改进谱聚类算法在MCI患者检测中的应用研究

为了利用功能核磁影像（fMRI, functional magnetic resonance imaging）数据进行轻度认知障碍（MCI, mild cognitive impairment）自动检测,对患者的fMRI数据进行聚类分析,得到患者大脑血氧依赖水平(BOLD, blood oxygen level dependence)的变化模式,并将异常模式用于疾病检测中。由于传统谱聚类算法需要计算相似矩阵所有的特征值和特征向量、时间与空间复杂度较高。提出一种改进的谱聚类方法,在相似矩阵的构造以及σ与k值的确定等方面进行了改进,将其用于MCI fMRI数据的聚类与诊断研究中。与传统谱聚类及Nystr?m算法进行的对比实验结果表明,改进的谱聚类方法可以更准确得到患者异常BOLD模式,分类正确率较高,且时间和空间复杂度均小于传统算法。     

基于排列熵和支持向量机的癫痫发作预测研究

针对癫痫发作给病人带来的巨大伤害,为临床治疗留下足够空余时间,提出一个可以预测癫痫发作的系统模型。对21名癫痫病人进行研究,提取具有较低算法复杂度的排列熵构成特征向量,将其输入支持向量机（support vector machine,SVM）训练出学习模型,用来识别发作期样本,利用投票机制充分考虑病人差异来判断所处状态,最终实现癫痫的实时预测。结果表明,其中81%的发作可以提前平均50多分钟预测到,且具有较低的误报率。为癫痫发作预测系统的理论研究打下坚实基础。     

脑网络中不同负连接处理方法的重测信度研究

为了准确刻画和评估脑功能网络的拓扑结构,如何定义网络的节点和边缘至关重要。基于四种节点定义策略和两种负连接处理方法来构建脑功能网络,并对其进行不同时间间隔的重测信度分析,通过绝对值与正相关网络的比较旨在发现负连接对脑功能网络可靠性的影响。实验结果表明,包含负连接信息的绝对值网络表现出相对较低的长期可靠性,并受到节点定义策略的限制。不同负连接处理方法的重测信度差异为人脑的功能网络研究提供了方法学建议。     

基因和排列熵在阿尔茨海默病早诊中的研究应用

由于阿尔茨海默病（Alzheimer’s Disease,AD）发病率高且不可逆,所以AD早诊尤为重要。已有研究发现AD患者与载脂蛋白E（Apolipoprotein E,APOE）有关,复杂度也有变化。可将复杂度用于AD诊断中,但其分类性能有待进一步提高。以排列熵（Permutation Entropy,PE）为指标,探讨了不同基因型的AD患者复杂度变化模式,研究了APOE载体的正常对照组（Normal Control,NC）、早期轻度认知损害（Early Mild Cognitive Impairment,EMCI）、晚期轻度轻度认知损害（Later Mild Cognitive Impairment,LMCI）和AD与未携带者脑信号复杂度的差异,提取显著差异脑区的PE值作为特征向量,根据基因型分别训练不同的分类器。结果表明,加上基因信息后可以96.67%的准确率区分EMCI与NC,且EMCI与LMCI的分类正确率由40.35%提高到88.24%,显著提高了AD早诊的正确率。     

多模态网络融合在轻度认知障碍分类中的应用

针对早期轻度认知障碍（MCI）根据医学诊断认知量表评估极有可能无法判断的问题,提出了一种多模态网络融合的MCI辅助诊断分类方法。基于图论的复杂网络分析方法在神经影像领域的应用已得到广泛认可,但采用不同模态的成像技术研究脑部疾病对大脑网络拓扑结构属性的影响会产生不同结果。首先,使用弥散张量成像（DTI）与静息态功能磁共振成像（rs-fMRI）数据构建大脑结构和功能连接的融合网络。然后,融合网络的拓扑属性被施以单因素方差分析（ANOVA）,选择具有显著差异的属性作为分类特征。最后,利用支持向量机（SVM）留一法交叉验证对健康组和MCI组分类,估算准确率。实验结果表明,所提方法的分类结果准确率达到94.44%,相较单一模态数据法的分类结果有明显提高。所提方法诊断出的MCI患者在扣带回、颞上回以及额叶和顶叶部分区域等许多脑区表现出显著异常,与已有研究结果基本一致。     

基于功能连接信息熵的精神分裂症EEG分类研究

为了提高精神分裂症的有效诊断,利用网络功能连接信息熵的方法对51例精神分裂症患者和56例年龄匹配的正常人的脑电信号（Electroencephalogram,EEG）进行了分类。通过采用分频技术、相位同步分析方法、信息熵方法、支持向量机（Support Vector Machine,SVM）分类方法,大幅提高了分类准确率（98.13%）,实现了对精神分裂症的有效诊断。该分类方法主要涉及两阶段：利用分频技术和相位同步分析方法,获得各频段的脑电信号在各个时间点的功能连接矩阵;基于整个时间域上的功能连接计算各频段的信息熵,并将其分别作为功能脑网络的分类特征训练SVM分类器,进而对两组被试分类。分类结果表明,该方法大幅提高了精神分裂症检测的准确率。