和描述这些成分随时间变化的时间序列图构成。ICA 对陈茂洲，等：基于深度学习的自闭症谱系障碍fMRI数据分类研究49现代电子技术2023年第46卷fMRI数据进行全脑 ICs分析，并将提取的 ICs作为 ROI，提取ROI的时间序列。图2是组独立成分分析流程。图2 组独立成分分析流程1.4.2 功能子网络间相关程度分析计算各 ICs 间的相关性，计算各 ICs 内所有体素的平均时间序列，作为该ICs的时间序列xi()t。1）Graphical Lasson CV稀疏逆协方差（Sparse Inverse Covariance）也称为精度逆协方差（Precision Matrix）或精确相关系数矩阵的逆矩阵（Inverse of the Precise Correlation Matrix）。稀疏逆协方差是指对于一个给定的高维数据集，通过分析数据集中各个变量之间的线性关系，得到一个矩阵，可以用来衡量不同变量之间的相关性，同时也可以用于数据降维和特征选择。稀疏逆协方差公式由式（1）计算：()ij=-1ijSij+12iij（1）式中：为稀疏逆协方差矩阵；i和j为第i和第j个变量 的 标 准 差；S为 协 方 差 矩 阵；ij为 克 罗 内 克（Kronecker）函数，即当i=j时，取值为1，否则为0。2）Spearman斯皮尔曼相关系数也被称为等级相关系数或顺序相关系数，它是一种计算两个变量之间关联性的统计量，使用一种基于样本值大小顺序排列的方法，将实际数据转化为等级形式进行计算。具体而言，该系数的计算方式如下：给定两个向量：X=(X1,X2,Xn)，Y=(Y1,Y2,Yn),首先对这两个向量进行排序，得到元素的排行x、y，以xi、yi分别表示Xi在X中的排行以及Yi在Y中的排行，再将集合x、y中的元素对应相减得到一个排行差分集合d，则斯皮尔曼相关系数计算公式为：r=1-6i=1NdiN(N2-1)（2）3）Pearson采 用 式（3）的 Pearson 相 关 系 数 计 算 各 ICs 的 相关性：rij=t=1Txi()t-x ixj()t-x jt=1Txi()t-x i2t=1Txj()t-x j2（3）式中：xi()t和xj()t分别为独立成分i和独立成分j在t时刻的血氧水平依赖（BOLD）值，i,j 1,N，N为独立成分数量；T为时长；x i和x j为脑区i和脑区j在T内的平均BOLD 值；脑区i和脑区j之间的皮尔森相关系数值用rij表示，最终得到大小为N N的相关系数矩阵。1.4.3 脑网络rsfMRI能够较好地反映大脑的自发神经元活动22，已有研究表明 ASD患者的静息态数据反映的功能状态与 TC的不同23。因此，对 rsfMRI构建的脑网络进行量化可以用来识别 ASD。构建脑网络主要有如下三个步骤：1）使用 ICA 对 fMRI 数据进行全脑 ICs 分析，将大脑划分成多个功能区域，把每一个 ICs 定义成网络的一个节点。2）计算各ICs间的相关性。3）制定阈值策略将脑区相关性矩阵转换成邻接矩阵。脑功能网络是一种复杂而稀疏的网络，其主要由大量短程边和少量长程边组成。脑功能网络需要制定合适的阈值将脑网络间的相关系数矩阵转换为二值化邻接矩阵。当相关系数大于设定的阈值时，可以认为两个脑区之间存在功能连接边。反之，如果相关系数小于该阈值，则认为两个脑区之间不存在功能连接边。研究表明，脑网络通常具有低消耗特性，其密度往往不超过50%。当密度在这个范围内逐渐增加时，脑网络的全局和局部效率呈现非线性增长趋势。当脑网络呈现出大于 50%的稀疏区间时，其网络结构将会变得随机，这种随机化可能导致网络性能的下降，因为脑网络的稳定性和信息传递能力受到了影响24。因此，在本研究中为确保脑网络密度小于50%，由式（4）计算网络密度：S=1N()N-1i=1Nki（4）式中ki为节点i的度。人类的大脑在信息传递过程中采用了小世界现象作为一种优化模式。研究表明，ASD患者的脑功能网络小世界属性低于普通人。小世界属性可通过式（5）计算得出，当结果中的 1时，说明该脑功能网络具有小世界拓扑结构25。=（5）式中：=C Crandom，C为脑功能网络的聚类系数，由式（6）计算，Crandom=kN，为随机网络下的聚类系数，k为节点的平均度；=L Lrandom，Lrandom=ln N ln k，为随机网络下的平均路径长度，L为脑功能网络的平均路径长度，由式（7）计算，k为节点的度。C=1Ni=1NCi=1Ni=1N2Eiki()ki-1（6）50第21期L=1Ni=1NLi=1Ni=1Nj=1,j iNdijN-1（7）式中：节点i的聚类系数记为Ci；Ei为节点i与相邻节点间存在的连接边数；Li为节点i到其他所有节点的平均最短路径长度；dij为节点i和j的最短路径长度。1.4.4 Node2vec算法Node2vec是图嵌入节点转换为向量的算法，输入为网络结构，输出为每个节点对应的低维向量，而非高维onehot编码向量，如图3所示。该算法不仅最大程度地保留脑网络原有的非欧几里德空间结构特性，也便于深度学习模型提取其内在特征26。图3 Node2vec算法示意图Node2vec 是 介 于 深 度 优 先 搜 索（Depth First Search,DFS）和 宽 度 优 先 搜 索（Breadth First Search,BFS）之间的搜索算法，通过参数调整其搜索方式偏向DFS 或偏向 BFS，既能由 DFS 体现网络的结构性，也能由 BFS 体现网络的同质性。Node2vec 的核心算法为node2vecwalk，从节点v开始，按固定步长1游走到节点x的概论由式（8）计算：P()ci=|x ci-1=v=pq()v,x wvxZ（8）式中：ci表示当前节点；ci-1表示前一个节点；Z为归一化常数；wvx为有向图中边权重（本研究采用无向图，wvx=1）；pq()v,x为元转移概率，由式（9）计算。pq()v,x=1p,dvx=01,dvx=11q,dvx=2（9）式中：dvx表示三种候选节点的类型，dvx=0表示候选节点为前一个时刻节点y，代表回头路，dvx=1代表候选节点x到v的距离与前一时刻节点y到v的距离相等，即BFS，dvx=2代表DFS；p和q代表方向参数。由参数p和q获取转移概率，再由node2vecwalk算法获取游走序列，最后通过随机梯度下降的方法得到每个节点的向量表示RN d，其中N为节点数，d为嵌入维度。1.4.5 图卷积网络生成的用于表示脑网络的可学习图谱属于非欧空间，图结构能够传达大脑连接的表示并捕获大脑网络拓扑结构，但非结构化的特点使得其不能直接作为仅限于欧几里德输入的传统卷积神经网络（例如 2D/3D 图像）的 输 入。因 此，想 要 像 卷 积 神 经 网 络（Convolution Neural Network,CNN）处理欧氏空间的数据一样自动化提取特征，需要引入图卷积网络（GCN）来自动化地学习图的结构信息与特征信息。GCN能够利用输入节点之间的邻域结构来生成新的特征图，从而实现直接对图结构数据进行建模。在过去的 10 年里，深度学习已经彻底改变了计算机辅助诊断的现状。GCN也被广泛用于捕捉图数据中的结构信息（A）和语义信息（X）。在此基础上，GCN 利用 ROI之间的关系来寻找共同的模式/生物标记物，这种方法在神经科学中受到了越来越多的关注。因此，在本研究中，采用 GCN 模型对被试的 35个 ROI间的关系进行建模，对于图G=A,X在第I个隐藏层上的GCN操作被定义为：H（l+1）=(AH(l)W(l)（10）A=A+I（11）式中：I表示单位矩阵；H(l)为第l层单个受试者的输出特征，H(0)就是X矩阵；()表示激活函数 PReLU；W(l)为图卷积算子变换的参数，可以优化训练。在本研究中使用三层卷积来建模。一方面，GCN能够很好地对功能和结构特征进行融合，并帮助生成全脑标记；另一方面，除了对多模态特征进行融合，GCN还对各节点间的关系进行建模，并实现了模型对ROI空间信息的补充，从而帮助提取共同的连接模式或生物标记。反过来，有效的全脑标记能够监督 GCN 的学习方向并推动GCN的训练和学习。2 结 果2.1 ICA结果本文采用 Python 中 Nilearn 包的 CanICA 进行独立成分的估计和分离。最终本文设定fMRI信号中独立成分个数为 42，并且在选择脑网络成分时采用了两个标准：一是主要激活分布在灰质区域，且与已知的血管、头动等成分重叠度较低的区域；二是时间序列的功率谱以低频功率为主。此外，进行了人工视觉检查以剔除噪声成分。最终，从原始数据中去除了7个含噪声较多的成分，保留了 35 个脑网络成分，其中主要的 10 个 ICs 如图4所示。陈茂洲，等：基于深度学习的自闭症谱系障碍fMRI数据分类研究51现代电子技术2023年第46卷图4 主要的10个ICs2.2 功能子网络相关性分析结果本文采用稀疏逆协方差、斯皮尔曼和皮尔森三种方法计算功能子网络的相关性，这三种方法的相关性分析结果如图 5所示。得到相关矩阵后根据阈值选择策略构建脑网络，并将构建的带权有向脑网络经过对称化、二值化等策略转换为无向脑网络，最后输入 GCN 来刻画网络连接水平状态，并通过一层 MLP 实现对 ASD 的识别，得到了不同的分类精度。图5 不同方法的相关性分析结果最后，经过比较选择其中分类精度最高的稀疏逆协方差作为本文计算相关性的方法，得到了86.1%的分类准确率。2.3 分类性能及对比实验本文使用 ICAGCN模型识别 ASD患者和 TC的平均准确率（Accuracy,ACC）为 86.1%（84.6%87.6%），平均接收者操作特征（Receiver Operating Characteristic,ROC）曲 线 下 面 积（Area Under Curve,AUC）为 0.93（0.17%），具体的 ROC 及 AUC 表现如图 6 所示。本文提出的 ICA+GCN 的方法与文献27提出的通过无超参数的支持支持向量机（Support Vector Machine,SVM）和文献28提出的多尺度GCN相比，分类精度分别提高了20.5%和6.6%。表 1 对比了本文方法与其他两种相关代表方法在同一个数据集上的表现。2.4 神经标志物识别ASD的结果ASD 与 TC 的原始 rsfMRI 数据是不具有直接可分性的高维数据，为方便可视化，经主成分分析（Principal Component Analysis,PCA）降为2维，如图7所示，在两个主成分方向上ASD和TC完全重叠。图6 ROC及AUC表1 本文方法与相关代表方法的性能比较文献27文献28本文方法SVMGCNICA+GCNACC/%65.679.586.1AUC0.7200.8860.930样本量184184184脑图谱AALAAL,CC200ICA本研究采用GCN+NLP提取16维的神经标志物以识52第21期别ASD和TC，为方便可视化，由PCA将16维高维的标志物降为2维，其中每个点代表一个受试者，如图8所示。图7 原始特征散点图图8 分类结果散点图3 结 语本文开发了一种基于 rsfMRI 的 ASD 自动诊断方法。在该方法中使用基于数据驱动的 ICA 对大脑图谱进行 ROI划分。随后根据对比不同方法量化序列间的相关程度得到相关矩阵，根据阈值选择策略构建脑网络，并将构建的带权有向脑网络经过对称化、二值化等策略转换为无向脑网络，最后输入 GCN 来刻画网络连接水平状态，并通过一层 MLP 实现对 ASD 的识别。使用 rsfMRI评估来自 ABIDE 数据库的 184 名受试者，结果证明了其在ASD诊断中的有效性。注：本文通讯作者为陈茂洲。参考文献1 SIMONOFF E,PICKLES A,CHARMAN T,et al.Psychiatric disorders in children with autism spectrum disorders:prevalence,comorbidity,and associated factors in a populationderived sample J.Journal of the American academy of child and adolescent psychiatry,2008,47(8):921929.2 JON B,LISA W,L D C,et al.Prevalence of autism spectrum disorder among children aged 8 years autism and developmental disabilities monitoring network,11 Sites,United States,2014 J.Morbidity and mortality weekly report.Surveillance summaries(Washington,D.C.:2002),2018,67(6):124.3 HODGES H,FEALKO C,SOARES N.Autism spectrum disorder:definition,epidemiology,causes,and clinical evaluation J.Translational pediatrics,2020,9(S1):5565.4 AHAMMED M S,NIU S,AHMED M R,et al.Bagoffeatures model for ASD fMRI classification using SVM C/2021 Asiapacific Conference on Communications Technology and Computer Science(ACCTCS).S.l.:s.n.,2021:5257.5 American Psychiatric Association.Diagnostic and statistical manual of mental disorders:DSM V EB/OL.19940101.https:/ LORD C,ELSABBAGH M,BAIRD G,et al.Autism spectrum disorder J.Lancet,2018,392(10146):508520.7 BUCKNER R L,KRIENEN F M,YEO B T.Opportunities and limitations of intrinsic functional connectivity MRI J.Nature neuroscience,2013,16(7):832837.8 LI Y,LIU J Y,TANG Z Y.Deep spatialtemporal feature fusion from adaptive dynamic functional connectivity for MCI identification J.IEEE transactions of medical imaging,2020,39(9):28182830.9 DVORNEK N C,VENTOLA P,PELPHREY K A,et al.Identifying autism from resting state fMRI using long short term memory networks C/2017 Machine Learning in Medical Imaging:8th International Workshop.Heidelberg,Germany:Springer,2017:362370.10 XING X D,LI Q F,WEI H,et al.Dynamic spectral graph convolution networks with assistant task training for early MCI diagnosis C/International Conference on Medical Image Computing and Computer assisted Intervention.Heidelberg,Germany:Springer,2019:639646.11 EL GAZZAR A,CERLIANI L,VAN WINGEN G,et al.Simple 1 D convolutional networks for resting state fMRI based classification in autism C/2019 International Joint Conference on Neural Networks(IJCNN).New York:IEEE,2019:16.12 WANG M,LIAN C,YAO D,et al.Spatialtemporal dependency modeling and network hub detection for functional MRI analysis via convolutionalrecurrent network J.IEEE transactions on biomedical engineering,2020,67(8):22412252.13 BIJSTERBOSCH J,SMITH S M,BECKMANN C.An introduction to resting state fMRI functional connectivity M.England:Oxford University Press,2017.14 KAZI A,SHEKARFOROUSH S,KRISHNA S A,et al.InceptionGCN:receptive field aware graph convolutional network for disease prediction C/International Conference on Information Processing in Medical Imaging.Heidelberg,Germany:陈茂洲，等：基于深度学习的自闭症谱系障碍fMRI数据分类研究53现代电子技术2023年第46卷Springer,2018:7385.15 AMINI M,PEDRAM M,MORADI A,et al.Diagnosis of Alzheimers disease severity with fMRI images using robust multitask feature extraction method and convolutional neural network(CNN)J.Computational mathematical methods in medicine,2021(1):115.16 VIVARESTUDILLO G,HAJARI N,IBARRAMANZANO M A,et al.Parkinsons disease detection and diagnosis from fMRI:a literature review C/International Conference on HumanComputer Interaction.Heidelberg,Germany:Springer,2021:630638.17 WANG M,ZHANG D,HUANG J,et al.Identifying autism spectrum disorder with multisite fMRI via lowrank domain adaptation J.IEEE transactions on medical imaging,2020,39(3):644655.18 LI X,DVORNEK N C,ZHOU Y,et al.Graph neural network for interpreting taskfMRI biomarkers C/International Conference on Medical Image Computing and Computerassisted Intervention.Heidelberg,Germany:Springer,2019:485493.19 WU Z,PAN S,CHEN F,et al.A comprehensive survey on graph neural networks J.IEEE transactions on neural networks and learning systems,2021,32(1):424.20 ZHANG D,HUANG J,JIE B,et al.Ordinal pattern:a new descriptor for brain connectivity networks J.IEEE transactions on medical imaging,2018,37:17111722.21 YU S,WANG S,XIAO X,et al.Multiscale enhanced graph convolutional network for early mild cognitive impairment detection C/International Conference on Medical Image Computing and Computer assisted Intervention.Heidelberg,Germany:Springer,2020:228237.22 DENG H,HIMED B.A virtual antenna beamforming(VAB)approach for radar systems by using orthogonal coding waveforms J.IEEE transactions on antennas and propagation,2009,57(2):425435.23 MONK CHRISTOPHER S,PELTIER S,WIGGINS J L,et al.Abnormalities of intrinsic functional connectivity in autism spectrum disorders J.Neuroimage,2009,47(2):764772.24 薛绍伟，唐一源，李健，等.一种基于fMRI数据的脑功能网络构建方法J.计算机应用研究，2010，27（11）：40554057.25 PURUSHOTHAMA G K,JENKINS L.Simulated annealing with local search:a hybrid algorithm for unit commitment J.IEEE transactions on power systems,2002,18(1):273278.26 GROVER A,LESKOVEC J.node2vec:Scalable feature learning for networks EB/OL.2016 07 03.https:/arxiv.org/abs/1607.00653v1.27 SUN L,XUE Y,ZHANG Y,et al.Estimating sparse functional connectivity networks via hyperparameterfree learning model J.Artificial intelligence in medicine,2021,111:102004.28 CHU Y,WANG G,CAO L,et al.Multiscale graph representation learning for autism identification with functional MRI J.Frontiers in neuroinformatics,2022,15:802305.作者简介：陈茂洲（1998），男，河南信阳人，硕士，研究方向为医学图像处理、脑机接口。刘化东（1997），男，山东菏泽人，硕士，研究方向为脑机智能融合。许博俊（1998），男，湖南株洲人，硕士，研究方向为近红外情绪。李梦琪（1995），男，江苏徐州人，硕士，研究方向为脑机接口、神经反馈。54