0 引言

       民航飞行员的需求量逐年增大，即使在新冠疫情持续的2022年，全年我国运输航空公司的驾驶员仍然增加了2 277名^[1]。培养民航飞行员需要消耗大量时间、金钱和人力成本，由于该职业的特殊性，飞行员人才需要提前培养和储备。以中国民用航空飞行学院为例，所有的飞行学员需要通过2年的理论课培训与1~2年的飞行训练，训练过程中需要提供飞行教员、教练机、燃油以及成体系的配套设备支持。但同时一些学员并不能成长为合格的飞行员。这对学员、学校和航空公司都是巨大的时间和经济损失，也将对学员的职业生涯带来极大的打击，而学员所受的心理创伤更是难以忽视。因此有必要在选拔中建立更为有效的评估系统，而对飞行员和学员的大脑研究将有助于飞行员的选拔和训练。

       过往的多种研究已经通过静息状态功能性磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）发现大脑与职业能力存在相关性^{[2, 3]}。rs-fMRI通过测量被试者的血氧水平依赖（blood oxygen level-dependent, BOLD）信号反映大脑内部的活动状态。目前已经有一些通过rs-fMRI的研究显示，飞行员的大脑相较于普通人发生了改变。CHEN等^{[4, 5]}发现飞行员相较于普通人在默认模式网络（default mode network, DMN）内部有更高的连通性，并且飞行员的中央执行网络（central executive network, CEN）、DMN和突显网络（salience network, SN）三种网络间的功能连接增加，网络内功能连接减少，功能动力学的时间特性增加。XU等^[6]通过对静息态下的低频信号发现飞行员与视觉信息处理和身体协调运动相关的大脑区域的自发活动显著增强。CHEN等^[7]通过对度中心性的研究发现飞行学员经过训练后提高了左额中回和左舌回的度中心性值，并且提高了他们的执行能力。JIANG等^[8]结合fMRI与行为学研究发现飞行员在受到刺激时情绪比其他健康人更加稳定，同时右侧缘上回和右侧舌回的激活低于其他健康人。

       先前的研究揭示了飞行员大脑相较于普通人的变化，以及这些变化与某些能力的相关性。这些研究主要是通过单变量模式分析的方法得到其有别于普通人大脑的特性，反映的是群体层面的差异。但是还缺乏使用多变量模式分析（multivariate pattern analysis, MVPA）的方法对飞行员等健康人群的研究。MVPA是一种在医学影像领域被提出的利用机器学习对数据处理的方法，在对个体的识别上有显著优势，相比传统的单变量模式分析对fMRI数据的细微变化更敏感^{[9, 10]}。仅使用单变量模式分析难以确定各个指标的权重，不能很好地将研究成果应用在飞行员和学员的个体评估中。因此本文尝试使用MVPA对飞行学员的rs-fMRI数据进行识别，建立一个可以有效识别出飞行学员个体的模型。本研究补充了在针对飞行员的研究中MVPA领域上的部分空缺，此外本研究训练得到的有效模型中的权重信息能够通过统计学以外的方式反映飞行员与普通人的大脑差异。

1 材料与方法

1.1 研究对象

       本研究招募了中国民用航空飞行学院的79名在校学生作为被试者，分为飞行学员组成的飞行组和由地面专业的学员组成的对照组。其中飞行组总共40人，所有成员已经完成飞行学院规定的至少235 h的飞行训练并取得了中国民航局颁发的私用驾驶员执照和商用驾驶员执照，已具备合格的独立执飞小型飞机的能力。

       所有被试者的纳入标准：（1）体内未有金属物体；（2）参与试验时身体健康；（3）均为男性；（4）年龄21~25岁；（5）右利手；（6）均为本科学历，已经取得工学学士学位。排除标准：（1）有精神类病史；（2）有药物或酒精依赖；（3）有脑外伤、脑血管病、慢性疼痛病史。本研究遵守《赫尔辛基宣言》，经过电子科技大学磁共振成像研究中心伦理与人体防护委员会批准，批准文号：NO2018-042002。所有被试已对试验内容知情，自愿参与，并在试验前签署试验同意书。

1.2 影像学数据采集

       本文中所有的fMRI数据均在电子科技大学磁共振成像中心完成采集。扫描仪器为8通道相控阵头线圈的美国GE Discovery MR750 3.0 T磁共振成像仪。使用三维扰相梯度回波序列采集T1数据，参数如下：TR 5.952 ms，TE 1.964 ms，翻转角9°，扫描矩阵256×256，FOV 256 mm×256 mm，层厚1.0 mm，扫描层数154层。使用标准梯度回波脉冲序列采集fMRI数据，参数如下：TR 2 000 ms，TE 30 ms，翻转角90°，扫描矩阵64×64，FOV 240 cm×240 mm，层厚4.0 mm（间隔0.4 mm），扫描层数35层，扫描时长510 s，共采集255帧。在扫描之前，被试者需要取下身上所有的金属物品并使用金属探测仪检查，并且佩戴降噪耳塞。要求被试者在试验中全程闭眼并保持清醒，不思考特定的事情。为减少被试者的头部移动，塞入泡沫垫固定头部。

1.3 影像学数据处理

1.3.1 预处理

       使用基于Matlab2013b平台的CONN18b（https://web.conn-toolbox.org/）工具箱对rs-fMRI数据进行预处理。数据预处理的步骤为：（1）去除前5个时间点；（2）时间层校正；（3）头动校正，去除平移>2 mm或者转动>2°的样本；（4）空间标准化，将个体脑影像通过非线性转换配准到蒙特利尔神经研究所（Montreal Neurological Institute, MNI）空间，重采样为3 mm×3 mm×3 mm，之后排除有伪影和占位的样本；（5）使用半径为6 mm高斯核进行平滑；（6）去除线性飘移；（7）去协变量，回归白质、头动、脑脊液信号。（8）滤波，去除0.01~0.08 Hz以外的信号。

1.3.2 计算大脑功能连接网络

       使用CONN18b计算功能连接。将自动解剖标记（automated anatomical labeling, AAL）^[11]模板中的90个大脑脑区作为感兴趣区（regions of interest, ROI），将每个ROI中所有体素的取均值得到时间序列。所有ROI之间相互计算两两之间时间序列平均信号的皮尔逊相关，得到一个90×90的对称相关矩阵，对矩阵的相关系数进行Fisher's Z变换。由于矩阵的对称性，提取其中的上三角元素作为MVPA的特征[总共得到90×（90-1）/2=4 005个特征]。

1.4 MVPA分析与模型评估

       使用Python软件（3.9.15版本，https://www.python.org）进行MVPA分析与模型评估。首先分别使用不同的特征选择方法对样本特征进行筛选，再将处理后的数据用于模型的训练、预测与评估。模型评估的流程如图1所示。

1.4.1 特征选择

       本文尝试分别使用独立样本t检验和最小绝对收缩选择算子（least absolute shrinkage and selection operator, LASSO）2种方法筛选样本特征，对比这2种算法以及不使用特征筛选的MVPA分类性能。独立样本t检验是fMRI中经常使用的算法，在一些MVPA研究中也被用于特征筛选^{[12, 13]}并取得良好结果。使用Scipy（1.11.1版本，https://scipy.org/）软件包对4 005个功能连接进行独立样本t检验计算，通过控制阈值计算不同特征数量下MVPA的分类效果。LASSO算法定义见式（1）。

       该算法由scikit-learn（1.2.2版本，https://scikit-learn.org/stable/）软件包实现。与独立样本t检验相似，LASSO算法也是通过控制阈值筛选特征，可以和独立样本t检验进行相同的比较。

1.4.2 MVPA评估

       使用scikit-learn（1.2.2版本，https://scikit-learn.org/stable/）软件包提供的支持向量机（support vector machine, SVM）进行MVPA分析。SVM已经在抑郁症^[14]、精神分裂症^{[15, 16]}、药物依赖^[17]等脑部疾病的识别研究中并且取得非常有效的结果，因此也有望应用在飞行学员的大脑研究。为了探究核函数对SVM性能的影响，分别使用线性（linear）、径向基函数（radial basis function, RBF）、sigmoid、多项式（polynomial）4种核函数的SVM进行训练和预测，使用网格搜索法分别寻找4种核函数的最佳超参数。

1.4.3 模型评估

       模型评估主要有准确率、敏感度、特异度、曲线下面积（area under the curve, AUC）四种指标。使用SPSS（26.0版本，https://www.ibm.com/cn-zh/spss）软件对模型间的AUC进行统计显著性检验，当P<0.05时，模型间差异具有统计学意义。为了最大化利用试验数据，本文使用留一交叉验证法（leave one out cross validation, LOOCV）计算上述4种指标。该方法每次选取数据集中的一个样本留作验证集，使用其余的样本进行特征筛选和训练，而后验证结果。之后将验证过的样本放回数据集，选取一个未经验证的样本重新进行上述操作直到每个样本都被验证过一次，最终统计所有样本验证的结果计算上述4种指标。最后对模型的准确率进行5 000次置换检验，当P<0.05时，说明模型足够有效。

点击查看大图

图1  模型建立流程图。rs-fMRI：静息状态功能性磁共振成像；AAL模板：自动解剖标记模板；ROI：感兴趣区：LOOCV：留一交叉验证法；SVM：支持向量机。
Fig. 1  Model establishment flowchart. rs-fMRI: resting state functional magnetic resonance imaging; AAL: automated anatomical labeling; ROI: regions of interest; LOOCV: leave one out cross validation; SVM: support vector machine.

2 结果

2.1 研究对象

       在试验中有2名被试者分别因为是左利手和头动过大被排除在研究外。最终有39名飞行组被试者和38名对照组被试者的数据被纳入研究。表1为最终纳入研究的被试者人口统计学数据。

点击查看表格

表1  研究对象人口统计学数据
Tab. 1  Demographic data of research subjects

2.2 分类器性能

       单独使用SVM分类的准确率最高为62.34%。通过两种特征选择方法与SVM的组合均能提升模型的准确率。其中使用独立样本t检验的SVM算法最高准确率和AUC分别为75.32%和0.78，LASSO算法最高准确率和AUC分别为83.12%和0.88，并且在不同核函数下均高于独立样本t检验。各项分类性能指标见表2。图2为对应的受试者工作特征（receiver operating characteristic, ROC）曲线。

       模型间的AUC统计显著性检验如图3所示，使用不同特征筛选方法的模型间差异均有统计学意义（P<0.05）；在相同特征筛选方法下，使用不同核函数的SVM的AUC值差异均无统计学意义（P>0.05）。由于核函数对性能影响很小，因此超参数最少、计算开销最小的linear核函数是最合适的核函数。综上所述LASSO方法与linear核SVM是最佳的组合。LASSO-linear核SVM的置换检验的P值为0.001 2，通过了置换检验，图4为其结果分布。

点击查看大图

图2  不同特征筛选方法的SVM的ROC曲线。2A：基于LASSO；2B：基于独立样本t检验。SVM：支持向量机；ROC：受试者工作特征；LASSO：最小绝对收缩选择算子；RBF：径向基函数；AUC：曲线下面积。
Fig. 2  ROC curves of SVM with different feature selection methods. 2A: Based on LASSO; 2B: Based on independent samples t-test. SVM: support vector machine; ROC: receiver operating characteristic; LASSO: least absolute shrinkage and selection operator; RBF: radial basis function; AUC: area under the curve.

点击查看大图

图3  SVM模型间AUC值的显著性差异。支持向量机；AUC：曲线下面积；LASSO：最小绝对收缩选择算子；RBF：径向基函数。
Fig. 3  Significant differences in AUC values between SVM models. SVM: support vector machine; AUC: area under the curve; LASSO: least absolute shrinkage and selection operator; RBF: radial basis function.

点击查看大图

图4  LASSO-linear核SVM置换检验结果分布。P=0.001 2<0.05；置换次数：5 000；红色虚线表示使用真实标签的模型准确率。LASSO：最小绝对收缩选择算子；SVM：支持向量机。
Fig. 4  LASSO-linear kernel SVM permutation test result distribution. P=0.001 2<0.05; Number of permutations: 5 000; The red dashed line indicates the accuracy of the model using real labels. LASSO: least absolute shrinkage and selection operator; SVM: support vector machine.

点击查看表格

表2  不同特征筛选方法与核函数组合的SVM分类性能
Tab. 2  SVM classification performance based on the combination of different feature selection methods and kernel functions

2.3 特征数量比较

       图5为两种不同特征筛选方法结合SVM在筛选出的不同特征数量的准确率变化。LASSO和独立样本t检验在特征数量分别为29和79时达到最高准确率和AUC值，LASSO所需的特征数量远小于独立样本t检验。

点击查看大图

图5  SVM准确率随特征选择的阈值变化。5A：基于LASSO；5B：基于独立样本t检验。SVM：支持向量机；LASSO：最小绝对收缩选择算子；RBF：径向基函数。
Fig. 5  The accuracy of SVM varies with the threshold of feature selection. 5A: Based on LASSO; 5B: Based on independent samples t-test. SVM: support vector machine; LASSO: least absolute shrinkage and selection operator; RBF: radial basis function.

2.4 模型权重

       获取最佳参数下LASSO-SVM模型的权重对应的功能连接信息。由于使用LOOCV，将77次交叉验证的权重信息的绝对值相加取平均值。权重结果如图6所示。选择权重绝对值较大的特征进行展示，选择标准为大于平均值加标准差^[12]，总共有14条连边，其中权重最大的前5个连接对应的脑区有右侧中央旁小叶、双侧中央后回、双侧顶下缘角回、右侧梭状回、左侧眶部额中回、左侧顶上回、右侧眶部额下回，如表3所示，在大脑中的分布情况如图7所示。

       通过THOMAS YEO等^[18]的7网络模板将90个AAL脑区归类至7个脑网络中，结果显示感觉运动网络（somatomotor network, SMN）与DMN占有最多的权重，边缘网络（limbic network, LN）、额顶网络（frontoparietal network, FN）、视觉网络（visual network, VN）也占有较大的权重，背侧注意网络（dorsal attention network, DAN）与腹侧注意网络（ventral attention network, VAN）权重占有的权重较少。结果如图8所示。

点击查看大图

图6  模型中权重大小。
Fig. 6  Weight sizes in the model.

点击查看大图

图7  模型中较大特征在大脑分布情况。
Fig. 7  The distribution of various features in the model in the brain.

点击查看大图

图8  模型中各网络间的分布。8A：模型中各网络间的分布；8B：模型中各网络权重占比。VN：视觉网络；SMN：感觉运动网络；DAN：背侧注意网络；VAN：腹侧注意网络；LN：边缘网络；FPN：额顶网络；DMN：默认模式网络。
Fig. 8  The distribution of networks in the model. 8A: The distribution of networks in the model; 8B: The proportion of weights in each network in the model. VN: visual network; SMN: somatomotor network; DAN: dorsal attention network; VAN: ventral attention network; LN: limbic network; FPN: frontoparietal network; DMN: default mode network.

点击查看表格

表3  模型中权重较大的连接
Tab. 3  Connections with larger weights in the model

3 讨论

       本研究主要对象是健康的飞行学员与普通人，针对的是经过特定训练产生的大脑差异，此类研究在磁共振成像领域内尚有大量空白。相较于先前对飞行员的统计分析，本文补充了一些在MVPA研究上的空缺，模型达到了较好的识别效果。过往的单变量模式分析方法主要是分析群体间的差异，而MVPA重点在对个体的识别上。另一方面，通过预测准确率高的模型的权重信息也可以反映飞行学员与对照组之间的有差异的脑区。此外本文所使用的方法也很有可能适用于其他需要在人员培训上大量投入的职业人群的研究。

3.1 核函数对SVM性能的影响

       在以往使用SVM的相关研究中linear核函数与RBF核函数是最常使用的^[19]，文献中核函数的选取偏向于依靠经验，缺乏核函数对模型性能影响的对比，并且不同类型的数据所最适用的核函数可能也不同。因此本文对比了4种常用核函数对SVM识别飞行学员功能连接数据的影响，以此探寻核函数适用规律。本文发现就识别飞行学员的场景下4种核函数对准确率和AUC的影响不大，差异没有统计学意义。在此基础上linear核函数的超参数是最少的，因此计算量开销最小并且更不容易产生过拟合，在这4种核函数中linear核函数是最好的选择。

3.2 特征筛选方法对模型的影响

       特征筛选方法对SVM识别性能有显著提升。由于样本维度远高于训练集数量时SVM会出现严重的过拟合^[18]，SVM会将个体的特例情况以及噪音也学习进模型中。因此需要降维手段减少样本的特征数量，提高有效信息的密度。两种方法中LASSO对准确率的提升更为显著，该算法的特点是更容易产生更稀疏估计^[20]，即在筛选出更少特征的情况下达到最佳估计。在本文中使用LASSO将平均特征数量在29时达到最高的准确率，此时特征数量缩减为了原本的0.72%，相比之下独立样本t检验需要79个特征才达到了最高的准确率。更少的特征数量可以使研究者更容易弄清特征与结果的相关性以及特征之间是如何作用的，因此为模型提供了更好的可解释性，同时也减少了过拟合。

3.3 模型中的权重信息

       在本研究的最佳模型中，右侧中央旁小叶和双侧中央后回参与的连接有很高的权重占比和出现次数，它们都属于运动皮层。在关于运动员的研究中中央旁小叶和中央后回与普通人有显著差异^{[21, 22]}。中央旁小叶与对侧肢体的运动和感觉有关^{[23, 24]}。在XU等^[6]对飞行员的研究中也报告了中央旁小叶的低频振幅值增加，这可能是与飞行员长期使用的脚进行蹬舵操纵有关。中央后回在运动控制中具有关键作用^{[25, 26]}，不只是与运动相关，中央后回也被发现与听觉有关^{[27, 28]}。此外双侧顶下缘角回、右侧梭状回、左侧眶部额中回、左侧顶上回、右侧眶部额下回也是在模型中权重较高的连接涉及的脑区。梭状回是与单词阅读和面部识别有关的脑区^{[29, 30]}，在视空间任务中更是依赖右侧梭状回的激活^[31]。眶部额中回与眶部额下回都处于眶额叶。眶额叶在调节情绪中起到关键作用^{[32, 33]}，此外眶额叶的异常可能导致洞察能力的缺失^[34]。顶上回是整合听觉、视觉、感觉运动等多种信息的脑区，并且能够有选择性地分配注意力^{[35, 36]}。顶下缘角回属于顶下小叶，与情景记忆中语义和感知特征的检索有关^[37]。以上权重较大的脑区大部分都与感知有关。

       该最佳模型中属于SMN与DMN的脑区参与的连接权重明显高于其他网络，占据模型的50%以上，并且在网络内部和其他网络间都有较大的权重。在CHEN等^[6]对飞行员的研究中也报告了在DMN络内部有更高的连通性。外部感觉信息从SMN输入，随后由DMN和SN处理^[38]。可能是因此使得飞行学员的DMN发生了较大的改变。

       飞行学员在按照既定航路飞行时需要实时关注飞机位置、飞行姿态、仪表信息、无线电信号、地标等多种信息，需要处理的信息形式涉及到身体感觉、文字、语音、物体，并且在短时间将多种信息整合筛选出重要信息，凭借长期训练获得的技术和的经验快速做出判断和调整。这要求飞行员需要时刻保持高度的注意力以及合理的注意力分配，并且具有良好的运动能力。可能正是这些高难度要求，使得飞行学员的大脑有别于普通人。

3.4 局限性

       本研究还存在一些不足。首先，本研究仅选用了AAL90图谱作为ROI，随着对飞行员脑MRI研究的深入可能发现更合适的图谱划分ROI，进而获得更好的识别效果。此外，本文对比的被试者仅限于完成阶段训练的飞行学员与同教育学历的地面专业的学生，试验组对象进行的飞行训练时长非常接近，而对照组没有飞行时长，不适合进行相关性分析，在后续的研究中将补充对不同训练阶段和飞行时长的飞行学员研究。

4 结语

       本文建立了利用静息态功能连接特征对飞行学员进行MVPA的模型，对比了特征筛选方法与核函数对SVM准确率的影响。结果发现特征筛选方法是主要影响因素，其中LASSO算法获得了更高的准确率，该算法稀疏选择的特性减少了模型的过拟合并且使模型有更好的可解释性。而核函数的选择对结果影响很小，因此结构最为简单，计算开销最小的linear核函数是最佳的核函数。本文通过LASSO算法降维的linear核SVM达到了81.82%的准确率，敏感度82.05%，特异度81.58%，AUC为0.88，可以对飞行学员的大脑进行有效识别。此外模型中权重高的特征对应的脑区集中在运动和感知有关的脑区，表明飞行学员在长期的飞行训练中运动能力和反应能力增强。本文所使用的模型和结论有望在民航飞行员的选拔与训练中提供参考。