现代医学中对于重度抑郁症的诊断和治疗有着较为明确的标准和方案,其中常用的方法是基于诊断学来进行症状诊断进而进行治疗。然而这种方法还处于初级研究阶段,尤其是致使抑郁症患者病情更加严重的其他诱发病因以及发病机制的研究仍然没有可靠的结论。目前对于重度抑郁症患者的诊断判定多是依据患者家属对患者日常行为进行描述,其次再结合医生自身的观察以及相应的医学知识和经验来进行评定。这种方法主观性太强,同时也对医生的诊断能力和工作水平要求很高,尽管如此也难以保证较高的准确率,往往容易造成误诊,从而延误了最佳的治疗时期,结果就导致了患者的病情进一步恶化。随着现代医学技术的发展,尤其是脑影像学技术的日益发展,使得在脑疾病的诊断与治疗中出现了更为便捷的方法,其中功能磁共振影像(functional Magnetic Resonance Imaging,fMRI)技术的出现更进一步的推动了抑郁症的临床研究和发展。功能磁共振成像技术的研究之所以能够得到广泛传播更多是由于其能在并不形成创口的条件下实现对大脑特定区域进行研究,因此在脑功能异常研究方面具有自己的独特优势。而功能磁共振影像(fMRI)技术在世界范围内广泛传播的同时也进一步推动了医学上在重度抑郁症治疗方面上的研究。在Biswal等人将静息态功能脑网络研究与fMRI技术相结合之后,这种以静息态为代表的fMRI研究越来越多的被运用到脑疾病的研究中。关于抑郁症的研究一直是医学上研究的热点,同时因其给患者本人、患者家庭和社会带来了沉重的负担和严重的影响,也越来越受到社会的关注。但是目前对于抑郁症这一类精神疾病的诊断手法相对比较单一,因此需要探寻出一种高效的、系统的方法来进行更为准确的诊断。在各种脑疾病的研究方法中,以使用静息态fMRI技术进行抑郁症研究的方法尤为引人注意,并且已经取得了较好的研究成果,进一步的推动了临床诊断上的医学研究。作为精神疾病研究的一个新视角和新方法——静息态功能磁共振影像数据的研究方法越来越得到广泛应用。考虑到目前的研究现状,我们的研究通过对患者组和健康对照组功能磁共振影像数据进行分析,从数据中选择特征属性差异性较大的特征作为分类输入特征,运用分类算法构建分类器模型进行分类实验。在分类算法选择上,根据不同分类算法的特点选取合适的分类算法来构建分类模型,从而得到能够有效的将患者组和健康对照组进行分类判别的模型,目的是帮助医学上构建抑郁症的相关临床生理指标,进而能够从机器学习的角度来建立抑郁症辅助诊断模型,这对今后在抑郁症的诊断判别方面的研究具有非常重要的意义。我们的研究是一种跨学科的研究,研究的过程中为我们结合了复杂网络的相关理论体系以及脑科学相关的理论体系,采用已经比较成熟的功能磁共振成像技术来获取被试大脑图像的fMRI数据。在获取被试的fMRI数据之后做了一系列预处理工作,进而在预处理数据的基础上来构建被试的功能脑网络模型。在被试脑网络异常拓扑结构的研究中我们应用了复杂网络的一些理论,在功能脑网络的特征属性中选择差异性显著的特征属性作为分类输入特征,研究不同的分类算法来实现对患者组和健康对照组功能脑网络分类研究实验。作为一种研究抑郁症的全新视角,目的是为了从机器学习的角度来揭示抑郁症的成病机理,为今后医学上对于抑郁症的研究提供一个更加全面、准确的研究方向。本文的主要工作如下:(1)静息态下运用功能磁共振成像术获得被试的脑网络fMRI数据:在被试保持无任务静息态的条件下采用fMRI技术对符合条件的被试进行脑部扫描,得到被试的fMRI数据。在我们的实验研究中,通过筛选的被试包括有重度抑郁症患者(36名)以及正常人(37名)。(2)对获取的被试脑网络原始数据进行一系列的预处理工作:预处理的过程是在MATLAB平台中进行,调用事先装入平台的实验工具箱DPARSF和REST来预处理fMRI图像数据,处理过程中涉及的处理步骤有:1.时间片校准;2.被试的头动校准;3.空间标准化;4.平滑;5.低频滤波。(3)构建被试脑网络并计算网络特征:实验过程中对于脑区的划分依据是采用AAL大脑模板将大脑分为90个脑区,利用非参数置换检验对90个脑区的网络特征属性进行对比研究,从中确定具有明显差异性的异常脑区来进行研究。然后构建出被试异常脑区的脑网络模型运用复杂网络的相关理论来计算一系列的网络特征属性值。(4)研究分析机器学习方法,从中选择本文将要运用的分类算法,并研究分类算法的原理及相关参数设定方面的问题。(5)结合分类算法构建分类器模型实现对被试进行分类判别的实验:运用选择的分类算法和所选的网络特征属性进行分类试验,构建分类模型并进行预测实验,对比实验结果进行实验结果分析。