论文部分内容阅读
精神分裂症是一类重性精神疾病,不仅给患者带来很多的痛苦,而且给家庭以及社会带来了沉重的负担。传统的主观诊断方式由于得不到客观生理数据的支撑很容易造成误诊。功能近红外光谱成像技术(functional Near-Infrared Spectroscopy,fNIRS)以其无创、便携、实时、低廉等优点在临床诊断中得到了广泛应用。本文以fNIRS数据为基础,进行精神分裂症患者的自动识别研究,对医生的临床诊断具有重要的借鉴意义。本文采用一般线性模型(General Linear Model,GLM)特征提取方法和基于脑网络属性分析的特征提取方法,分别对fNIRS数据进行特征分析,采用SVM分类器进行患者自动鉴别。主要研究工作如下:(1)fNIRS数据预处理。为了消除基线漂移和高频噪声对原始数据的影响,首先使用傅里叶变换对信号进行频谱分析,得到信号所在频段,然后根据该频段设计低通滤波器对处于该频段之外的信号成分进行过滤,提高数据的信噪比。(2)基于GLM的特征提取与分类。使用GLM提取正常人和精神分裂症患者52个通道激活程度值,利用独立样本T检验对患者组与正常对照组进行52个通道值统计差异检验,从52个通道中选取具有显著差异的通道构建特征向量。通过构建的样本库(包括34例正常对照和42例精神分裂症患者)对SVM分类器进行留一法交叉验证,识别的准确率达到了88.15%,特异度为100%,敏感度为78.57%。(3)基于脑网络属性分析的特征提取与分类。通过对52个通道的fNIRS数据序列做Pearson相关性分析,构建正常人和精神分裂症患者的脑网络,计算76例被试脑网络的属性,包括节点的度、聚类系数、局部效率以及全局效率。通过对单个属性的对比分析,选取最适合分类的属性节点的度构建特征向量进行分类,并对多种属性的组合特征进行实验。最终单属性节点的度取得了较好的分类效果,识别准确率为85.53%,特异度为76.47%,敏感度为92.86%。本文提出的方法实现了对精神分裂症患者的自动判别。通过在数据集上进行的实验验证,本文的研究达到了预期目标,为精神分裂症的诊断提供了客观数据支撑,可辅助医生提高对精神分裂症的诊断准确率。