基于模式識別的高水平運動員RS-fMRI數據分類研究

張可盈, 張棟, 丁宇, 曹春梅

(1.東南大學體育系, 南京 210018; 2.清華大學體育部, 北京 100084;3.首都體育學院體育人工智能研究院, 北京 100191; 4.北京語言大學心理學院, 北京 100083)

體育科研工作者一直在積極地探索運動員腦的奧秘,希望了解復雜動作的中樞控制機制、以進一步提高動作表現[1-4]。功能磁共振成像(functional magnetic resonance imaging,fMRI)技術的日益成熟為研究者提供了便捷、無創地觀察受試者全腦的途徑。近年來,越來越多研究表明運動技能學習能誘發腦的可塑性改變,包括腦的結構和功能的改變。一些研究使用專家-新手范式比較高水平運動員和非運動員對照組受試者的腦結構及功能活動差異也取得了重要的研究成果。目前中外學者已經普遍認為運動員在腦可塑性上與普通人存在差異,且不同類型的運動員腦可塑性特征不同[2]?，F有的相關研究提示,長期的運動訓練使得不同項目運動員腦可塑性呈現差異化表現。而對這些差異進行精準識別,在理論層面能夠有助于深化對腦-運動關系的理解、推動腦功能與運動技能融合的交叉學科研究,在實踐層面,有助于指導個性化訓練和干預、提升運動表現、預防運動損傷,以及促進康復和職業生涯規劃。

近年來,隨著研究的深入,模式識別技術得到了長足發展[5]。模式識別(pattern recognition)指的是通過使用計算機算法,自動發現數據中的規律性,并利用這些規律性采取行動,從而將數據分類為不同的類別[6-7]。在神經影像學領域中,模式識別又被稱為多體素模式分析(multivoxel pattern analysis,MVPA)。MVPA使用分類的機器學習算法分析大量體素上BOLD信號的特征,從而解碼其背后的信息,將不同實驗條件或不同特征的腦成像數據進行分類[8-9]。在眾多的MVPA方法中,支持向量機(support vector machine,SVM)在處理高維數據方面呈現出顯著優勢[10-12],得到廣泛應用。目前,基于SVM的腦影像學數據分類已經廣泛應用于精神疾病的診斷和預測上,如抑郁癥[13]、孤獨癥[14]、阿爾茲海默癥[15]等,給臨床輔助診斷提供幫助。此外,SVM還應用于腦電分類[16]?？傮w而言,基于SVM的腦影像學數據分類方法展現出了巨大的應用潛力。

雖然基于fMRI技術對運動員腦的研究眾多,但目前研究策略還較為單一[17-19]。體育科學研究者多數遵循一般線性模型(general linear model, GLM)這一傳統方法處理fMRI 的血氧水平依賴(blood oxygen level dependent, BOLD)信號[20]。在早期,GLM是處理BOLD數據的金標準,但其具有一定的局限性。其中最主要且最嚴重的局限性是使用GLM的前提假設是相鄰體素之間的協方差沒有意義[10],即將所有體素分開考慮,然而前提假設具有一定缺陷：一方面,為了提高信噪比,fMRI往往鼓勵研究者在預處理時進行空間平滑的操作,這一操作在相當程度上削弱了單個體素的信息可用性[9, 21];另一方面,一部分學者始終認為人腦是模塊化的,相鄰腦區共同協作完成特定任務。假如將相鄰體素之間的協方差看做噪音,那么研究結果的可信度必將受到一定影響。因此,傳統方法得出的結論需要更多的證據佐證。作為多變量的分析方法,MVPA對腦活動的空間信息更敏感[22],比傳統GLM更容易發現不同特征的腦功能特征差異。

基于此,采用SVM進行fMRI數據集分析,對高水平射擊運動、滑冰運動員及非運動員對照組的fMRI信號數據進行訓練和分類。運動訓練被認為是一種對大腦產生影響的重要干預方式,通過模式識別技術對高水平運動員腦成像數據進行分類,可以更全面地研究運動訓練對腦可塑性的影響,進一步豐富運動腦可塑性研究的內容,這將為運動科學領域提供新的理論基礎,有助于揭示運動訓練對大腦結構和功能的影響,探究運動技能與腦功能的互動機制。

1 研究對象與方法

1.1 研究對象

以15名射擊運動員、15名速滑運動員以及15名非運動員健康大學生對照組[9男6女,平均年齡(21.8±2.5)歲,未接受過系統的運動訓練]作為研究對象。所有研究對象均為右利手,均無磁共振掃描禁忌癥,無重大運動損傷史或神經系統疾病史。在實驗開始之前,研究對象被告知磁共振掃描流程,并簽署知情同意書。受試者基本信息如表1所示。

表1 受試者基本信息Table 1 Basic information of participants

1.2 研究方法

研究方法如圖1所示,首先采集腦成像數據,預處理之后的數據用來計算不同的腦成像指標。包括低頻振幅(fractional amplitude of low-frequency fluctuations,fALFF)、局部一致性(regional homogeneity,ReHo)和度中心度(degree centrality, DC)。之后,分別使用3個靜息態指標,以及綜合使用3個指標的多模態作為分類特征進行模式識別分析。

功能性磁共振成像 (functional magnetic resonance imaging, fMRI)

1.2.1 腦成像數據采集

使用3.0T飛利浦Achieva磁共振掃描儀配合16通道頭部線圈收集受試者腦成像數據。T1加權結構像序列(T1-weighted images)掃描主要參數如下：層數180, 翻轉角8°,采集矩陣230 mm×230 mm。單層平面回波成像(echo planar imaging, EPI)序列掃描主要參數如下：層數37,TR：2 s,TE：30 ms,翻轉角90°,采集矩陣230 mm × 230 mm。在整個掃描過程中,叮囑研究對象“放松,閉著眼睛并保持清醒?！?/p>

1.2.2 腦成像數據處理

使用加載在MATLAB平臺上的 RESTplus 1.24軟件包(http：//restfmri.net/forum/restplus)對fMRI腦成像數據進行處理。預處理步驟如下：①刪除前5個時間點的數據;②時間校正;③空間校正(標準：刪除平動大于3 mm或者旋轉大于3°的數據);④分割腦組織,將其歸一化到自身T1結構圖上,之后進一步將其歸一化到蒙特利爾神經研究所(Montreal Neurological Institute,MNI)模板上;⑤使用8 mm× 8 mm× 8 mm的半峰寬高斯平滑核(full width at half maximum,FWHM)對圖像進行平滑處理。預處理之后的數據用來計算不同的腦成像指標。預處理后的數據計算fALFF、ReHo和DC。

1.2.3 模式識別算法

在神經影像學數據中,模式指腦的每個體素的掃描數值或者每個體素通過計算得到的值,分類標簽一般指受試者的不同類型[23]。模式對應每個體素的fALFF、ReHo和DC,而標簽對應受試者的分組：射擊運動員、速滑運動員以及非運動員對照組。

使用SVM核分類算法進行訓練,具體操作主要通過使用加載在MATLAB平臺上的模式識別神經成像軟件包PRoNTo (pattern recognition for neuroimaging toolbox,http：//www.mlnl.cs.ucl.ac.uk/pronto/prtsoftware.html)進行[23]。PRoNTo是一個基于模式識別技術的開源MATLAB軟件包,用于分析神經影像數據。操作步驟包括：①分別輸入射擊運動組、速滑運動組、對照組3個指標(fALFF、ReHo和DC),選擇年齡和性別作為協變量納入計算;②特征準備：選擇fALFF、ReHo和DC作為學習特征;③模型設置：分別對射擊運動組和速滑運動組(分類一,記為CL1)、射擊運動組和對照組(分類二,記為CL2)以及速滑運動組和對照組(分類三,記為CL3)之間進行SVM二分類分析,并使用留一交叉驗證法(leave-one-out cross validation)計算分類正確率;④計算權重：使用AAL模板,計算每一個腦區在分類算法當中的權重。

由于三組人數相同,平衡后的準確率(balanced accuracy, bACC)和總的準確率(total accuracy, tACC)在樹枝上保持相同。使用tACC、接受者操作特性曲線(receiver operating characteristic curve,ROC)、曲線下面積(area under curve,AUC)以及預測準確率來衡量機器分類算法的優劣。tACC越高,模式識別分類器效果越好。此外,使用ROC曲線和AUC來進一步評價分類算法。AUC在0～1,其數值越大,模式識別分類器效果越好。PRoNTo還將計算出為分類算法貢獻最高的10個腦區。

2 研究結果

選用適合fMRI數據的SVM算法,對射擊和速滑兩種項目運動員以及非運動員對照組的腦成像數據進行分類訓練,使用留一交叉驗證法得到了實驗結果。

2.1 分類準確率、ROC曲線及曲線下面積

表2和圖2～圖5展示了SVM分類算法準確率以及分類效果。tACC除了CL3-DC之外均在70%以上,最高可達到100.00(CL1-DC)。AUC最低為0.65(CL3-DC),最高為1(CL1- fALFF、CL1-DC、CL1-ReHo、CL1-Multimodality)。

表2 分類算法準確率、ROC曲線及曲線下面積Table 2 Accuracy rate, ROC curve and area under the curve of the classification algorithm

虛線代表算法中能將兩組數據區分開的線,兩組數據在線兩側分布越集中,分類效果越差,反之分類效果越好

虛線代表算法中能將兩組數據區分開的線,兩組數據在線兩側分布越集中,分類效果越差,反之分類效果越好

虛線代表算法中能將兩組數據區分開的線,兩組數據在線兩側分布越集中,分類效果越差,反之分類效果越好

虛線代表算法中能將兩組數據區分開的線,兩組數據在線兩側分布越集中,分類效果越差,反之分類效果越好

在進行射擊運動員和滑冰運動員等不同項目運動員之間的分類時(CL1),SVM分類算法表現優秀。無論是單獨使用3個指標,還是綜合多個指標進行分類,tACC均在96.67%以上,AUC均為1。該結果說明使用SVM算法對不同項目運動員之間的腦靜息態功能特征進行分類時,分類正確率較高且分類效果更穩定。

在進行運動員和非運動員對照組的分類時,tACC在50%～93.33%,AUC在0.65～0.99。其中,DC的分類效果最不穩定,而使用fALFF或者綜合使用3個靜息態指標的分類效果最穩定(tACC均在80%以上,AUC均在0.88以上)。

綜合tACC、ROC曲線及曲線下面積以及分類效果不難發現,SVM分類算法經過訓練,能夠有效地將高水平速滑運動員和射擊運動員靜息態腦自發活動進行分類。

2.2 不同腦區在SVM分類算法中的貢獻

在對射擊運動組和滑冰運動組進行分類時(CL1),雙側小腦上部(Cerebelum_3、Cerebelum_4_5)、雙側小腦下部(Crus2、Cerebelum_7b、Cerebelum_8、Cerebelum_9、Cerebelum_10)、小腦蚓(Vermis_1_2、Vermis_3、Vermis_4_5)等腦區在分類器中占到了較高的權重。此外,右側后扣帶回、右側舌回以及雙側中央旁小葉也在分類器中有一定的作用。

在對射擊運動組和對照組進行分類時(CL2),雙側小腦下部(Crus2、Cerebelum_7b、Cerebelum_8、Cerebelum_9、Cerebelum_10)、小腦蚓(Vermis_7、Vermis_8、Vermis_9、Vermis_10)、右側后扣帶回、左側顳極、右側眶部額中回、右側丘腦、右側舌回、右側枕上回等腦區在分類器中占到了較高的權重。

在對速滑運動組和對照組進行分類時(CL2),小腦上部(Cerebelum_3、Cerebelum_4_5)、雙側小腦下部(Crus2、Cerebelum_7b、Cerebelum_9、Cerebelum_10)、小腦蚓(Vermis_1_2、Vermis_3、Vermis_4_5)、左側島蓋部額下回、右側豆狀核、左側角回、右側眶部額中回、右側前扣帶回和旁扣帶回、右側三角部額下回、右側杏仁核、左側枕下回、雙側嗅皮質等腦區在分類器中占到了較高的權重。

由此可以看出,在用SVM對射擊運動組和滑冰運動組進行分類時,主要是小腦的各個位置構成了分類算法的主體部分。而對運動員和對照組進行分類時,除了小腦,還有一些與運動執行和控制及其他功能活動相關的腦區參與了算法的構成。提示不同運動項目運動員的腦功能活動之間差異最明顯的部位在小腦上。

3 討論

3.1 SVM模式識別算法的優勢探討

fMRI成像數據以全腦數萬個體積元素(volume pixel)上的BOLD信號以矩陣的形式呈現。正如上文提到的,模式識別是機器學習領域中的一個重要方向,模式識別在研究fMRI信號上具有獨特優勢,能夠彌補由一般線性模型帶來的計算不足。在眾多分類器中,SVM主要用于解決小樣本、高維、非線性問題,因此在處理與fMRI數據類似的小樣本多特征的數據時具有更好地表現[9]。SVM算法對患者和對照組腦影像學數據進行二分類,能夠輔助精神疾病的診斷和預測已得到廣泛應用。研究首次驗證了SVM二分類算法在運動科學的應用。分類算法獲得了良好的訓練結果,tACC除了CL3-DC之外均在70%以上,最高可達到100.00(CL1-DC)。AUC最低為0.65,最高為1。該結果證實了SVM模式識別算法的在對運動員fMRI數據進行分類時依然具有較強的優勢。

SVM模式識別算法優勢,尤其體現在如射擊運動員和滑冰運動員等不同項目運動員之間的分類時(CL1)。無論是單獨使用3個指標,還是綜合多個指標進行多模態聯合分類,tACC均在96.67%以上,AUC均為1。結果表明：使用SVM算法對不同項目運動員之間的腦靜息態功能特征進行分類時,分類正確率較高且分類效果更穩定。說明相對于專家-新手比較,不同技能的專家腦功能成像的差異可能更為明顯。以往的研究者多只使用專家-新手范式,忽視了不同技能間的橫向比較。這一點對研究與動作控制、動作執行、動作監督等過程相關的腦活動有一定的啟發。

3.2 不同靜息態指標的模式識別效果

在進行運動員和非運動員對照組的分類時,DC的分類效果最不穩定,而fALFF以及聯合3個靜息態指標的多模態分類效果最穩定(tACC均在80%以上,AUC均在0.88以上)。文獻[24]單一特征數據的分類效果可能取決于不同的指標。fALFF、ReHo和DC均為常用的靜息態fMRI指標,但其計算方法以及背后的邏輯不同,因此反映的特點也不同。fALFF[25]指的是低頻段(0.01～0.08 Hz)的功率譜的ALFF值除以整個頻段振幅均值得到的,主要反應腦的靜息態自發活動強度,被認為是測量局部大腦活動的有效方法。ReHo反映單個體素和它鄰近體素時間序列的相似性[26],本次研究中,計算的是單個體素及與其相鄰的27個體素之間的序列相似性。DC則描述將全腦作為復雜網絡時,單個體素作為節點的中心性[27]。DC越高,該節點在網絡中越重要。ReHo和DC均屬于功能連接,但ReHo更著重于小范圍(相鄰)的功能連接,DC更著重于全腦范圍內的功能連接。因此,研究結果可能提示SVM算法在區分靜～息態自發活動強度時有更大的優勢,而對功能連接指標的處理不夠到位。同時,這一結果也提示,將來用fALFF或者;個靜息態指標聯合分類效果更好。

上述研究結果拓展了目前關于運動與腦功能之間關系的認識,將為運動科學領域提供新的理論基礎,幫助揭示運動訓練對大腦結構和功能的影響,探究運動技能與腦功能的互動機制。此外,將來的研究可以嘗試從從高水平運動員的腦成像數據中提取個體化的特征,實現數據驅動的個體分類。這將為個體化運動訓練和康復提供新的理論支持,幫助優化訓練和康復計劃,提高訓練和康復效果。

3.3 SVM分類算法在分類運動員fMRI數據中的應用

目前,SVM分類算法廣泛應用于臨床多個精神疾病的診斷和預測上,且獲得了較好的效果。然而其在運動科學領域的應用研究十分有限,少數學者嘗試使用模式識別分類器識別腦震蕩[28]、運動想象[29]、最佳運動狀態[30],均取得了較好的效果?？梢灶A計,模式識別在運動腦科學領域具有較好的應用前景,但需要進行更多深入研究來推動這一技術的應用。

為了更好地展示分類器的構成,列舉分類算法中貢獻最高的10個腦區(表3)?？梢钥闯?在用SVM對射擊運動組和滑冰運動組進行分類時,主要是小腦的各個位置構成了分類算法的主體部分。而對運動員和對照組進行分類時,除了小腦,還有一些與運動執行和控制及其他功能活動相關的腦區參與了算法的構成?？梢钥闯?小腦的不同位置在所有的分類器中都很重要。這一結果與前人研究結果較為符合。長期以來,小腦都被認為與運動功能相關。小腦從脊髓的感覺系統或皮質及皮層下區域接收輸入信號,并將這些信號整合,對運動進行微調[7]。此外,小腦對運動計時[31]、預測動作[32]、肢體隨意運動以及經典條件反射[33]等功能也有重要作用。小腦還是一個主要參與運動學習的區域[34]。亓豐學等[35]研究發現,經顱直流電刺激小腦可以改善人體的運動表現,如姿勢控制、運動適應與運動學習、肌肉力量表現等。隨著fMRI技術的發展,研究者發現長期運動技能訓練會導致小腦發生結構可塑性以及功能重組。例如,職業羽毛球運動員小腦灰質密度明顯高于普通人[36],世界級登山運動員小腦蚓狀小葉I-V的體積顯著高于對照組[37],世界級體操運動員小腦網絡存在模塊間和模塊內重組[38],優秀滑冰運動員小腦功能活動發生重組[39]。研究結果驗證了長期運動技能訓練對小腦的影響,并提示射擊運動和滑冰運動對小腦不同區域的影響不同。研究者給小腦劃定了不同的功能分區,與大腦和脊髓有著不同的連接,其中前庭小腦控制平衡和眼球運動,脊髓小腦調節正在進行的動作,皮層小腦協調運動的計劃[40]。然而運動領域目前較少有研究者對小腦的亞區進行切分研究。Park等[41]曾在對籃球運動員的研究中指出,雖然小腦整體未見宏觀可塑性,但小腦的詳細切分顯示了差異,籃球運動員的小腦蚓_4_5形態學顯著增大。結合研究結果可以推測,未來對運動員小腦進行功能劃分,進一步探索每個小腦亞區在動作控制與執行中的作用也是重要的研究方向。

表3 為分類算法貢獻最高的10個腦區Table 3 Top ten brain regions contributing to the classification algorithms

SVM算法在對高水平運動員和非運動員對照組進行分類時,占權重最高的腦區除了小腦之外,還包括扣帶回、角回、顳極、額葉(眶部、島蓋部、三角部額葉)、丘腦、豆狀核、杏仁核、舌回、枕葉以及嗅皮質等腦區,這些腦區在之前用常規的fMRI處理方法報道的結果中有著部分體現。占權重最高的腦區可能是高水平運動員和非運動員之間在腦功能上的主要差異所在。通過識別這些腦區,一方面,可以幫助精確定位與特定運動技能或訓練相關的腦區。這有助于加深對腦與運動之間關系的理解,為運動科學和神經科學領域提供重要線索;另一方面,權重最大的腦區的功能狀態與高水平運動員的優勢技能或特定訓練任務相關。這為優化運動訓練和干預策略提供了依據。教練和訓練團隊可以根據這些腦區的功能特征,設計更加針對性和有效的訓練方法,提高運動員的競技水平。 此外,這些腦區還可能發展成為高水平運動員的生物標記(biomarker)的潛在候選區域?？傊?在將來,應用模式識別算法的技術有望為教練和訓練團隊制定個性化的訓練方案提供指導,使訓練更加精準和有效。

4 結論

首次使用模式識別中的SVM分類算法對高水平射擊運動員、高水平滑冰運動員及非運動員對照組的腦靜息態功能磁共振數據進行訓練和分類,選擇fALFF、ReHo和DC作為分類特征,取得了較高的分類準確性和較好的分類效果。該研究證實了模式識別方法在運動科學領域的重要應用價值,研究成果有助于體育科學研究者采用新的分析工具,從新的角度更加全面地理解運動與腦的關系,對運動認知學科這門新學科領域的發展具有指導意義和實踐價值。