基于独立成分分析的抑郁症脑网络属性分析

发布时间：2021-06-06 02:16

　　使用独立成分分析（ICA）与图论相结合的方法来研究抑郁症的脑网络拓扑属性差异可以为抑郁症的诊断提供依据。针对以ICA成分为节点构建的二值化网络中轻度抑郁症患者与正常人的传统属性差异不明显的问题,提出将二值化网络改进为加权网络,并引入信息维数这个属性。通过计算信息维数对比患者与正常人的显著差异,找到差异显著的独立成分,并进行溯源分析。实验结果表明,抑郁症患者的信息维数都明显高于正常人,说明抑郁症患者脑网络的复杂度更高,并且二者的差异显著脑区定位为左侧额叶中上回与左侧颞叶中回。 

【文章来源】：科学技术与工程. 2020,20(25)北大核心

【文章页数】：6 页

【部分图文】：

技术路线

计算被试在不同阈值下close与open阶段的加权网络信息维数,对不同频段下的网络信息维数进行K-S检验(P<0.05),并计算分类准确率,与之前计算的二值化网络下聚类系数、特征路径长度、局部效率、全局效率、rich-club系数、网络受到随机故障与目标攻击时的网络弹性以及网络信息维数的分类准确率相比较,发现加权网络信息维数的分类准确率明显高于其他属性,如图2所示,说明加权网络的网络信息维数分类效果是最好的。3.2 网络信息维数分析

信息维数是复杂网络香农(Shannon)熵的形式,是度量网络复杂度的一个重要指标。在本研究中,轻度抑郁症患者的网络信息维数高于正常人,表明轻度抑郁症患者的脑网络具有更高的复杂度[16],推测抑郁症患者大脑部分区域呈现功能紊乱,对认知能力的具体影响需要进一步地研究。图4 不同阈值时close阶段网络信息维数的比较

【参考文献】：
期刊论文
[1]重度抑郁症静息态fMRI的独立成分分析[J]. 张琪,毛宁,宋筱蕾,于美霞,王滨.  国际医学放射学杂志. 2019(03)
[2]基于ICA和图论方法的脑电β波静息态功能连接[J]. 闫彤,杨剑,陈书燊,梁佩鹏.  计算机应用研究. 2015(04)
[3]如何正确认识抑郁症[J]. 王红梅.  中国实用医药. 2011(01)
[4]多导联EEG信号分类识别研究[J]. 张海军,王浩川.  计算机工程与应用. 2008(24)



本文编号：3213386