BrainNetClass：一个新兴脑信号分类机器学习工具包

BrainNetClass是一个2020年发布的集网络构建、特征输出、特征选择、交叉验证和支持向量机(libsvm)分类一体的工具包。

BrainNetClass 确实如其初衷一样，非常的便捷！但值得注意的是， BrainNetClass 只能用于分类，而且是二分类，不支持多分类(GUI模式)，不支持回归（除非用batch模式大改）。但是对于做二元分类来说，比如区分疾病与健康被试，是很便捷的。

另一个方面，由于其便捷性，可能会导致使用者测试了所有参数，而最后只报告显著的结果。但这也是目前的阶段很难避免的问题。

其界面如下：

BrainNetClass 只需要三个输入选项：Data Input（数据路径），Label Inpute（分类标签路径），Output Directory（输出路径）。

输入数据为ROI signals，通常就是预处理过后每个ROI的平均BOLD信号。使用GUI的情况下，Label只能是1和-1两个值用来表示分组标签。

这一部分非常简单，参看手册即可。

对于参数选择有4个部分：网络构建，特征输出，特征选择，模型评估

网络构建

我们的输入数据是ROI signals，需要构建网络，最常见的方法是计算皮尔逊相关系数，来表示两个节点之间在时间上的活动的相似性，从而构成无方向的脑网络。这是最常见也是最容易理解的网络构建方式。

构建网络还有很多其它的方式， BrainNetClass 就提供了无参数的构建方式：PC，aHOFC，tHOFC，和需要超参数的SR，GSR，WSR，WSGR，SGR，SSGSR，SLR和dHOFC。这些构建方式的用途在manual中可见，更详细的在他们的论文（Zhou，et. al., 2020)中可见。其中PC就是皮尔逊相关。

特征输出

即网络构建之后，用什么参数或者指标作为特征，例如选择常见的相关系数r。在无参数的构建方式下，我们可以选择相关系数r，或者局部聚类系数（local clustering coefficient，这是一个图论指标）。

事实上特征输出并不局限于此，任何你们计算的ROI指标都可以作为特征，但需要我们解释其意义和可能的机制。

在超参数的情况下，不需要做选择。

特征选择

这是由维度灾难与过拟合带来的必需的步骤。当自变量数接近样本量时，就可以几乎完全拟合因变量了。而脑影像数据的自变量往往远超样本量。这导致在训练样本上表现非常好，而在外部样本是得不到验证。因此，这是一个需要面对的问题。常见的方式就是删减不重要特征，获得稀疏特征矩阵。

BrainNetClass 提供了T检验和lasso（即L1正则化）两种手段。

模型评估

用一个外部样本来测试模型的可泛化性是一个理想的方法。当我们没有这个外部样本时，交叉验证就是一个替代方案。

BrainNetClass 提供了k-fold和留一法两种方案。Russell等人2019年发表JAMA Psychiatry的文章强烈推荐使用k-fold而不是留一法。

从模拟数据上讲，交叉验证是能够有效的对模型进行评估的。但最近期刊更偏向于有独立样本验证的研究，毕竟这更直接更有说服力。

最终的输出结果在输出文件夹中，结果很丰富，甚至连图都画好了，参见manual即可。

参考文献

Poldrack, R. A., Huckins, G., & Varoquaux, G. (2020). Establishment of best practices for evidence for prediction: a review. JAMA psychiatry, 77(5), 534-540.

Zhou, Z., Chen, X., Zhang, Y., Hu, D., Qiao, L., Yu, R., … & Shen, D. (2020). A toolbox for brainnetwork construction and classification (BrainNetClass). Human Brain Mapping.