基于静息态功能磁共振成像的精神分裂症脑网络特征分类研究

发布时间：2023-04-03 17:43

　　如何从复杂的静息态功能核磁共振成像(rs-fMRI)数据中提取高鉴别性特征,是提升精神分裂症识别精度的关键。本文使用一种加权稀疏脑网络构建方法,采用肯德尔相关系数(KCC)从脑网络中提取连接特征,并基于线性支持向量机对57例精神分裂症患者与64例健康受试者进行分类研究,最终得到了较高的分类精度(81.82%)。本文研究结果表明,相较于传统的皮尔逊相关和基于稀疏表示的脑网络构建方法,以及常用的双样本t检验(t-test)和最小绝对收缩与选择算子(Lasso)特征选择方法,本文提出的算法可以更有效地提取出能够区分精神分裂症患者与健康人群的脑功能网络连接特征,进而提升分类精度;同时本研究中所提取的鉴别性连接特征或可作为潜在的临床生物学标志物,用以辅助精神分裂症的诊断。

【文章页数】：9 页

【文章目录】：
引言
1 材料和方法
    1.1 数据采集及预处理
    1.2 加权稀疏脑网络建模
    1.3 脑功能网络连接特征选择
    1.4 模型参数选择
2 实验结果
    2.1 网络可视化
    2.2 连接特征分布
    2.3 分类性能指标及结果
3 分析与讨论
    3.1 分类性能对比
    3.2 最具鉴别力的连接及相关脑区
    3.3 算法运算量
    3.4 局限与展望
4 总结



本文编号：3780854