[论文解读] Autism Spectrum Disorder Classification using Graph Kernels on Multidimensional Time Series

Rushil Anirudh, Jayaraman J. Thiagarajan+2 more|arXiv (Cornell University)|Nov 29, 2016

Functional Brain Connectivity Studies参考文献 18被引用 6

一句话总结

该论文提出了一种基于图核的框架，利用多维fMRI时间序列对自闭症谱系障碍（ASD）严重程度进行分类，通过捕捉时空脑网络动态。通过基于相关性、ℓ₁-范数稀疏编码以及时间延迟嵌入的持久同调构建图，并在核SVM中应用图核，该方法在两个ABIDE数据集上均显著优于传统核函数，实现了更高的分类准确率。

ABSTRACT

We present an approach to model time series data from resting state fMRI for autism spectrum disorder (ASD) severity classification. We propose to adopt kernel machines and employ graph kernels that define a kernel dot product between two graphs. This enables us to take advantage of spatio-temporal information to capture the dynamics of the brain network, as opposed to aggregating them in the spatial or temporal dimension. In addition to the conventional similarity graphs, we explore the use of L1 graph using sparse coding, and the persistent homology of time delay embeddings, in the proposed pipeline for ASD classification. In our experiments on two datasets from the ABIDE collection, we demonstrate a consistent and significant advantage in using graph kernels over traditional linear or non linear kernels for a variety of time series features.

研究动机与目标

• 通过建模时空脑网络动态，提升基于静息态fMRI数据的ASD严重程度分类性能。
• 解决现有模型因fMRI采集差异及语言能力、发育水平等个体因素导致的泛化能力差的问题。
• 评估图核方法在捕捉脑区多维时间序列数据中复杂非线性关系方面的有效性。
• 比较多种图构建策略——相关性、ℓ₁-图和持久同调——对分类性能的影响。
• 证明图核在ASD分类任务中始终优于传统线性和非线性核函数。

提出的方法

• 基于fMRI时间序列，利用相关性、ℓ₁-范数（通过稀疏编码）以及时间延迟嵌入的持久同调构建相似性图。
• 采用时间延迟嵌入（TDE），τ=3，m=2，对每个时间序列进行状态空间重构，以支持拓扑分析。
• 利用持久同调中的Betti-1数生成持久图，再通过持久尺度空间相似性进行比较。
• 将所得相似性矩阵视为邻接矩阵，并经阈值化处理后形成二值图，用于核计算。
• 应用图核——特别是基于持久图的高斯核，以及基于再生核Hilbert空间（RKHS）内积定义的图核——计算受试者之间的相似性。
• 使用留一法交叉验证，在图核特征上训练核SVM分类器，以预测ASD严重程度等级（轻度、中度、重度）。

实验结果

研究问题

• RQ1 图核能否有效捕捉fMRI时间序列中的时空动态，以实现ASD分类？
• RQ2 不同图构建方法——相关性、ℓ₁-图和持久同调——在预测性能上如何比较？
• RQ3 使用图核是否能显著提升传统线性和非线性核函数在ASD严重程度分类中的表现？
• RQ4 持久同调的拓扑特征在分类中贡献有多大，是否超越了标准相似性度量？
• RQ5 所提出的图核方法在不同fMRI数据集（采集协议各异）上是否具有鲁棒性？

主要发现

• 在UCLA数据集上，基于相关性的图核方法实现了55.17%的分类准确率，显著优于最佳传统核函数（RBF：32.75%）。
• 在USM数据集上，基于相关性的图核方法达到42.85%的准确率，超越了次优的传统核函数（PCA：42.85%），并表现出一致的性能提升。
• 基于ℓ₁-图的图核在UCLA数据集上实现了50.00%的准确率，表明即使在基于稀疏编码的相似性度量下，该方法仍具有强大性能。
• 将Betti-1持久图用作图构建方法，在UCLA数据集上实现了48.27%的准确率，证明了拓扑特征在分类中的价值。
• 结合ℓ₁-图与持久图特征的组合核在UCLA数据集上达到46.55%的准确率，表明融合多种图类型可提升性能。
• 在两个数据集上，图核方法始终优于所有传统核函数，证实其在建模复杂动态脑网络交互方面的优越性。