摘要:本研究在睁眼(eyes-open,EO)和闭眼(eyes-closed,EC)两种静息态下提取了45位健康被试的脑功能参数比率低频振幅(fractional amplitude of low frequency fluctuation,fALFF)和局部一致性(regional homoge-neity,ReHo)数据,比较并分析了基于线性核的支持向量机(SVM)、基于RBF核的支持向量机、朴素贝叶斯、决策树、随机森林和自适应增强(Adaboost)6种机器学习方法在数据上的分类效果.实验表明,对单一特征数据分类时,朴素贝叶斯算法对fALFF数据的分类效果最好,线性核的SVM算法对ReHo数据的分类效果最好;对fALFF和ReHo数据相融合的多层次特征数据分类时,朴素贝叶斯算法的分类效果最好.此外,本研究对单一特征数据与多层次特征数据在6种机器学习方法上进行分类比较,结果表明利用多层次特征数据时,基于RB F核的SVM,朴素贝叶斯和随机森林算法的分类效果有所提升.本研究基于不同机器学习方法和不同层次特征数据的分类比较,为EO和EC静息态脑功能活动和其他脑病理的研究提供了相关的参考依据.
摘要:基于注意转移能力,采用单一被试研究法中的多基线跨被试实验设计,对两名三年级数学学习困难生进行趣味性极强的打地鼠游戏干预,通过改善其注意转移的返回抑制能力提高数学成绩.结果表明,通过游戏干预,被试在400 m s时出现了注意转移的返回抑制,同时数学成绩有了明显的改善.这一结果佐证了注意转移能力的缺陷是数学学习困难生数学成绩差的重要原因之一.