基于磁共振成像的情绪稳定性评价系统及其评价方法

摘要

本发明公开了一种基于磁共振成像的情绪稳定性评价系统及其评价方法，情绪稳定性评价系统，包括：情绪稳定特征样本库，存储具有不同情绪稳定性的情绪等级和情绪成分的磁共振结构及静息态功能影像属性；磁共振成像单元，获取被测个体脑部磁共振结构相和静息态功能相成像数据，并传输到特征提取单元；特征提取单元，从所述成像数据中，提取被测个体脑部的磁共振结构及静息态功能影像属性；模式分类器，将所述磁共振结构及静息态功能影像属性进行分类器训练；情绪稳定性评定单元，根据分类器训练结果以及磁共振结构及静息态功能影像属性，评定被测个体的情绪稳定性等级和/或情绪成因。借此，本发明实现了对被测个体情绪稳定等级和成因的准确、客观、稳定地评定。

说明书

技术领域

本发明涉及医学领域，尤其涉及一种基于磁共振成像的情绪稳定性评价系 统及其评价方法。

背景技术

情绪，是人各种的感觉、思想和行为的一种综合的心理和生理状态，是对 外界刺激所产生的心理反应，以及附带的生理反应，如：喜、怒、哀、乐等。 情绪是个人的主观体验和感受，常跟心情、气质、性格和性情有关。情绪是心 理活动的外在表型，这种外在表型在个体处在压力情景下更容易表现出来。

情绪稳定是指个体在情绪情境下不表现出过分激动的反应，是个体情绪自 我调节能力的体现和个性成熟度的标志参见“张氏心理学大辞典”[M]1，上海辞 书出版社，1991.225，作者：张春兴。个体的情绪稳定性差异是相对稳定的， 并且在不同情绪情境下表现出来：在面对复杂、紧急、恐惧或危险情况下，情 绪稳定的个体表现出泰然处之，能发挥个人能力；情绪不稳定的个体表现出不 知所措，过度紧张，行为失常，丧失控制局面的能力。情绪稳定性差异不但表 现在随情境的变化认知活动水平变化的差异上，也表现在情境控制能力的差异 上。参见Claudia H，Michael K，Lilly B.The impact of personality and taskcharacteristics on stress and strain during helicopter flight[J].International J Aviation Psychology，1991，1(4)：3012318.及Bertschy G.Relations between mood disorders and personality[J].Recent Data Encephale，1992，18(2)：187292.

情绪不稳定性，又译神经质(Neuroticism)是心理学研究中一个基本的人 格特质。它是一种经历消极情绪状态的持久倾向。情绪不稳定性得分高的人比 一般人更容易经历可能遇到的焦虑，愤怒，内疚和抑郁这样的情绪G.Matthews and Ian J.Deary.Personality traits.Cambridge，UK：Cambridge University Press. 1998.。他们应对环境压力能力较差，更有可能将正常情况解释为威胁，将小挫 折看成绝望的困难。他们通常是自我意识和害羞，并有可能难以控制冲动和延 迟满足。情绪不稳定性与低情商相关，包括情绪调节，动机和人际关系技巧较 低参见Daniel Goleman.Emotional Intelligence.New York：Bantam.1997.。这也是 “内化”精神疾病如恐惧症，抑郁症，恐慌症。和其他焦虑症(传统上被称为神经 症)的一个危险因素。参见这篇论文(Hettema，J.M.，Neale，M.C.，Myers，J.M.， Prescott，C.A.，&Kendler，K.S.神经质和内化障碍关系的双生子人群研究。 American journal of Psychiatry，163：857-864，2006)。

情绪不稳定的人对事件的发生容易引起情绪反应，一经引起情绪波动，对 情绪的控制较差。这种情绪的稳定性与个人的意志强度有关。作者为朱智贤的 心理学大辞典认为个体由于意志上的差异导致情绪控制的差异。在紧张情境下， 情景控制能量储备高的个体认知活动准确性和动作操作灵活性受损小，并恢复 速度大于能量储备低的个体；紧张情境使能量储备低的个体表现出交感活动亢 进，交感-副交感活动失平衡。

相反，情绪稳定性得分较高的人情绪比较稳定，他们通常是平静的，不容 易感到紧张或慌乱。虽然他们消极情绪低，但是正面的情绪不一定高。这是与 外向性相独立的一个特质。情绪不稳定外向型，是一种正面和负面的情绪状态 水平都很高的类型，即所谓“情绪过山车”。情绪稳定性得分较高的人，尤其是那 些外向性也高的，通常幸福程度和对生活的满意度较高。

情绪稳定性(emotional stability)是特定职业人群如飞行人员(航天员)、升 学前学生等高应激、高认知负荷和高危险性职业活动所必须的基本心理品质， 是这一特殊环境和条件下完成高技术作业的前提和条件。升学成绩好坏、飞行 (航天)活动的安全、飞行特情的处理能力均与该职业个体的情绪稳定性水平 密切相关。因此，有效地对情绪稳定性进行评价及预测个性影响因素与飞行学 员情绪稳定性关系研究就显得十分重要。

情绪稳定性普遍被认为由三个有区别的但又相互重叠的成因构成：人格因 素、情绪因素、认知因素，所有的这些会对个体在某种情景下的情绪表现产生 不同程度的影响。目前的主观诊断技术，如评价量表、情绪稳定性问卷表，只 能单一地对情绪稳定的等级进行评定，并不能得出情绪稳定性的性质；且这种 方法对于丧失主观表达的患者受到限制。而目前的客观评价方法，行为测定法 和生理学测定法都是从不同的角度对情绪稳定性进行间接的评价，不够可靠且 只能给出有限的信息，对情绪稳定性的量化也受到限制。

因此，一种能客观准确地评价情绪稳定性和检测情绪稳定性中各种因素作 用的系统和方法，有着很大的社会需求。目前对于情绪稳定性的评定在很大程 度上依赖于对象的主观的陈述和心理学量表测评，具有较强的主观性，一种能 够可靠检测与情绪稳定性相关变化的客观方法能够改进对情绪稳定性的评估和 预测。如果这种技术还能够检测情绪稳定性中的不同相关成因，如人格因素、 情绪因素、认知因素，这将会给情绪相关的测评和诊疗工作带来强有力的推动 作用。

近年来脑功能成像的研究已使人们对情绪状态的中枢机制的理解产生了革 命性的变化。事实上，似乎人们已处于通过FMRI(Functional Magnetic Resonance Imaging，磁共振功能成像)来获得被试情绪状态全新临床信息的边缘。情绪稳 定性是一种相对恒定的状态，功能成像已经重新定义抑郁、精神分裂症等精神 疾病的不同亚型具有特定的神经影像学标志物，在此参考了这篇论文(Gong Q， Wu Q，Scarpazza C，Lui S，Jia Z，Marquand A，Huang X，McGuire P，Mechelli A.. 使用高场手段的抑郁症治疗的预后预测。Neuroimage，55：1497-503，2011)。并且 已经为标示一些复杂疾病比如首发抑郁这些疾病的严重程度研发了影像特征指 标，在此参考了这篇论文(Zhang JR，Wang JH，Wu QZ，Kuang WH，Huang XQ，He Y，Gong QY.首发、未用药抑郁患者的异常脑连接网络。Biological Psychiatry， 2011)。结构及静息功能磁共振成像对被试和成像操作人员要求少、可重复性高， 能够反映脑结构和自发活动的新功能成像手段。因为大脑的活动是对情绪状态 的综合反映，包括有意识或无意自发的，功能成像的运用将使人们能以一种客 观的方法认识情绪状态，并更好地理解其潜在神经环路，区分其情绪状态中的 不同成分。

然而，现有的评定情绪稳定性的主观评定方法容易受诸多外加因素的影响， 从而影响评定的客观和准确，现有客观评定方法只依靠单一指标判断，不能够 精确客观地反映情绪稳定性的等级，而且现有评定方法主要关注情绪稳定性强 弱，不能区分情绪状态中的心理、情感因素成分。

综上可知，现有的情绪评价技术在实际使用上，显然存在不便与缺陷，所 以有必要加以改进。

发明内容

针对上述的缺陷，本发明的目的在于提供一种基于磁共振成像的情绪稳定 性评价系统及其评价方法，以实现对被测个体情绪稳定等级和成因的准确、客 观、稳定地评定。

为了实现上述目的，本发明提供一种基于磁共振成像的情绪稳定性评价系 统，包括：

情绪稳定特征样本库，用于存储具有不同情绪稳定性的情绪等级和情绪成 分的磁共振结构及静息态功能影像属性；

磁共振成像单元，用于获取被测个体脑部磁共振结构相和静息态功能相成 像数据，并传输到特征提取单元；

特征提取单元，用于从所述磁共振成像单元传输的磁共振结构相和静息态 功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属 性；

模式分类器，用于将所述特征提取单元提取的所述被测个体脑部的磁共振 结构及静息态功能影像属性进行分类器训练；

情绪稳定性评定单元，用于根据所述模式分类器的分类器训练结果以及所 述情绪稳定特征样本库存储的所述情绪等级信息和情绪成分的磁共振结构及静 息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述磁共振结构及静 息态功能影像属性包括：反映大脑全局整合能力的全脑网络属性、反映大脑局 部整合能力的局部属性、反映大脑各脑区之间协同能力的功能连接属性、反映 脑区影响力的节点属性、反映脑区模块化或不同组分的子网/组分属性。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述子网/组分的脑区 包括：右侧框额皮质、腹外侧前额叶皮层、双侧颞皮层、杏仁核、尾状核、伏 隔核、前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪稳定性评定 单元包括：

情绪稳定等级评定子单元，用于将所述被测个体的磁共振结构及静息态功 能影像属性与所述情绪稳定特征样本库中对应的情绪等级信息和情绪成分的磁 共振结构及静息态功能影像属性进行比较，获取所述被测个体的情绪稳定等级； 和/或

情绪成分评定子单元，用于根据所述情绪稳定特征样本库存储的不同情绪 成分的子网/组分的分类属性与所述被测个体脑部的子网/组分属性，进行所述被 测个体的情绪稳定性的成分识别，获取所述被测个体的情绪稳定性成因和/或所 述成因的权重。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪稳定性评定 单元还包括：

获取子单元，用于接收被测个体的临床情绪测评信息，并根据所述被测个 体的磁共振结构及静息态功能影像属性和所述临床心理测评信息，分析所述被 测个体的情绪稳定性等级和/或情绪成因；和/或

微调子单元，用于微调所述情绪稳定特征样本库的情绪稳定等级和/或情绪 成因的相关参数。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述特征提取单元包 括：

特征提取子单元，用于从所述被测个体的脑部的全脑网络中分离出反映不 同情绪成分的子网/组分，并计算所述分离出的子网/组分属性、功能连接属性以 及节点属性；

划分子单元，用于把全脑按照解剖模板划分成多个不同的脑区，然后根据 所述磁共振结构及静息态功能成像数据，以所述脑区为单位提取反映静息态脑 区活动的时间序列，再采用所述脑区的时间序列/皮层厚度构建所述全脑网络和 子网网络。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪状态特征样 本库还用于存储用于构建所述全脑网络和子网网络、功能连接节点时，由所述 磁共振结构及静息态功能成像数据通过计算得到的中间值、情绪稳定性等级/成 因评定结果、临床心理测评信息以及情绪稳定性等级/成因的微调值。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述情绪成因包括： 人格因素、情绪因素以及认知因素。

根据所述的基于磁共振成像的情绪稳定性评价系统，所述模式分类器为非 线性支持向量机分类器；

所述模式分类器对所述分类器训练结果进行交叉验证。

本发明还提供了一种利用上述任意一项的系统实现情绪稳定性评价的方 法，所述方法包括：

A、磁共振成像单元获取被测个体脑部磁共振结构相和静息态功能相成像数 据，并传输到特征提取单元；

B、特征提取单元从所述磁共振成像单元传输的磁共振结构相和静息态功能 相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影像属性；

C、模式分类器将所述特征提取单元提取的所述被测个体脑部的磁共振结构 及静息态功能影像属性进行分类器训练；

D、情绪稳定性评定单元根据所述模式分类器的分类器训练结果，以及所述 情绪稳定特征样本库存储的所述情绪等级信息和情绪成分的磁共振结构及静息 态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成因。

本发明通过采集结构和静息态磁共振功能成像所得的客观影像数据，采用 信息处理技术从中提取被测新个体结构及静息态功能影像属性，并将该与情绪 稳定特征样本库中的历史结构及静息态功能影像属性的进行比对，优选通过模 式分类、自适应反馈学习等方法对影像数据特征值和临床情绪信息进行分类、 提取、优化，综合成能反映客观情绪稳定等级和成因的评定系统，并最终得到 量化指标来客观、准确地评定被试的情绪稳定等级和/或情绪成分，该情绪稳定 性评定结果可用于指导医护人员对患者进行科学诊断、管理以及治疗。并且本 发明所使用的基于支持向量机的模式分类方法可以获得较高分类准确率，在基 于支持向量机的模式分类方法使用交叉验证方法可以获得更精准的分类。因此， 与已有技术相比较，本发明具有情绪信息的无创、动态和瞬时采集，通过样本 量特征优化，可以准确、客观、稳定地评定患者在某一时期内的情绪稳定等级 和成因情况。

附图说明

图1是本发明提供的基于磁共振成像的情绪稳定性评价系统的组成示意图；

图2是本发明提供的基于磁共振成像的情绪稳定性评价系统的组成示意图；

图3是本发明提供的基于磁共振成像的情绪稳定性评价的方法流程图；

图4是本发明提供的情绪稳定性等级评定的方法流程图；

图5是本发明提供的情绪成因评定的方法流程图；

图6是本发明提供的基于磁共振成像的情绪稳定性评价系统的组分识别流 程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。

参见图1，本发明提供了一种基于磁共振成像的情绪稳定性评价系统10， 包括：

情绪稳定特征样本库11，用于存储具有不同情绪稳定性的情绪等级和情绪 成分的磁共振结构及静息态功能影像属性；

磁共振成像单元12，用于获取被测个体脑部磁共振结构相和静息态功能相 成像数据，并传输到特征提取单元13；

特征提取单元13，用于从所述磁共振成像单元12传输的磁共振结构相和静 息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息态功能影 像属性；

模式分类器14，用于将所述特征提取单元13提取的所述被测个体脑部的磁 共振结构及静息态功能影像属性进行分类器训练；

情绪稳定性评定单元15，用于根据所述模式分类器14的分类器训练结果， 以及所述情绪稳定特征样本库11存储的所述情绪等级信息和情绪成分的磁共振 结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成 因。

情绪稳定性是指个体对于情境变化控制和认知水平表现出来的个性特征。 情绪状态的稳定是个人在承担某项具有一定压力的工作所必须考虑的个体因 素。本发明所要解决的问题是目前对于个体情绪稳定性的评定缺乏主观的标准， 主观性强，容易受个体差异和诸多外加因素的影响，从而影响评价的客观和准 确。另外，现有的情绪稳定性的评定方法主要依靠心理量表做定性判断，不能 够客观地反映情绪状态的分级以及情绪中所包含的心理因素。因此，本发明预 先将多个被测个体的历史不同情绪稳定性的情绪等级和情绪成分的磁共振结构 及静息态功能影像属性存储于情绪稳定特征样本库11中；然后在对新的被测个 体的情绪进行评价时，通过磁共振成像单元12获取被测个体脑部磁共振结构相 和静息态功能相成像数据，并传输到特征提取单元13；特征提取单元13在磁共 振结构相和静息态功能相成像数据中，提取新的所述被测个体脑部的磁共振结 构及静息态功能影像属性；再将磁共振结构及静息态功能影像属性发送到模式 分类器14进行分类器训练，最后情绪稳定性评定单元15根据所述模式分类器 14的分类器训练结果与情绪稳定特征样本库11存储的所述情绪等级信息和情绪 成分的磁共振结构及静息态功能影像属性，评定新的被测个体的情绪稳定性等 级及情绪成因。这对新的被测个体的情绪评定带来了准确的评判，为新的被测 个体的工作或是生活学习给予良好的指导。

在本发明中提供的基于SVM(Suport Vector Machine，非线性支持向量机)的 模式分类器14是一种建立在统计学习理论基础之上的机器学习方法，其最大的 特点是根据结构风险最小化原则，尽量提高学习机的泛化能力，即由有限的训 练集样本得到小的误差仍然能够保证对独立的测试集保持小的误差。另外，由 于支持向量算法是一个凸优化问题，所以局部最优解一定是全局最优解，这是 其他分类算法所不能及的。通过该种从不同情绪稳定性人群样本磁共振结构及 静息态功能影像进行学习训练得到的SVM模式分类器14，使用该模式分类器 14的得分可以用来判别某种异常情绪状态的程度。

在本发明的一个实施例中，SVM被采用作为模式分类算法，通过使用高斯 径向基作为核函数，首先把最初所选取的特征属性映射到高维空间从而计算出 一个超平面，在此超平面中最大化此平面和每个属性类实例的距离，找到这个 超平面后，SVM能够通过映射个体到特征空间并检查该个体属于哪个分离的平 面预测出一个未标示样本的类别；输入给模式分类器14的是特征矩阵和类标示 向量，如1表示情绪稳定性高或者-1表示情绪稳定性低。而情绪稳定性评定单 元15将被测个体的磁共振结构及静息态功能影像属性和情绪状态特征样本库11 中相应的历史磁共振结构及静息态功能影像属性，利用模式分类器14进行识别， 评定出所述被测个体的情绪稳定性等级和/或情绪成因。优选的，通过情绪稳定 性评定单元15应用交叉验证的方法能确定一个个体属于某种情绪稳定性群体的 得分值，从而判定该个体的情绪稳定性状态，通过交叉验证的方法可以提高确 认被测个体的情绪稳定性等级及成因的准确性。

在本发明的一个实施例中，所述磁共振结构及静息态功能影像属性包括： 反映大脑全局整合能力的全脑网络属性、反映大脑局部整合能力的局部属性、 反映大脑各脑区之间协同能力的功能连接属性、反映脑区影响力的节点属性、 反映脑区模块化或不同组分的子网/组分属性。而对于所述子网/组分的脑区包 括：右侧框额皮质、腹外侧前额叶皮层、双侧颞皮层、杏仁核、尾状核、伏隔 核、前扣带回、海马、右下顶叶、岛叶、后顶叶皮质、前额叶皮质、扣带皮质。

其中，所述磁共振结构相属性包括：间接反映神经元稠密情况的脑灰质密 度，反映脑区形状大小情况的脑灰质体积、脑白质体积、脑区变形场，反映神 经细胞间复杂连接情况的皮层厚度。所述磁共振功能相属性包括：功能连接度、 相关性、互信息等。所述节点属性包括：某一个脑区(节点)的度(degree)、 效率(Effciency)和连通性(Betweenness)，脑区体素之间生理频段的振幅指 标。所述子网/组分属性包括：成因的重要性排序(ranking value)，每次划分的 稳定性，成因的显著性水平等。

通过磁共振功能成像技术对人脑的研究证明：许多脑部区域(简称脑区或 节点)与情绪过程相关，这些脑区包括下右侧框额皮质、腹外侧前额叶皮层、 双侧颞皮层、杏仁核、尾状核、伏隔核、前扣带回、海马、右下顶叶、岛叶、后 顶叶皮质、前额叶皮质、扣带皮质等。情绪稳定性可能与这些脑区的功能连接、 结构以及生物化学变化相关。人脑磁共振成像数据和基于解剖模板的后续分析 可以检测到被试在这些脑区的激活强度、功能连接强度、密度/体积、皮层厚度 等脑区结构变化情况；指出与情绪稳定正向或负向相关的功能连接变异、可能 的结构变化以及生物化学变化；识别与情绪稳定性和情绪状态成因相关的中枢 神经系统机制。

参见图2，在本发明的一个实施例中，所述情绪稳定性评定单元15包括：

情绪稳定等级评定子单元151，用于将所述被测个体的磁共振结构及静息态 功能影像属性与所述情绪稳定特征样本库11中对应的情绪等级和情绪成分的磁 共振结构及静息态功能影像属性进行比较，获取所述被测个体的情绪稳定等级； 和/或

情绪成分评定子单元152，用于根据所述情绪稳定特征样本库11存储的不 同情绪成分的子网/组分的分类属性与所述被测个体脑部的子网/组分属性，进行 所述被测个体的的情绪稳定性的成分识别，获取所述被测个体的情绪稳定性成 因及所述成因的权重。

情绪稳定等级评定子单元151将被测个体的磁共振结构及静息态功能功能 影像属性和历史磁共振结构及静息态功能影像属性进行比对，对同类属性利用 模式分类器14进行模式分类分析得出新的被测个体磁共振结构及静息态功能影 像属性，与所述情绪稳定特征样本库11中不同情绪稳定性等级群体的历史结构 及静息态功能影像属性的分类值，并联合对磁共振结构属性和静息态功能属性 使用模式分类器14提高分类准确率。其中，联合使用磁共振结构相属性和静息 态功能属性所得出分类值作为个体属于某一群体的隶属度；对多种属性进行重 复分类识别之后的所得分类的变异程度作为此隶属度的置信度；新的所述被测 个体或者说新的患者的情绪稳定等级评定值＝某一情绪稳定等级隶属度+置信 度。情绪成分评定子单元152用基于情绪稳定特征样本库11已存储的不同情绪 成分群体的的历史子网/组分的分类属性，对所述新的被测个体子网/组分属性进 行成分识别，通过具有先验知识的主成分分析技术将被测个体子网/组分属性进 行成分识别得出新被试的情绪成分。通过被测个体子网/组分属性与不同历史等 级样本的同一子网/组分分类属性之间的成分识别等级得出新被试的各种情绪成 分的权重。

在本发明的一个实施例中，情绪稳定性评定单元15还包括：

获取子单元153，用于接收被测个体的临床情绪测评信息，并根据所述被测 个体的磁共振结构及静息态功能影像属性和所述临床心理测评信息，分析所述 被测个体的情绪稳定性等级和/或情绪成因；和/或

微调子单元154，用于微调所述情绪稳定特征样本库11的情绪稳定等级和/ 或情绪成因的相关参数。

获取子单元153获取被试的临床情绪信息，例如接收患者的电子病历记录 信息，或者医生通过获取子单元153输入的患者电子病历记录信息。结合所述 情绪成分的基准权重和临床情绪信息分析出患者的情绪成分的修正权重。并且 微调子单元154通过情绪稳定特征样本库11的自适应反馈学习方法，例如人工 神经网络微调新的被测个体的情绪稳定性等级和/或情绪成分。微调子单元154 通过情绪稳定特征样本库11的自适应反馈学习方法微调所述情绪成分的微调权 重，得到优化后的权重。以上调整方式也适用于情绪稳定等级评定子单元151 评定情绪稳定等级时的修正和微调。

情绪成分评定子单元152通过具有先验知识的模式识别技术从全脑网络中 分离出反映不同情绪成分的子网/组分，分别反映某种情绪成分的子网/组分属性 的权重和优先关系。情绪成分评定子单元152通过组分识别技术识别出的组分 确定被测个体的情绪成因，而组分识别技术得出代表该个体该种情绪成因的子 网/组分属性之间不同等级的子网/组分属性排序，得出各种情绪成因的权重。在 本发明中，所述情绪成因包括：人格因素、情绪因素以及认知因素。

在本发明的一个实施例中，所述特征提取单元13包括：

特征提取子单元131，用于从所述被测个体的脑部的全脑网络中分离出反映 不同情绪成分的子网/组分，并计算所述分离出的子网/组分属性、功能连接属性 以及节点属性；

划分子单元132，用于把全脑按照解剖模板划分成多个不同的脑区，然后根 据所述磁共振结构及静息态功能成像数据，以所述脑区为单位提取反映静息态 脑区活动的时间序列，再采用所述脑区的时间序列/皮层厚度构建全脑网络和子 网网络。

特征提取单元13分别对结构相和静息态功能像提取网络属性、功能连接属 性和节点属性等不同层面的属性，同时联合对结构相和静息态功能像提取全脑、 子网、节点三个层面的联合属性。其中，特征提取子单元131通过具有先验知 识的组分识别技术从全脑网络中分离出反映不同情绪成分的子网/组分，分别计 算分离出的子网/组分属性、功能连接属性和节点属性。划分子单元132则按照 解剖模板把全脑划分成若干个不同的脑区，然后利用所述解剖模板分割所述功 能成像单元所得到的所述磁共振结构及静息态功能成像数据，以所述脑区为单 位提取反映静息态脑活动的时间序列，用所述脑区和时间序列/皮层厚度来构建 全脑网络和子网网络。

在本发明的一个实施例中，特征提取单元13的划分子单元132首先按照解 剖模板把全脑划分成若干个不同的脑区，然后利用解剖模板分割磁共振成像单 元12所得到的结构及静息态功能成像数据，以脑区为单位提取反映脑活动的时 间序列，用脑区和时间序列来构建全脑网络和子网网络。其方式包括以不同的 脑区作为节点，以脑区之间时间序列的关系作为边，构建有向连接图，即脑区 之间关系有次序和指向，以及无向连接图即脑区之间关系无次序和指向；计算 图的全脑、子网和节点层面的各种磁共振结构和功能相属性；功能连接的计算 包括：以解剖模板或者自定义方式确定感兴趣脑区，提取感兴趣脑区的时间序 列，计算感兴趣脑区之间的相关关系。情绪稳定性网络主要参考(Moissset et al.， 2007)这两篇论文(Mobbs D，Hagan CC，Azim E，Menon V，Reiss AL，与幽默相 关的奖赏和情绪区域的人格预测活动，PNAS，45：16502-16506，2005；Reske M et al.，情绪稳定功能障碍，JOURNAL OF PSYCHIATRIC RESEARCH，41：918-927， 2007)。特征提取单元13构建子网/组分的脑区包含：右侧框额皮质、腹外侧前 额叶皮层、双侧颞皮层、杏仁核、尾状核、伏隔核、前扣带回、海马、右下顶叶、 岛叶、后顶叶皮质、前额叶皮质、扣带皮质。

在本发明的其他优选实施中，所述情绪状态特征样本库11还用于存储用于 构建全脑网络和子网网络、功能连接节点时，由所述磁共振结构及静息态功能 成像数据通过计算得到的中间值、情绪稳定性等级/成因评定结果、临床心理测 评信息以及情绪稳定性等级/成因的微调值。该情绪稳定特征样本库11在情绪稳 定性评定时进行参考比对和必要的信息反馈。所述子网是指几个脑区的组合， 但其功能不明确；而所述组分也是几个脑区的组合，但具有明确的功能。在对 情绪稳定特征样本库11的样本经过多次学习之后，最终使每次的评定结果都达 到稳定状态，从而保证情绪稳定性评定结果的稳定性。

参见图3，本发明还提供了采用上述系统实现基于磁共振成像的情绪稳定性 评价的方法，所述方法包括：

步骤S301中，磁共振成像单元12获取被测个体脑部磁共振结构相和静息 态功能相成像数据，并传输到特征提取单元13；

步骤S302中，特征提取单元13从所述磁共振成像单元12传输的磁共振结 构相和静息态功能相成像数据中，提取所述被测个体脑部的磁共振结构及静息 态功能影像属性；

步骤S303中，模式分类器14将特征提取单元13提取的所述被测个体脑部 的磁共振结构及静息态功能影像属性进行分类器训练；

步骤S304中，情绪稳定性评定单元15根据模式分类器14的分类器训练结 果，以及情绪稳定特征样本库11存储的所述情绪等级信息和情绪成分的磁共振 结构及静息态功能影像属性，评定所述被测个体的情绪稳定性等级和/或情绪成 因。

在本发明中，磁共振成像单元12可以采用现有的MRI(Magnetic Resonance Imaging，磁共振成像)设备实现。磁共振成像单元12从被测个体的脑部获取不 同磁共振成像数据包括结构相和功能相，还可用于获取不同层面的被测个体的 不同相的磁共振影像数据并传输给特征提取单元13。特征提取单元13从新的被 测个体的磁共振结构及静息态功能成像数据中提取被测个体的磁共振结构及静 息态功能影像属性。对于情绪稳定特征样本库11中的历史结构及静息态功能影 像属性，也由特征提取单元13获取并保存的。特征提取单元13提取出被测个 体的结构及静息态功能影像属性，再输入给支持向量机的模式分类器14，模式 分类器14使用核函授对属性进行非线性的映射，属性被映射到高维空间，联合 使用结构相和静息态功能属性训练模式分类器14；基于在高维空间超平面中的 距离，模式分类器14能够计算出新个体属于情绪稳定特征样本库11中相应群 体的概率，如果该新个体相对应于此群体的概率得分大于等于90％、则该新的 被测个体就属于此群体；1-概率分类得分代表了这个个体的异常水平；联合对结 构属性和静息态功能属性使用分类器提高分类准确率；多次使用分类器得出分 类值的变异程度作为该个体的分类置信度。

在本发明中，采用基于支持向量机的模式分类方法使用交叉验证方法提高 模式分类器14的分类准确性。交叉验证是通过使用留一交叉验证方法可以计算 出每个个体的异常概率分布，在留一交叉验证中，一个样本被选择用来测试， 而其余的样本被用来训练模式分类器14，模式分类器14的好坏用测试个体的分 类结果来评估；通过重复的拿开群体中不同个体作为测试个体，获得属于它的 异常得分，并平均所有拿开的个体的得分，得到一个平均的分类率；验证同时 被使用绘制受试者工作特征曲线来执行，受试者工作特征曲线是一个当区分阈 值不同时敏感性作为横坐标、特异性作为纵坐标的分类器曲线图。

情绪稳定等级评定子单元151将被测个体的磁共振结构及静息态功能影像 属性和历史磁共振结构及静息态功能影像属性进行比对，对同类属性利用模式 分类器14得出新个体磁共振结构及静息态功能影像属性与情绪稳定特征样本库 11中不同情绪稳定等级群体的历史磁共振结构及静息态功能静息态功能影像属 性的分类值，首先联合使用磁共振结构相属性和静息态功能的模式分类器14中 的属性训练分类器，使用模式分类器14中联合特征分类器所得出分类值作为个 体属于某一群体的隶属度，作为最终的分类值D(KP)；对多种情绪稳定特征 样本库11中同类属性进行重复分类识别之后的所得分类的变异程度作为此隶属 度D(KP)的置信度C(C％)。最终新的被测试的情绪稳定等级评定值＝某一 情绪稳定等级分类值D(KP)+置信度(C％)。

研究表明，不同的情绪成分可能对应着不同的子网/组分，检测不同的子网/ 组分激活程度可以确定情绪中成分因素。针对被试的结构及静息态功能成像数 据，结合先验知识采用PCA(Principal component analysis，主成分分析)等模式 识别技术检测不同子网/组分激活程度；通过具有先验分类知识的主成分分析所 得出来的组分，可以确定为情绪中的不同成分因素；而通过比较同一个体不同 子网/组分之间的差异和登记排序，可以确定各种情绪成分所占的比重。

参见图4，在本发明的一个实施例中，情绪稳定评定系统100进行情绪稳定 性等级评定的流程：

步骤S401中，磁共振成像单元12对被试个体的脑部进行磁共振结构及静 息态功能成像数据进行采集；

步骤S402中，磁共振成像单元12对所采集的磁共振结构及静息态功能成 像数据进行预处理；

步骤S403中，特征提取单元13从磁共振结构及静息态功能成像数据中， 提取被测个体的全脑网络属性和正常人全脑网络属性等多个层面的属性特征； 根据情绪成分选取情绪特征网络(及子网)，辅以临床情绪量表和其他信息， 计算情绪特征网络及节点影像特征的分类值。

步骤S404中，模式分类器14根据情绪成分、临床情绪信息、基本影像特 征由算法库确定情绪稳定性标定算法，并利用所述算法进行计算，获取情绪稳 定等级参数值。

步骤S405中，根据影像特征标定情绪稳定性等级值。情绪稳定特征样本库 11建立阶段情绪稳定性测定值。

步骤S406中，根据情绪稳定特征样本库11建立阶段评定值和临床测定值 进行比较，两者匹配情况及情绪稳定等级评定值均存入情绪稳定特征样本库11。

步骤S407中，模式分类器14进行交叉验证，对情绪稳定特征样本库11的 样本经过多层次人工神经学习网络修正与微调，得到最终测定的情绪稳定性等 级评定值。

在本发明的一个实施例中，提供了一个情绪稳定等级划分的具体实例，描 述如下：

支持向量机(SVM)算法使用表达量的加权线性组合等方式作为两类间的 判别器。该线性组合能够最大化分类表现最差的样本与判别平面间的边界或距 离。初始情况下所有数据库样本个体被用于训练SVM算法。判定情绪稳定性等 级过程，首先SVM算法会移除线性组合中权重绝对值较小的被试个体，并在剩 余个体上构造新的SVM模式分类器14。在找到一个新的线性判别平面后，再移 除线性组合中权重绝对值较小的被试个体，并在剩余个体上构造又一个新的 SVM模式分类器14。该过程重复进行直到所有的样本都被用到构造SVM模式分 类器14。

SVM算法是从线性可分情况下的最优分类面(Optimal Hyperplane)提出的。 所谓最优分类面就是要求分类面不但能将两类样本点无错误地分开，而且要使 两类的分类空隙最大。d维空间中线性判别函数的一般形式为g(x)＝w^Tx+b，分 类面方程是w^Tx+b＝0，我们将判别函数进行归一化，使两类所有样本都满足 |g(x)|≥1，此时离分类面最近的样本的|g(x)|＝1，而要求分类面对所有样本都能 正确分类，就是要求它满足

y_i(w^Tx_i+b)-1≥0，i＝1，2，...，n。(1)

式(1)中使等号成立的那些样本叫做支持向量(Support Vectors)。两类 样本的分类空隙(Margin)的间隔大小：

Margin＝2/||w||(2)

因此，最优分类面问题可以表示成如下的约束优化问题，即在条件(4) 的约束下，求函数

$\phi \left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2=\frac{1}{2}\left(w^{T}w\right)---\left(3\right)$

的最小值。

在模式分类器14的训练器构造好了之后，特征筛选已在每一次循环中的训 练集上都独立进行，使用留一法交叉验证(Leave-one-out Cross-Validation， LOOCV)针对支持向量机分类预测算法用来判断给定样本究竟属于哪个情绪稳 定性等级。模式分类器14的交叉验证的错分率被计算并作为结果输出，在 LOOCV中，每次交叉验证过程取出一个样本，然后用剩下的数据集进行一次完 整的分析，包括决定哪些被试个体在训练集中显著。支持向量机的模式分类器 14在得到的被试列表上构建并被用于那个取出的样本。程序会记录此次预测是 否正确，然后该过程反复执行，直到所有样本都被预测。输出表格显示了哪些 样本被正确/错误地分类和总体的交叉验证错分率。

最终模式分类器14得到该个体情绪特征向量属于某情绪稳定样本标准组的 分类值，同样，再进行局部效率属性与情绪稳定样本标准组该属性的分类值计 算，得出的分类值作为该个体属于某情绪样本标准组的置信度。以二维输入为 例，模型输入分别是处理后的“特征脑区K的激活程度”和临床情绪评定的情绪稳 定等级，情绪稳定性评定单元15的模型的输出为情绪稳定等级。情绪稳定等级 集合可为超稳定、稳定、基本稳定、不稳定、极不稳定或情绪稳定分值范围， 各样本子集的分类函数为高斯分布，根据脑区激活的情况，其情绪稳定等级可 以从“超稳”一直到“极不稳定”间变化。通过学习情绪稳地特征样本库临床及影像 信息调整函数，使情绪稳定等级间距之间的敏感度不一样，在极不稳定至不稳 定之间其灵敏度最高，使早期诊断和干预更富有意义。经过分类过程，最后可 以获得一个非零的情绪稳定等级，此时情绪稳定等级映射输出为：情绪稳定等 级D(KP)+置信度(C％)。

假设全脑网络属性中存在n个相互独立的组分x(t)＝[x₁(t)，x₂(t)，...，x_n(t)]^T，全脑 的组分识别实际上也是分类过程，目的就是将一个新个体D标记为预先设定的 N种组分类型C＝{C₁，C₂，。。。C_N}中的一种或多种，训练算法就是在已经标 记好类型的一组成份集合中得到一个有效的分类函数F：D→C，将新个体映射 到编码类型。选取激活程度(自发活动水平)等属性作为识别特征属性，根据 朴素贝叶斯模型中独立性假设，各特征属性对类别的贡献是独立的，彼此间不 存在影响。识别过程中首先要在全脑网络属性中根据先验知识找到代表情绪共 性的P个特征点，(P的取法会对识别效果产生影响)。当然，P取值越大选取 特征越多，识别准确率也越高，但是计算复杂度也相应增大。在实际识别过程 中，P根据先验知识(情绪网络的脑区数目、特征属性个数)和经验公式来取值， (从10到30递增变化，观察P取值对识别结果稳定性的影响，选定稳定性最 高时所使用的P值范围)。

P个特征点的随机可以通过构造解剖模板脑区数目内的一个随机函数来获 取，构造一个好的随机函数比较困难，尤其是局限在解剖模版数目时更难做到 真正随机，所以实际运行过程中P点的识别策略是从全脑范围和子网/组分内选取 不相邻的P个点做为特征点，这样的P个点分散在各个位置，全部代表同一特征 的概率很小，而由于不同特征在各种情绪成分中的分布概率不同，故对于不同 情绪组分具有区别度。

参见图5，在本发明的一个实施例中，情绪稳定性评定系统10进行情绪成 分评定的流程：

步骤S501中，磁共振成像单元12获取被测个体的磁共振结构及静息态功 能成像数据；

步骤S502中，磁共振成像单元12对所述获得磁共振结构及静息态功能成 像数据进行预处理，并将处理后的所述磁共振结构及静息态功能成像数据传输 到特征提取单元13；

步骤S503中，特征提取单元13根据所述磁共振结构及静息态功能成像数 据，提取全脑网络属性等影像特征；

步骤S504中，模式分类器14结合先验知识分别提取伤害人格因素组分、 情绪因素组分、认知因素组分，计算影像特征值得出的子网/组分属性经过归一 化后进行比较，并辅以临床情绪信息；

步骤S505中，情绪稳定性评定单元15根据模式分类器14的训练结果，得 出最能代表该个体患者的情绪成因(类型)的组分。考虑到不同情绪成分之间 比重差异，比较某一组分和情绪稳定特征样本库11同类组分不同等级样本的差 异，最后得出每种成因的权重。包括人格成分及比重，情绪成分及比重，认知 成分及比重。

具体的，可以根据情绪成分进行子网/组分划分及节点计算，对同一个体进 行不同子网/组分属性之间的横向比较，对于不同个体进行同一子网/组分属性之 间的纵向比较；两次比较分别确定该个体情绪的主导成分(人格性、情绪性或 者认知性)以及不同成因所占比重。

在本发明的一个实施例中，提供了一个情绪成因识别的具体实例，描述如 下：

特征提取单元13首先定义提取的特征属性X1，X2，...，Xp，其样本均数记 为样本标准差记为S1，S2，...，Sp。首先作标准化变换

$x_i=\frac{X_i-{\bar{X}}_i}{S_i}$

有如下的定义：

(1)若Y1＝a11x1+a12x2+...+a1pxp，且使Var(Y1)最大， 则称Y1为第一主成分；

(2)若Y2＝a21x1+a22x2+...+a2pxp，(a21，a22，...，a2p) 垂直于(a11，a12，...，a1p)，且使Var(Y2)最大，则称Y2为第二主成分；

(3)类似地，可有第三、四、五...主成分，我们在此定义有3个主成分。 在如上定义之后，情绪成分识别过程如下：

1、设观察个体的属性指标为x1，x2，...，xp，它们的成分指标——主成分 为zl，z2，...，zm(m≤p)，则

$\left(\begin{array}{c}{z}_1=l_{11}{x}_1+l_{12}{x}_2+···+l_{1p}{x}_p\\ ···\\ z_m=l_{m1}{x}_1+l_{m2}{x}_2+···+l_{\mathrm{mp}}{x}_p\end{array}\right)---\left(1\right)$

z₁，z₂，...，z_m分别称为原属性指标x₁，x₂，...，x₆的第一，第二，...，第m 主成分。

2.磁共振成像单元12收集原始数据，得如下数据表：

设有随机变量x₁，x₂，...，x_p，其样本均数记为样本标准 差记为S₁，S₂，...，S_p。首先作标准化变换

$x_i=\frac{X_i-{\bar{X}}_i}{S_i}---\left(2\right)$

3、模式分类器14计算相关系数矩阵，对应的特征值λ₁…λ_p(按从大到小排列) 及其对应的特征向量

$R=\left(\begin{array}{ccc}{r}_{11}& r_{12}···& r_{1p}\\ r_{21}& r_{22}···& r_{2p}\\ M& M& M\\ r_{p1}& r_{p2}···& r_{\mathrm{pp}}\end{array}\right)---\left(3\right)$

其中r_ij(i，j＝1，2，...，p)为原来变量x_i与x_j的相关系数，其计算公式为

$r_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{n}{\Sigma }}(x_{\mathrm{ki}}-{\bar{x}}_i)(x_{\mathrm{kj}}-{\bar{x}}_j)}{\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{(x_{\mathrm{ki}}-{\bar{x}}_i)}^2\underset{k=1}{\overset{n}{\Sigma }}{(x_{\mathrm{kj}}-{\bar{x}}_j)}^2}}---\left(4\right)$

因为R是实对称矩阵(即r_ij＝r_ji)，所以只需计算其上三角元素或下三角元素 即可。

4、计算特征值与特征向量

首先解特征方程|λI-R|＝0求出特征值λ_i(i＝1，2，...，p)，并使其按大小 顺序排列，即λ₁≥λ₂≥...，≥λ_p≥0；然后分别求出对应于特征值λ_i的特征向量e_i(i＝1， 2，...，p)。

(3)计算主成分贡献率及累计贡献率

主成分z_i贡献率：累计贡献率：

一般取累计贡献率达85-95％的特征值λ₁，λ₂，...，λ_m所对应的第一，第 二，......，第m(m≤p)个主成分。如：由相关系数矩阵计算特征值，以及各个 主成分的贡献率与累计贡献率(见下表)。由下表可知，第一，第二，第三主成 分的累计贡献率已高达86.5％，故只需求出第一，第二，第三主成分z₁，z₂，z₃即可。下表为特征值及主成分贡献率：

5、情绪稳定性评定单元15计算主成因载荷

$p(z_k,x_i)=\sqrt{{\gamma }_k}{e}_{\mathrm{ki}}(i,k=\mathrm{1,2},···,p)---\left(5\right)$

由此可以进一步计算主成分得分：

$Z\left(\begin{array}{ccc}{z}_{11}& z_{12}···& z_{1m}\\ z_{21}& z_{22}···& z_{2m}\\ M& M& M\\ z_{n1}& z_{n2}···& z_{\mathrm{nm}}\end{array}\right)---\left(6\right)$

下表为主成分载荷矩阵：

6.情绪稳定性评定单元15进行结果分析类似形式：

第一主成分z1与x1，x3，x4，x5，x8，x9有较大的正相关，可以看作是情绪 稳定性中的情绪成分代表；

第二主成分z2与x2有较大的正相关，与x7有较大的负相关，可以看作是情绪 稳定性中的人格成分代表；

第三主成分z3与x6有较大的正相关，可以看作是情绪稳定性中的认知成分 代表。

参见图6，基于支持向量机的模式分类方法中从训练到识别整个过程的流程， 描述如下：

步骤S601中，特征提取单元13从待识别的个体中选取P个特征点；

步骤S602中，模式分类器14根据特征库组分训练样本集中的特征频率表来计 算不同组分概率积；

步骤S603中，情绪稳定性评定单元15选择候选组分；

步骤S604中，情绪稳定性评定单元15根据特征库组分训练样本集提供的各组 分阀值，判断组分是否在阀值范围内，如果是则执行步骤S605，如果不是则执 行步骤S606。

步骤S605中，情绪稳定性评定单元15输出组分；

步骤S606中，情绪稳定性评定单元15将其认为是未知组分。

通过多次组分识别，最终得到(1)成因的重要性排序：利用多次运行组分 分析得到的同一成因之间的相关性，求得每种成因的方差以度量不同成因的稳 定性指标，利用此指标以及在不同个体上的分布，计算每种成因的总体稳定性 指标，绘制所有成因在不同个体上的排序曲线图和总体排序曲线图；(2)每次 划分的稳定性：多轮组分识别得到多个成因，利用成因之间的相关系数并进行 多维尺度分析并显示多次运行得到的同一成因之间的相似性；(3)成因的显著 性水平：通过统计图(平均图、T检验图、标准差图)或个体成因分布图得到所 有成因，计算多次划分后某个体成因的在总体样本成份中的显著性指标。

利用本发明提供的情绪稳定性评价系统10进行了两项研究，第一项研究是 关于使用支持向量机分类算法是否可以识别不同抑郁等级的患者群体，研究内 容包括对难治性抑郁患者(RDD)与配对非难治性抑郁患者(NDD)的大脑皮 质MRI特征进行分析，选择两个组的RDD(23例)和NDD(23例)年龄、性别、 预治疗以及抑郁症的严重程度相匹配的患者，利用支持向量机分类算法对两组 的脑灰质特性进行分类，达到了67.39％的诊断准确率；进一步，结合结构及静 息态功能影像指标和脑结构指标，同样利用支持向量机分类算法对RDD和NDD 患者进行分类，其准确率高达92.77％。

有功能磁共振研究表明：不同的情绪成分可能对应着不同的功能子网，检 测不同的功能子网激活状态(具体阈值)可能确定情绪的成分或者情绪状态中 该种成分所占的比重。这些研究是关于判断磁共振静息态成像是否可以用于识 别不同的情绪成分，研究内容包括能反应情绪状态的被试情绪环路/网络 (emotion matrix)、杏仁核、前扣带回、后扣带回、额叶前部脑皮层、颞叶皮 层和丘脑。研究结果是建立了能够区分不同情绪成分的模式。

第二项研究是关于用模糊综合评判方法判定各影像指标对情绪障碍疾病的 影像程度，如下表所示三个影像指标：1-Cost、2-Eglobal、3-Elocal。

(2)计算每组的平均Ridit值

计算结果，值愈小，对疾病的影响程度越大；反之，值愈大，对疾病 的影响越小。研究结论：说明影像指标3-Elocal对疾病的影响程度 较大。

综上所述，本发明通过采集结构和静息态磁共振功能成像所得的客观影像 数据，采用信息处理技术从中提取被测新个体结构及静息态功能影像属性，并 将该与情绪稳定特征样本库中的历史结构及静息态功能影像属性的进行比对， 优选通过模式分类、自适应反馈学习等方法对影像数据特征值和临床情绪信息 进行分类、提取、优化，综合成能反映客观情绪稳定等级和成因的评定系统， 并最终得到量化指标来客观、准确地评定被试的情绪稳定等级和/或情绪成分， 该情绪稳定性评定结果可用于指导医护人员对患者进行科学诊断、管理以及治 疗。并且本发明所使用的基于非线性支持向量机的模式分类方法可以获得较高 分类准确率，在基于支持向量机的模式分类方法使用交叉验证方法可以获得更 精准的分类。因此，与已有技术相比较，本发明具有情绪信息的无创、动态和 瞬时采集，通过样本量特征优化，可以准确、客观、稳定地评定患者在某一时 期内的情绪稳定等级和成因情况。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情 况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但 这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。