基于全脑功能连接的网络游戏障碍分类研究

目的：利用静息态磁共振数据构建全脑功能连接网络，通过多元模式分析建立诊断模型，实现网络游戏障碍(internet gaming disorder, IGD)和正常对照组之间的分类识别。方法：采集71例IGD患者及88例正常对照的大脑静息态磁共振数据，采用功能连接分析技术构建全脑功能连接网络。将大脑功能连接作为分类特征，采用支持向量机和多种特征选择方法，探索IGD患者区别于正常人的异常网络模式。综合多种特征选择方法筛选的共有特征最终确定IGD客观识别的影像学标志。结果：基于全脑功能连接建立的分类模型准确率最高可达80.6%（敏感性为78.5%，特异性为81.2%）。用于区分IGD患者和正常对照的神经影像学标记主要位于左侧背外侧前额叶、右侧前扣带回、左侧眶额回、右侧海马旁回和双侧颞叶等负责认知控制、动机和学习记忆的脑区。结论：基于静息态全脑功能连接的诊断模型对IGD有较好的区分能力，未来可以为临床智能诊断提供补充手段。     

精神分裂症患者固有网络的功能磁共振成像的研究

目的:用功能磁共振成像(fMRI)检测精神分裂症患者静息状态固有网络功能连接方面的差异,探讨疾病特异性的生物学标记,为理解疾病机理发病机制和临床诊断提供新线索和依据.方法:对25例精神分裂症患者、25例健康同胞和25例健康对照进行静息状态的fMRI资料采集.结果:精神分裂症患者、健康同胞和健康对照共同的固有网络内两两脑区之间的功能连接比较发现有三条异常功能连接:左侧前额叶背外侧(DLPFC)与右侧额下回(IFG)之间的功能连接,左侧颞下回(ITG)与扣带回后部皮质/楔前叶(PCC/PCu)之间的功能连接,双侧ITG之间的功能连接;LSD法发现,在任务负激活网络(TNN),精神分裂症患者和健康同胞均存在双侧ITG的功能连接升高,而仅精神分裂症患者存在PCC/PCu和左侧ITG的功能连接升高;在任务正激活网络(TPN),仅精神分裂症患者存在左侧DLPFC和右侧IFG的功能连接升高.未发现分属TPN和TNN的两两脑区之间的功能连接差异.结论:精神分裂症患者及其健康同胞均存在固有网络的功能连接升高.精神分裂症的病理生理基础与TNN和TPN的功能连接增强有关.TNN的功能连接升高提示患精神分裂症的风险升高,并与精神分裂症的遗传易感性相关.     

基于稀疏偏最小二乘的麻醉意识状态功能连接研究

麻醉意识状态监测是神经科学基础研究及临床应用中的重要问题,受到广泛关注。本研究为寻找临床麻醉意识状态监测指标,共采集14位全麻手术患者在三种意识状态(清醒、中度麻醉、深度麻醉)下各5 min静息态脑电数据,对比采用稀疏偏最小二乘(SPLS)和传统的同步似然(SL)方法计算脑功能连接,通过连接特征来区分麻醉前后三种意识状态。通过全脑网络分析,本文SPLS方法与传统SL方法得到的不同意识状态下的网络参数变化趋势一致,并且采用SPLS方法所得结果的差异具有统计学意义(P0.05)。对SPLS方法得到的连接特征运用支持向量机进行分类,分类准确率为87.93%,较使用SL方法得到的连接特征分类准确率高出7.69%。本文研究结果显示,基于SPLS方法进行功能连接分析在区分三种意识状态方面有更好的性能,或可为临床麻醉监测提供一种新思路。     

认知负载状态下的精神分裂症患者脑电图特异性研究

认知功能损害是精神分裂症的三大原发症状之一,在疾病早期发现和高危人群风险预警等方面具有重要价值。为了研究精神分裂症患者在认知负载状态下的脑电图特异性,本试验收集17例精神分裂症患者和19例健康受试者的脑电信号作为对照,基于小波变换提取各频段信号,计算非线性动力学及脑功能网络属性等特征,并利用机器学习算法将两类人群进行自动分类分析。试验结果表明,两组受试者在认知负载状态下,Fp1和Fp2导联在α、β、θ、γ这4个频带的关联维数和样本熵的差异均具有统计学意义,提示大脑额叶功能损伤是精神分裂症认知功能损害的重要原因。进一步基于机器学习的自动分类分析结果表明,将非线性动力学与脑功能网络属性相结合作为分类器的输入特征,所得分类效果最优,其结果显示准确率为76.77%、敏感度为72.09%、特异性为80.36%。本研究结果表明,脑电信号的非线性动力学和脑功能网络属性等特征,或可作为精神分裂症早期筛查和辅助诊断的潜在生物标记物。     

基于典型相关分析与双模态数据融合的抑郁症辅助诊断

为了充分提取抑郁症患者的磁共振影像信息,提高抑郁症的诊断准确率,本研究将功能磁共振图像与结构磁共振图像作为研究对象,提出一种双模态数据融合的抑郁症分类算法。首先构建4种不同尺度的功能脑网络,提取功能磁共振图像的数据特征,然后使用迁移学习处理的三维密集连接卷积神经网络,提取结构磁共振图像的数据特征,接着使用典型相关分析方法融合两种特征,最后使用支持向量机对融合特征进行分类,从而将受试者识别为健康者或抑郁症患者。实验结果表明,本文提出的方法可获得89.56%的分类准确率与95.48%的召回率,与单模态数据分类相比,基于双模态数据的分类方法具有更好的分类性能。此外,典型相关分析法可以有效融合双模态的图像特征。     

基于视觉认知任务的注意缺陷多动障碍患儿与正常儿童脑功能网络差异研究

针对注意缺陷多动障碍(ADHD)儿童与正常儿童在执行任务状态下的脑网络的差异性,本文采用视觉功能区网络特征进行了比较研究,提取的试验数据为受试者执行猜题任务时,视觉捕捉范式获取的功能性磁共振成像(fMRI)数据,受试者包括23名ADHD患儿[年龄:(8.27±2.77)岁]与23名正常儿童[年龄:(8.70±2.58)岁]。首先,本文利用fMRI数据构建视觉区脑功能网络;然后,获取视觉区脑功能网络的特征指标,包括:度分布、平均最短路径、网络密度、聚集系数、介数等,并与传统全脑网络进行对比分析;最后,利用机器学习算法中的支持向量机(SVM)等分类器对特征指标进行分类以区分ADHD儿童与正常儿童。本研究采用视觉区脑功能网络特征进行分类,分类精度最高达到96%,与传统的构建全脑网络方法相比,精度提高了10%左右。试验结果表明,使用视觉区脑功能网络分析法能够更好地区分ADHD儿童与正常儿童。该方法对ADHD儿童与正常儿童脑网络的区分具有一定的帮助,有利于ADHD儿童的辅助诊断。     

以阳性症状为主精神分裂症患者的静息态脑功能网络特征

目的:探索以阳性症状为主的精神分裂症患者的静息态脑功能网络特征。方法:纳入符合DSM-IV精神分裂症诊断标准的以阳性症状为主患者100例和70例健康成人,采用阳性和阴性症状量表(PANSS)评估患者的临床症状,并完成静息态磁共振成像扫描。通过独立成分分析(ICA)方法比较两组听觉网络、执行网络和凸显网络间的功能连接及网络内功能连接,并对两组间存在差异的脑功能连接指标与精神病性症状和认知功能得分进行相关性分析。结果:与对照组相比,患者组听觉网络与凸显网络间的功能连接增加[(0.49±0.27)vs.(0.38±0.23)],同时听觉网络与执行网络[左侧:(-0.10±0.22 vs.(0.002±0.21);右侧:(-0.05±0.24)vs.(0.05±0.21)]及凸显网络与执行网络间功能连接[(0.001±0.28)vs.(0.11±0.24)]降低。网络内功能连接分析显示,患者组听觉网络的左侧颞上回功能连接降低,以及执行网络的脑岛和顶下小叶脑区功能连接降低。相关分析发现,前凸显网络和右执行网络间的功能连接与冲动性行为呈负相关(r=-0.24,P<0.05),听觉网络和右执行...     

基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤图像鉴别

临床上原发性脑部淋巴瘤(PCNSL)和胶质母细胞瘤(GBM)的治疗方案存在很大差异,因此治疗前对二者的精确鉴别具有重要临床价值。本文提出一套基于稀疏表示体系的肿瘤自动鉴别方法,利用PCNSL和GBM T1加权磁共振成像(MRI)图像纹理细节信息的差异鉴别这两种肿瘤。首先,基于影像组学的思想,设计一种基于字典学习和稀疏表示的肿瘤纹理特征提取方法,将不同体积、不同形状的肿瘤区域转化为968维纹理特征;其次,针对提取特征存在的冗余问题,建立迭代稀疏表示方法选择少数高稳定性高分辨力的特征;最后,将选择的关键特征送入稀疏表示分类器(SRC)分类。利用十折法对数据集进行交叉验证,鉴别结果的准确率为96.36%,敏感度为96.30%,特异性为96.43%。实验结果表明,本文方法不仅能够有效地鉴别PCNSL和GBM,还避免了使用先进MRI鉴别肿瘤时存在的参数提取问题,在实际应用中具有较强的鲁棒性。     

阴性及阳性症状为主型精神分裂症患者脑功能网络分析

目的:研究以阴性症状为主和以阳性症状为主的精神分裂症患者脑功能网络拓扑结构的异同.方法:对14名以阴性症状为主的精神分裂症患者(阴性组)和14名以阳性症状为主的精神分裂症患者(阳性组)在静息状态下功能磁共振图像进行分析,结合复杂网络理论来构建脑功能网络,分析网络拓扑结构,并与14名正常人(对照组)进行比较.结果:三组被试静息状态的脑功能网络都具有小世界网络特性,而与对照组相比,阴性组和阳性组静息状态脑功能网络的小世界特性均有所下降,其中阴性组比阳性组略低.结论:从全局组织结构角度证明了精神分裂症患者脑功能网络发生改变,并且阴性精神分裂症患者与阳性精神分裂症患者存在不同的脑功能网络拓扑结构,提示阴性和阳性精神分裂症可能存在不同的神经生物学基础.     

基于静息态功能磁共振图像的动态功能连接特征的智商预测

目的近年来越来越多的研究表明大脑不同脑区间的功能连接的动态波动具有生理意义,但关于智商(intelligence quotient,IQ)的相关研究较少。本文基于动态功能连接(dynamic functional connectivity,DFC)提取动态特征对智商进行评估,为智商预测探索新的特征参数和预测模型。方法基于97个儿童静息态功能磁共振图像(resting state functional magnetic resonance image,RS-fMRI),采用滑动窗相关计算方法构建DFC。基于DFC提取相应时域、频域特征,通过弹性网(elastic-net,E-Net)和最小角回归(least angle regression,LAR)算法建立智商回归模型进行个体智商预测,并通过置换检验验证其显著性。结果基于动态功能连接的特定频段(0.075~0.1 Hz)频域特征和波动均值特征,可以实现对智商的基本预测,且频域特征的表现优于时域特征。另外,基于LAR算法构建的预测模型的表现优于E-Net算法。结论个体脑功能连接随时间的动态波动足以预测个体智商,且特定频段的频域特征和LAR算法能够提高预测准确率,这可为个体智商评估研究和动态功能连接的应用提供新的思路。     

基于锁相值和图论的脑功能网络特征提取方法

目的为了研究大脑运动想象时脑功能网络的状态变化,并区分运动想象任务,本文提出一种基于锁相值和图论的脑功能网络特征提取方法。方法首先获取Mu节律和Beta节律的运动想象脑电信号(motor imagery electroencephalography,MI-EEG),计算任意两导相同节律MI-EEG之间的锁相值;然后分别构建两个节律的脑功能网络,并提取6种全局网络特征参数,对其归一化处理后进行串行融合获得特征向量;最后以支持向量机(support vector machine,SVM)作为分类器,采用10折交叉验证法,在BCI Competition III Data Sets IIIa数据集上对两种运动想象任务进行分类。结果相比于其他脑网络特征提取方法,本文方法获得了较高的识别率,最高识别率和平均识别率分别达到100. 00%和83. 33%。结论从脑功能网络的角度,通过构建Mu节律和Beta节律两个运动节律MI-EEG的脑功能网络,提取多个反映大脑网络整体信息的特征,相对于构建单一运动节律MI-EEG的脑功能网络,提取单个网络特征参数,能够有效改善运动想象任务的识别效果,为MI-EEG信号的特征提取方法提供了一种新的思路。     

基于多尺度功能脑网络融合特征的抑郁症分类算法

【摘要】提出一种多尺度功能脑网络融合特征的抑郁症分类方法，具体思想包括:首先通过精细化脑区，建立4种不同尺度的脑网络；然后对每种尺度的脑网络分别提取局部特征和全局特征，并将多种尺度脑网络的特征进行有效融合并降维；最后使用支持向量机对患者脑部功能磁共振影像进行分类。试验结果表明，分别提取局部特征和全局特征，并进行有效融合，可以提升识别效果；空间尺度减小会得到更多有效特征，进而能够有效提升分类结果；多尺度特征融合也可以在很大程度上对分类结果起到积极作用。与传统单一大尺度脑网络方法相比，本研究提出的方法获得了更加优秀的试验结果，识别率可达88.67%，充分验证了本研究提出方法的有效性和可行性，并为抑郁症患者的临床诊断与治疗提供生物学依据。     

基于高光谱图像的中医舌苔和舌质分类研究

目的 舌苔和舌质分类对于后续的舌象客观化诊断具有重要的作用,高光谱图像包含大量的数据信息,能够有助于分类效果提升。但是高光谱图像信息量巨大,且传统的方法提取特征不够充分,如何有效提取数据信息并促进舌诊客观化仍是个值得深究的问题。因此,本文提出面向高光谱舌图像的深度学习算法,利用深层网络来提取高光谱图像的数据信息,从而提升舌苔和舌质的分类效果。方法 使用高光谱相机对图像进行采集,对采集的图像构造谱图进行预处理从而简化输入数据的冗余性;为了提取高光谱舌图像的数据信息,在算法上设计了一种可以获取底层特征的残差网络结构,加入了跳跃连接并在每个卷积层前加入批量归一化(batch normallization, BN)和带参数的ReLU(parametric rectified linear unit, PReLU)激活函数来提前激活网络,因此可以提取深层的光谱空间特征以提升分类精度。结果 在高光谱舌图像数据集上的实验表明,本文算法分类精度达到93.9%,优于传统的基于RGB图像分类方法和CNN(convolutional neural network)与VGG(visual geometry g...     

复杂网络主成分分析的分类方法在音乐家白质可塑性研究中的应用

人脑在多种时间和空间尺度上都是复杂网络,而复杂网络中往往包含着大量的连接信息。主成分分析(PCA)方法主要被用于从大量信息中提取重要特征,因而可以被用于探寻复杂网络中的一些重要信息。众所周知,音乐家是研究训练导致的脑可塑性问题的一个理想模型,探求音乐家脑网络的可塑性变化是非常有意义的。首先通过基于弥散加权成像(DWI)数据的纤维束追踪,构建了16位音乐家与16位非音乐家的脑白质结构网络;然后对两组人的整体脑网络进行了PCA分析,进而对得到的每个主成分做支持向量机(SVM)分类处理,得到分类效果最好的主成分;最终找出对此主成分贡献前1%的连接即为音乐家相对于非音乐家在大脑白质结构网络上发生改变的主要连接。本方法为组间复杂网络对比分析提供了一种基于PCA分类的新思路。基于上述思路,对于音乐家与非音乐家的脑白质结构网络对比分析,表明音乐家在运动、听觉、情绪和记忆等功能脑区表现出更高的脑区间信息传递效率;进而扩展了在网络层面对长期音乐训练改变音乐家白质可塑性问题的理解。     

基于生物突触可塑性的仿生分层脉冲神经网络事件相机对象识别系统EI北大核心

脉冲神经网络(SNNs)以稀疏脉冲时间编码、异步事件驱动的方式天然地适合处理事件相机输出的事件流数据。为了提高现有的仿生分层脉冲神经网络对事件相机对象的特征提取和分类性能,本文提出一种基于生物突触可塑性的仿生分层脉冲神经网络事件相机对象识别系统。该系统首先基于脉冲神经元电位对原始事件流进行自适应分割以提高系统计算效率,然后使用基于生物突触可塑性的仿生分层脉冲神经网络对事件流数据进行多层的时空特征提取并分类。在基于Gabor滤波器的事件驱动卷积层提取初级视觉特征之后,网络使用基于无监督脉冲时间依赖突触可塑性(STDP)规则的特征层提取频繁出现的显著特征,以及基于奖励调节STDP规则的特征层学习诊断性特征。本文提出的网络在四个基准事件流数据集上的分类精度均优于现有的仿生分层脉冲神经网络,并且本文方法对于较短的事件流输入数据也有很好的分类能力,对输入事件流噪声也具有较强的鲁棒性。综上,本文提出的网络能够提高该类网络对事件相机对象的特征提取和分类性能。     

基于压缩感知与快速迭代阈值收缩算法的脑功能网络重建

基于静息态功能磁共振成像(fMRI)构建脑功能网络是揭示人脑运作机制的有效手段,但是目前常见的脑功能网络普遍包含大量噪声从而导致错误的分析结果。本文使用压缩感知中的最小绝对值收缩和选择算子(LASSO)模型对脑功能网络进行降噪重建,该模型利用L1范数惩罚项的稀疏性避免过拟合问题。然后,通过快速迭代阈值收缩算法(FISTA)求解,该算法在每一次迭代中通过一个收缩阈值操作来更新变量,从而收敛到全局最优解。实验结果表明:与其他几种方法相比,该方法可以将脑功能网络降噪重建的准确率提高到98%以上,有效地抑制了噪声,有助于即使在噪声环境下也能很好地探索人脑的功能。     

基于通道注意力和稀疏时频分解的运动想象分类EI北大核心CSCD

运动想象脑电信号是低信噪比的非平稳时间序列,单通道脑电分析方法难以有效刻画多通道信号之间的交互特征。本文提出了一种基于多通道注意力的深度学习网络模型,该模型对预处理后的数据进行稀疏时频分解,增强了脑电信号时频特征的差异性。然后利用注意力模块在时间和空间对数据进行注意力映射,让模型可以充分利用脑电信号不同通道的数据特征。最后利用改进的时间卷积网络进行特征融合并进行分类识别。利用BCI competition Ⅳ-2a数据集对所提算法进行验证,结果表明所提算法可有效提升运动想象脑电信号的分类正确率,9名受试者的平均识别率为83.03%,与现有方法相比,提高了脑电信号的分类精度。所提方法增强了不同运动想象脑电数据之间的差异特征,对提升分类器性能的研究具有重要意义。     

功能磁共振脑连接度中心性对精神分裂症症状的预测评估

精神分裂症是一种严重影响患者身心健康的精神类疾病,绝大部分患者需要终身服药以控制症状,因此药物疗效的评估预测对于患者治疗方法的选择十分重要。采用功能磁共振的脑连接度中心度(DC)指标,分析临床常用抗精神病药物利培酮和氯氮平对大脑功能的影响,并尝试建立预测评估两种药物疗效的方法。基于44例精神分裂症患者(20例利培酮治疗组、24例氯氮平治疗组)和30例健康志愿者的脑静息态功能磁共振成像数据,首先采用方差分析得到患者组与正常组间的差异脑区,然后根据这些脑区的DC值,用多变量支持向量回归算法构建回归模型,探讨用DC值评测患者症状的可行性。结果发现,两个患者组的丘脑、脑岛及初级感知运动相关皮层的功能连接特征存在显著的异常(P< 0.05),且可以有效地预测氯氮平组患者的阴性症状(r=0.448, P<0.05),但未能较好地预测利培酮患者的症状。在统计对比分析的基础上,利用回归模型,标识出抗精神疾病药物作用的部分重要脑区,因而有助于将来患者治疗的药物选择。     

基于双通道三维密集连接网络的脑胶质瘤核磁共振成像分割算法研究

针对脑胶质瘤形状、位置及大小的不一致性,本文提出了一种基于双通道三维密集连接网络的脑胶质瘤核磁共振成像(MRI)自动分割算法。该算法基于三维卷积神经网络,在两个通道采用不同大小卷积核,从而在不同尺度感受野下提取多尺度特征,并构造各自的密集连接块进行特征学习与传递,通过特征结联后输入到分类层进行目标体素分类,最终实现脑胶质瘤的自动分割。为了验证本文算法的实用性,本文采用公开的脑肿瘤分割挑战赛数据集对网络进行训练与验证,并将得到的结果与其他脑胶质瘤分割方法比较。实验结果表明,本文所提出的算法能够更准确地分割出不同的肿瘤病变区域,在临床脑肿瘤疾病诊断中具有一定的应用价值。     

首发精神分裂症幻听静息态脑功能连接的研究

目的:对首发精神分裂症幻听患者、非幻听患者以及正常对照的静息态功能核磁共振数据进行研究,探索首发精神分裂症幻听患者功能连接的异常模式。方法:本研究根据DSM-Ⅳ精神分裂症诊断标准,入组首发精神分裂症持续性幻听患者37例、首发精神分裂症非幻听患者59例及健康对照64例。对所有被试进行临床评估和静息态功能磁共振扫描,以初级听觉皮层和次级听觉皮层脑区为种子点构建全脑功能连接图,比较分析三组的连接差异。结果:首发精神分裂症幻听患者相对正常对照在左侧颞上回与对侧的岛叶、同侧内侧前额叶功能连接下降,左侧Heschl回(Heschl’s gyrus,HG)与对侧颞下回、同侧内侧前额叶功能连接下降,右侧HG与左侧的颞中回功能连接下降。首发精神分裂症非幻听患者虽与幻听患者并未发现功能连接显著差异,但相对于幻听组,非幻听患者组在更广泛的脑区出现了功能连接下降。结论:精神分裂症在疾病的早期阶段就出现了大脑不同脑区内的连接异常,尤其是双侧大脑间的"失连接"异常模式,进一步揭示了精神分裂症大脑整合功能的异常。