基于功能磁共振(fMRI)的腦網(wǎng)絡(luò)連接性和分類研究.pdf

1、功能磁共振成像（functional Magnetic Resonance Imaging，fMRI）技術(shù)，由于其具備分辨率高，無創(chuàng)傷，定位準(zhǔn)確以及可重復(fù)研究等優(yōu)點(diǎn)，成為了探索腦部科學(xué)研究的最有效手段之一。越來越多的算法被用在fMRI數(shù)據(jù)上，并成功的從數(shù)據(jù)中提取出了有效的信息，使得腦科學(xué)的發(fā)展又進(jìn)了一步。其中人腦的連接性分析占很大部分。用于分析人腦連接性的方法主要分為模型驅(qū)動和數(shù)據(jù)驅(qū)動兩種。其中，稀疏表示的方法由于能夠有效的表示帶有明顯

2、局部偏向性信息的數(shù)據(jù)，被廣泛應(yīng)用于信號處理和圖像處理方面。fMRI數(shù)據(jù)具有高維度、多冗余、多噪聲的特點(diǎn)，利用稀疏表示的方法可以有效的去除無關(guān)信息，保留主要信息。
　　本文針對原始的稀疏表示方法進(jìn)行優(yōu)化，提出一種新的優(yōu)化稀疏表示方法（Modified Sparse Representation，MSR），并將其應(yīng)用在腦網(wǎng)絡(luò)的鄰接矩陣的構(gòu)建上。一方面MSR算法不需要設(shè)置閾值，可以使數(shù)據(jù)自動稀疏化，而傳統(tǒng)的構(gòu)建鄰接矩陣的方法往往受到閾值

3、設(shè)定的影響較大;另一方面MSR從全局角度出發(fā)，利用廣義線性表示的思想，同時自身也保持了原始數(shù)據(jù)的判別信息。因此，MSR在構(gòu)建鄰接矩陣上優(yōu)于傳統(tǒng)的方法。其次在鄰接矩陣的基礎(chǔ)上，結(jié)合圖論的知識提取了四種有代表性的中心化特征。這四種特征分別從全局和局部全面的刻畫了腦網(wǎng)絡(luò)圖?？紤]到fMRI數(shù)據(jù)自身的特點(diǎn)，我們選取支持向量機(jī)作為本文的分類器。并以四種特征為輸入分別做了分類。之后我們選擇了特征向量中心化和介數(shù)中心化兩種分類效果較優(yōu)的特征，應(yīng)用在其他