人体静息态fMRI脑功能数据的特征提取及分类研究.pdfVIP

摘 要 摘 要 近年来，脑科学的研究越来越受到人们的关注。本文在磁共振功能成像 （简称 fMRI ）的基础上，针对静息态fMRI 脑功能数据做了较深入的研究。 研究中，根据Dosenbach 及本研究室同事的前期研究结果，得出了默认网络的 脑区共包含 ROI_73 在内的 33 个感兴趣区域（简称 ROI ）。本文采用支持向量机 （SVM ）的方法对全脑160 个ROI 的血氧水平依赖（简称BOLD ）信号的时间序列 进行了分类，分类结果的准确率达到了89.475%。由于采用 SVM 进行分类时，需 要一定的先验知识，无法进行自动分类。因此，为了能够实现自动分类，本文采用 层次聚类对静息态fMRI 脑功能数据进行了详细的研究。研究中计算了160 个ROI 的两两之间的相似性，并定义了一种相关距离作为聚类准则。研究中对 40 例自愿 者静息态 fMRI 脑功能数据的时间序列进行了层次聚类分析，分类的结果与 Dosenbach 及同事的研究结果进行了对比，分类结果中相同的ROI 个数在20-28 之 间，因此，层次聚类算法能够用以静息态fMRI 脑功能数据的分类研究。 为了能够降低分类中 fMRI 数据的维数，减小 fMRI 数据分析的难度，本文从 三方面对fMRI 数据提取特征值：首先，分析各个脑区的BOLD 信号曲线，计算其 相对变化率，并对它作层次聚类，对比Dosenbach 及同事的研究结果，相同的个数 在 17-22 之间；其次，基于分形理论分析BOLD 信号曲线的特点，计算全脑的 160 个ROI 时间序列的分形维数，并作聚类分析，实验结果显示相同的个数在22-25 之 间；最后，分析其质量指数函数及奇异谱函数曲线的性质，发现BOLD 信号具有多 重分形性，分别计算这些BOLD 信号多重分形谱的极大值、谱宽度、不对称度，对 它们组成的特征向量作层次聚类，实验得出相同的个数在22-28 之间。对比这三种 分类结果，得出后两种分类结果明显高于第一种分类结果，且第三种的分类结果比 第二种的分类结果稍微高一点，但它的时间复杂度会高很多。 采用分形理论与层次聚类相结合的方法分析静息态fMRI 脑功能数据，能够减 少数据处理时间。该方法可为某些认知障碍疾病的诊断提供一个辅助性的手段。 关键词：静息态磁共振功能成像；支持向量机；层次聚类；单分形；多重分形； 特征提取 I 万方数据 Abstract Abstract In recent years, the research of brain science has been paid more and more attention. On the basis of functional Magnetic Resonance Imaging, this paper did a deep research on resting-state fMRI data. In the previous study, the default mode network (DMN) identified by Dosenbach and his colleagues was used as comparison standards, which contains a total of 33 regions of