基于多变量模式分析的飞行学员脑功能连接的识别研究

目的 基于多变量模式分析（multivariate pattern analysis, MVPA）对飞行学员和健康的普通人的大脑功能连接进行有效识别。材料与方法 采集了40名已经取得执照的飞行专业在校学生与39名地面专业在校学生的功能磁共振数据。通过网络功能连接分析得到功能连接矩阵作为特征，分别通过最小绝对收缩选择算子（least absolute shrinkage and selection operator,LASSO）算法与独立样本t检验方法对特征降维。使用不同核函数的支持向量机（support vector machine, SVM）进行训练和预测，使用留一交叉验证法进行模型性能评估，最终根据训练后SVM模型中的权重定位对应脑区之间的功能连接。结果 使用LASSO特征筛选的线性（linear）核SVM模型准确率为81.82%，敏感度82.05%，特异度81.58%，曲线下面积（area under the curve, AUC）为0.88。核函数对模型准确率的影响不大。模型中右侧中央旁小叶、双侧中央后回、双侧顶下缘角回、右侧梭状回、左侧眶部额中回、左侧顶上回、右侧眶部额下回有...