多站点自杀倾向抑郁症脑功能网络同质化研究

目前来自采集中心的具有自杀倾向的重度抑郁症（Major depressive disorder， MDD）患者脑功能影像存在异质性，从而造成的计算瓶颈影响了分析可靠性。为此，本文借助同质化多站点算法，试图扩充MDD患者静息态功能磁共振成像（Resting-state functional magnetic resonance imaging，rfMRI）的样本体量，探究自杀倾向对MDD脑功能网络的影响。实验纳入3个站点、共99例MDD患者（包括非自杀倾向（Non-suicidal MDD，nMDD）67例、自杀倾向（Suicidal MDD，sMDD）32例）及72例健康对照（Healthy controls，HC）组rfMRI数据，计算Pearson相关性的功能连接并由ComBat技术同质化多站点功能连接；以小世界属性为稀疏度判别标准，以功能连接为边建立脑网络并进行图论分析；在节点度、节点效率指标上采用多重比较校正进行组间显著性对比。实验结果表明，同质化有效清除了站点间功能连接异质性。在小脑下半月小叶及蚓锥体，sMDD组较nMDD组和HC组皆具有组间显著性（p_FDR<0.05），即存在自杀倾向导致的异常脑功能活动。该研究克服了多站点的MDD患者的小样本缺陷，有效地提取了自杀倾向患者脑功能影像标记，有助于评估自杀风险。     

运动想象脑信号的深度置信网络分类优化

关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式，MI的分类准确率相对较低，缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network,DBN）和麻雀搜索算法（Sparrow search algorithm,SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势，可以在保持较低计算复杂度的同时，提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后，将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合，提取出不同导联时频信号的特征空间向量，并进行叠加平均。最后，将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性，在验证算法性能时，选取了具有代表性的BCI Competition IV Dataset 2a数据集，同时对比了其他算法的表现，并详细说明了调参方法。为了避免过拟合问题，可以考虑使用更大规模的数据集进行测试，如PhysioNet或BCI...