论文部分内容阅读
注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)是一种常见的神经精神疾病,而ADHD的发病机制不明确,所以探索ADHD的客观诊断标准是目前研究的重要课题之一。静息态功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)数据可以反映静息状态下的自发脑活动,通过分析静息态fMRI数据,可能找到病人与正常对照组间的信号差异,根据信号间的差异结合机器学习算法对病人和正常对照组实现准确分类。因此,近年来基于静息态fMRI数据对ADHD的分类研究也逐步展开。本研究中,对101个ADHD患者和143个正常对照组的静息态fMRI数据进行研究,首先提取静息态fMRI数据的成分因素,对成分因素的活跃程度异常情况进行分析,在此基础上,通过结合特征提取和模式识别方法构建出两种不同的模型对ADHD进行分类研究,论文的研究内容如下:(1)基于静息态fMRI数据是不便于数学表达的多源信号,构建了ICA-SVM识别模型。独立成分分析(Independent Component Analysis,ICA)适合多源信号的分析,利用ICA对静息态fMRI数据提取成分因素,将成分因素包含的体素通过参数矢量化构造出特征向量,并选择支持向量机(Support Vector Machine,SVM)为识别网络,构建出ICA-SVM识别模型。文中分析了成分因素对ADHD患者和正常对照组分类的影响,实验结果得到平均分类准确率为71.92%,证明了ICA-SVM识别模型有助于ADHD患者和正常对照组的分类。(2)为了更进一步提高ADHD患者与正常对照组的分类准确率,本文基于ICA-SVM识别模型进行优化,得到DL-SVM识别模型。由于ICA-SVM识别模型是基于静息态fMRI数据的稀疏分量进行分类,而ICA提取的成分因素稀疏性较差,因此本文通过构造字典将提取的成分因素稀疏化,并利用SVM基于稀疏分量进行分类,构建出DL-SVM识别模型。由DL-SVM识别模型得到的平均分类准确率为77.60%可知,DL-SVM识别模型可以更有效的对ADHD患者和正常对照组进行分类。