精神分裂症脑功能连接数据的分类方法研究

摘要

功能磁共振成像(fMRI)当前研究脑的结构、功能及它们与病理之间关系的一种主要技术手段，已经被广泛地应用于脑实验和医学临床研究。如何从这种高维、高噪声和结构复杂的脑磁共振图像数据中提取出有意义的脑区模式信息，对脑科学的研究具有重要意义。
　　近年来，数据挖掘领域中的模式分类方法已广泛地应用于脑fMRI数据的研究分析中，而脑功能连接数据是分析脑fMRI数据的一种重要形式。为此，本文提出了两种分类方法对三组脑功能连接数据(分别来自精神分裂症患者、其健康同胞和正常人)进行分类分析。主要工作总结如下：
　　提出了一种NCFBC分类方法对脑功能连接数据进行模式分类分析。该方法采用基于信息熵的离散化方法对脑功能连接数据的连续属性值进行离散化预处理，筛选出信息含量大的分类特征功能连接模式；然后以这些模式作为支持向量机的输入，对三组静息脑功能连接数据进行模式分类分析。通过对多分类问题研究分析，侧面地从模式分类的角度揭示了精神分裂症的遗传特性；同时，将该方法和其它方法从敏感度、特异性和分类准确度方面进行比较，结果证明本文提出的方法比较有优势。
　　增强跳跃显露模式(SJEP)是针对跳跃显露模式(JEP)在分类过程中，有些模式的支持度过低导致分类准确度不高而提出的一种模式，具有很强的模式分类能力。为此，本文提出了一种基于增强跳跃显露模式(SJEP)的分类方法(C_SJEP)，该方法使用边界算法来挖掘SJEP模式，采用集合似然预测(PCL)方法对测试样本的类别属性进行预测。实验结果表明：和其它分类方法相比，本文提出的方法在准确度方面有了一定提高。
　　通过对脑功能连接数据的模式分类研究，我们对如何利用这类数据进行人类大脑的生理和病理分析有了更深刻的理解，为脑部精神疾病的检测和诊断提供了有益的参考途径；同时也对多类问题的分析有了较深的认识，这对推动模式分类方法在脑科学和临床医学领域的研究具有一定的研究价值和实际意义。

目录

文摘

英文文摘

插图索引

附表索引

第1章 绪论

1.1 研究背景与意义

1.2 研究现状及发展趋势

1.2.1 现有的处理fMRI数据的方法

1.2.2 静息态fMRI数据分析方法及应用

1.2.3 多变量的模式分类方法在脑结构功能中的应用

1.3 课题研究的主要内容

1.4 本文的内容安排

1.5 小结

第2章 相关研究知识介绍

2.1 磁共振成像技术介绍

2.1.1 磁共振原理

2.1.2 功能磁共振成像技术原理

2.1.3 功能磁共振成像数据的特点

2.2 模式分类预处理方法

2.2.1 离散化方法

2.2.2 主成分分析

2.2.3 独立成分分析

2.3 模式分类方法概述

2.3.1 支持向量机方法

2.3.2 基于显露模式(EP)的模式分类方法

2.3.3 朴素贝叶斯分类

2.3.4 K-最邻近分类

2.3.5 神经网络方法

2.4 模式分类结果评估方法

2.5 小结

第3章 基于离散化和支持向量机相结合的脑功能连接模式分类分析

3.1 数据采集与预处理

3.1.1 精神分裂症疾病简述

3.1.2 数据采集

3.1.3 静息功能像数据预处理

3.1.4 脑功能连接数据的获取

3.2 一种新的基于脑功能连接的精神分裂症患者的分类方法

3.2.1 基于信息熵的离散化方法

3.2.2 SMO算法

3.2.3 NCBFC算法描述

3.3 实验结果与分析

3.4 小结

第4章 基于增强跳跃显露模式的脑功能连接模式分类分析

4.1 实验数据介绍

4.2 基于增强跳跃显露模式的脑功能连接数据的模式分类分析

4.2.1 增强跳跃显露模式(SJEP)

4.2.2 挖掘SJEP模式

4.2.3 使用SJEP构建分类器

4.3 实验结果分析

4.4 小结

结论

参考文献

致谢

附录A 攻读硕士学位期间发表的论文目录

附录B 攻读硕士学位期间参加的项目