随着脑科学的快速发展,功能磁共振成像的数据分析已成为研究者了解复杂脑功能重要依据。该技术所测信号源于大脑血液中脱氧血红蛋白含量的动态变化,反映在数据上是一种非线性非平稳的信号,有着复杂的时频特征,所以目前对此构成的脑功能网络方法还处于研究阶段,临床上仍采用人工干预的方法进行疾病诊断。从现有文献报道看,传统的脑功能网络研究多数是从时间维度分析,忽略了人脑信息交互时脑信号的频率特异性。而在频率维度研究中,研究人员多依据主观经验或经典方法划分,缺乏统一分频标准,致使脑科学领域的相关分频研究可重复性较差,同时经典算法对数据的假设较多,未能充分挖掘信号自身特性,也阻碍了进一步了解其内在意义。针对上述问题,本研究综合考虑功能磁共振信号的多尺度特性,提出了基于快速多维集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)的数据驱动方法,将脑信号从时间和空间多维度结合,进行自适应地频率分解并构建多尺度功能脑网络。文中先对正常被试的脑信号进行不同的震荡节律分解,从脑功能连接角度初步探讨自适应方法的有效性和精准性。此次实验数据采自中国科学院心理研究所磁共振中心,经过了先进的皮层预处理和最新的脑膜版匹配。随后将该方法应用于疾病数据,对比分析了多种方法的结果差异性。即在轻度认知障碍被试与正常被试数据分别构建了基于未分频无权网络、多尺度传统滤波器方法和多尺度快速多维EEMD自适应方法的功能脑网络。最后提取不同方法的差异网络属性作为分类特征集进行分类研究,从模式分类的角度论证快速多维EEMD方法构建脑功能连接网络算法框架的高效性。本研究主要完成工作如下:(1)全面分析功能磁共振成像信号特点,从时间和空间多维度重构信号,首先在正常被试下进行自适应分解,提取经过严格矫正的脑功能连接脑区进行探讨研究,从功能连通性角度验证快速多维EEMD分解方法的可行性和有效性,为下文多种方法结果对比和疾病数据的应用分类提供基础。(2)为检测多维EEMD方法在多个数据集的可行性,将该方法应用于轻度认知障碍研究中,并对比多种方法的结果差异性。首先构建了不同稀疏度下轻度认知障碍被试与正常被试的无权网络作为未分频的单尺度脑网络,计算其网络属性并进行统计分析,提取未分频的显著性差异的脑网络属性。(3)为对比多种分频方法的结果差异性,分别利用快速多维EEMD分解方法和传统滤波器方法,构建了轻度认知障碍和正常被试的频率多尺度功能脑网络,提取不同方法下有显著差异的脑网络属性。(4)将三种方法差异属性构建特征集,使用支持向量机(Support Vector Machine,SVM)分类器对数据进行训练分类,比较不同方法的分类效果,从模式分类角度证明快速多维EEMD方法引入脑功能网络的有效性。对比三种方法的差异属性,发现多维EEMD方法更能敏感捕捉血氧水平依赖(Blood Oxygenation Level Dependent,BOLD)信号的基线变化,更深入挖掘脑网络细微差别,在疾病分类效果上该方法则有着更优秀地分类效果,这也为疾病的早期诊断提供了一定的方法学基础。