亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        靜息態(tài)功能磁共振成像的腦網(wǎng)絡(luò)特征融合在機器學(xué)習識別自閉癥中應(yīng)用

        2021-03-06 05:53:14趙小虎葛曼玲陳盛華王磊宋子博謝沖楊澤坤
        磁共振成像 2021年12期
        關(guān)鍵詞:腦區(qū)特征向量自閉癥

        趙小虎,葛曼玲,陳盛華*,王磊,宋子博,謝沖,楊澤坤

        作者單位:1.河北工業(yè)大學(xué)省部共建電工裝備可靠性與智能化國家重點實驗室,天津300130;2.河北工業(yè)大學(xué)河北省電磁場與電器可靠性重點實驗室,天津300130;3.廊坊職業(yè)技術(shù)學(xué)院,廊坊065001

        自閉癥又稱自閉癥譜系障礙(autism spectrum disorders,ASD)是一種由多類不同原因所引發(fā)的神經(jīng)發(fā)育性障礙[1],其主要癥狀表現(xiàn)在社會交流障礙、刻板行為、情感缺陷等方面,會造成患者在日常生活、交流和學(xué)習中障礙[2,3]。通過臨床對照研究發(fā)現(xiàn):ASD 早期準確檢測和及時干預(yù)能夠很大程度上改善患者的語言能力、認知能力以及行為習慣。因此,ASD識別工作意義重大[4-6]。

        近些年來,利用靜息態(tài)功能磁共振成像(resting-state functional magnetic resonance imaging,rs-fMRI)技術(shù)[7]在自閉癥患者的臨床早期檢測研究中越來越突出,該技術(shù)以其無創(chuàng)、快捷、高空間分辨率以及良好的患者適應(yīng)性等成為腦功能影像學(xué)研究的先進手段。其中,基于相關(guān)性的功能連接(rs-fMRI functional connection,rs-fMRI-FC)為評估腦功能提供了科學(xué)的檢測指標。例如:以健康人大腦功能影像為對照,通過提取自閉癥患者功能腦影像學(xué)標記,利用rs-fMRI-FC 定位自閉癥患者功能異常的腦區(qū),以此來對自閉癥患者早期檢測提供輔助依據(jù)[8]。但是,傳統(tǒng)的功能連接計算處于低階運算水準,無法表達腦功能之間交互信息,影響了評估精準性。

        隨著網(wǎng)絡(luò)拓撲技術(shù)的發(fā)展,腦網(wǎng)絡(luò)概念被越來越多的科學(xué)家所重視。它能夠從腦連接層面刻畫大腦功能的交互,是高階功能連接計算[9]。通過對大腦功能網(wǎng)絡(luò)的拓撲屬性變化來研究腦區(qū)之間信息傳遞異常,能夠高效地挖掘發(fā)生腦功能特異性改變的腦區(qū),從網(wǎng)絡(luò)這一高級層面輔助檢測患者。但現(xiàn)階段,利用fMRI數(shù)據(jù)構(gòu)建腦功能網(wǎng)絡(luò)并結(jié)合機器學(xué)習算法在腦疾病的早期研究檢測中,大多通過提取腦網(wǎng)絡(luò)單一拓撲指標分析識別腦疾病[10,11]。然而,腦網(wǎng)絡(luò)單一拓撲屬性僅僅只是針對大腦網(wǎng)絡(luò)某一個方面的描述,未能夠充分考慮到多個大腦區(qū)域之間的拓撲結(jié)構(gòu)信息,很難有針對性地給出全面的描述。所以,識別效果很難被大幅度地改善。

        特征融合是機器學(xué)習中的先進技術(shù),常常被用于腦疾病的研究中,例如對提取的特征向量采用串聯(lián)的方式進行融合研究[12,13]。但是,這種方法尚未在ASD 中進行過測試。此外,這種首尾串聯(lián)融合的方法,由于每個特征對整體的貢獻不同,僅靠簡單的串聯(lián)融合進行分類精度可能不高。

        針對上述問題,我們提出特征加權(quán)融合的方法,將其應(yīng)用于rs-fMRI 數(shù)據(jù)在自閉癥患者腦功能網(wǎng)絡(luò)研究中,試圖通過融合多種網(wǎng)絡(luò)特征將fMRI-FC計算水準提到高階。為此,我們以健康人數(shù)據(jù)為對照,設(shè)計了一種網(wǎng)絡(luò)特征加權(quán)融合的自閉癥檢測方法,將不同的腦網(wǎng)絡(luò)拓撲指標進行加權(quán)融合,使得分類器所得到的腦網(wǎng)絡(luò)信息更加全面。并借助機器學(xué)習方法驗證其在自閉癥患者檢測中的優(yōu)勢,為rs-fMRI檢測自閉癥提供了一種新方法。

        本文的主要貢獻包括:(1)利用自閉癥和健康被試的rs-fMRI數(shù)據(jù),通過偏相關(guān)構(gòu)建低階功能連接矩陣FC 來反映不同腦區(qū)之間功能連通性;(2)在此基礎(chǔ)上通過構(gòu)建多稀疏度關(guān)聯(lián)矩陣來建立腦網(wǎng)絡(luò),從高階水平上分析大腦功能,并采用以稀疏度為橫軸,取特征值曲線下面積(area under the curve,AUC)來表征網(wǎng)絡(luò)屬性在連續(xù)稀疏度下的整體特征;(3)選取網(wǎng)絡(luò)中4種常用局部節(jié)點指標,將其分類準確率所占的比重作為權(quán)重系數(shù)進行特征融合,以此構(gòu)建特征向量,輸入到支持向量機中分類并進行交叉驗證以檢驗融合效果。最后,分別與單一特征分類效果和傳統(tǒng)特征融合比較,以說明加權(quán)特征融合的優(yōu)越性。本文的研究思路如圖1所示。

        圖1 本文研究方法的流程圖Fig.1 Study Flowchart

        1 數(shù)據(jù)與方法

        1.1 數(shù)據(jù)采集與處理

        數(shù)據(jù)來源于國際神經(jīng)影像數(shù)據(jù)共享倡議組織(International Neuroimaging Datasharing Initiative, INDI)分享的公開數(shù)據(jù)集ABIDE I (http://fcon_1000. projects. nitrc. org/indi/abide/abide_I.html)。本文從中選取了TRINITY實驗中心數(shù)據(jù),該數(shù)據(jù)包括24 例ASD 患者組(12.0~25.9 歲男性青少年)以及25 例正常對照組(normal control,NC)數(shù)據(jù)(12.0~25.7 歲男性青少年)。各組納入標準如下:(1) ASD組:右利手的男性青少年;滿足自閉癥診斷觀察量表(Autism Diagnostic Observation Schedule,ADOS)上的ASD自閉癥判別標準。(2) NC組:右利手的男性青少年,年齡和智商與ASD 組相匹配;沒有任何精神遺傳疾病,包括閱讀障礙或使用障礙;沒有被診斷為ASD的一級親屬的存在;社會反應(yīng)量表分數(shù)低于50 分或社會交流問卷分數(shù)低于10 分。所有ASD 患者和健康對照者都是通過相關(guān)的遺傳學(xué)研究計劃、臨床服務(wù)、學(xué)校和倡導(dǎo)團體所招募的,并且獲得圣詹姆斯醫(yī)院和Linn Dara CAMHS倫理委員會的道德認可,所有參與者及其父母都獲得書面知情同意。所有ASD患者和健康對照者排除標準包括:(1)通過韋氏智力量表評估智商小于70;(2)患有神經(jīng)病學(xué)、精神病學(xué)或遺傳病史;(3)具有MRI 禁忌證;(4)當前使用精神藥物。靜息態(tài)磁共振數(shù)據(jù)采集是在都柏林圣詹姆斯醫(yī)院高級醫(yī)學(xué)成像中心(Centre for Advanced Medical Imaging,CAMI)的Philips 3 T Achieva MRI 掃描儀上完成。受試者在圖像采集過程中仰臥在fMRI 掃描儀中,閉上眼睛休息五分鐘并盡可能保持靜止。掃描參數(shù)具體為:層數(shù)38 層,TR 2000 ms,TE 28 ms,切片厚度3.5 mm,視野范圍(FOV)為240 mm×240 mm,翻轉(zhuǎn)角90°,共采集150個時間點。

        使用DPARSF_V5.1[14](Data Processing Assistant for Resting-State fMRI)工具包對fMRI 圖像數(shù)據(jù)進行預(yù)處理,具體的步驟包括:(1)將每位實驗被試采集的前5 個時間點刪除,以排除掃描前期的不穩(wěn)定因素,使信號更加穩(wěn)定;(2)進行時間層校正,以保證每個Volume內(nèi)所有體素獲取的時間在理論上一致;(3)去除頭動偽影的影響;(4)將圖像配準至蒙特利爾神經(jīng)研究所的標準空間,然后進行3 mm×3 mm×3 mm 重采樣;(5)進行帶通濾波以減少低頻漂移和高頻生理噪聲的影響;(6)回歸干擾信號;(7)采用4 mm 半高全寬的高斯濾波器對圖像進行空間平滑,以減小空間噪聲。

        1.2 腦功能網(wǎng)絡(luò)構(gòu)建

        1.2.1 節(jié)點的定義

        將預(yù)處理后數(shù)據(jù)使用自動解剖標記(automated anatomical labeling atlas,AAL,第1 版)圖譜[15]將除小腦外的整個大腦皮層劃分為90 個解剖區(qū)域(AAL-90)。將每個腦區(qū)定義成網(wǎng)絡(luò)中的一個節(jié)點,對應(yīng)值為節(jié)點值。通過計算每個腦區(qū)所處坐標范圍內(nèi)所有體素的血氧水平依賴信號的算術(shù)平均值來作為這個腦區(qū)(網(wǎng)絡(luò)中的節(jié)點)的節(jié)點值。

        1.2.2 邊的定義

        偏相關(guān)指只考慮兩個變量之間的相關(guān)性,排除其他相關(guān)因素的干擾[16]。在腦網(wǎng)絡(luò)的構(gòu)建中,指忽略其他腦區(qū)的影響,只考慮兩個腦區(qū)信號之間的相關(guān)性,因此,又稱凈相關(guān)分析[17]。

        本文主要采用相關(guān)矩陣求逆法計算任意兩腦區(qū)之間的偏相關(guān)值。首先,求得相關(guān)矩陣:

        將任意兩個腦區(qū)的偏相關(guān)系數(shù)值作為腦功能網(wǎng)絡(luò)邊,得到一個90×90 對稱矩陣,對每個被試進行Fisher-r到Fisher-z轉(zhuǎn)化,獲得更接近正態(tài)分布的時間序列[18]。

        1.3 網(wǎng)絡(luò)分析

        1.3.1 稀疏度選擇

        為了驗證腦功能連接矩陣的拓撲特性,使用稀疏度來排除噪聲元素,連通性稀疏度s (即現(xiàn)有邊與網(wǎng)絡(luò)中最大可能邊數(shù)的比率)被用作閾值度量,以確保所有被試網(wǎng)絡(luò)節(jié)點和邊數(shù)相同。本文選取閾值s 在0.05~0.50,步長選為0.05。 然后,通過GRETNA_V2.0 網(wǎng)絡(luò)分析工具包[19]在MATLAB 環(huán)境下計算每個稀疏度閾值下網(wǎng)絡(luò)指標。為了衡量網(wǎng)絡(luò)屬性在連續(xù)稀疏度下整體特征,本研究以稀疏度為橫軸,特征值為縱軸構(gòu)建坐標系,用對應(yīng)的10 個稀疏度下特征值做曲線,計算每個屬性曲線下的面積AUC 值,用于后續(xù)分析[20-21]。AUC為大腦功能連接拓撲提供了總體上的標量信息,使其不受單一閾值選擇的影響。

        1.3.2 網(wǎng)絡(luò)指標

        腦功能網(wǎng)絡(luò)拓撲屬性種類繁多,分為局部屬性和全局屬性兩種網(wǎng)絡(luò)特征。通常,腦功能網(wǎng)絡(luò)節(jié)點特征由局部屬性體現(xiàn)。目前對精神疾病的腦網(wǎng)絡(luò)屬性研究多以網(wǎng)絡(luò)中節(jié)點度、聚類系數(shù)、節(jié)點效率和節(jié)點局部系數(shù)為主[22,23],因此,本文選用上述4個局部節(jié)點指標做分類研究,如表1所示。

        表1 腦功能網(wǎng)絡(luò)分析指標簡表Tab.1 Brief descriptions of brain functional network metrics employed in this study

        1.4 腦功能網(wǎng)絡(luò)的特征篩選

        為了從特征集中找到最優(yōu)的特征子集,防止過擬合現(xiàn)象,以優(yōu)化模型性能和高效訓(xùn)練分類器,有必要在分類前進行特征選擇。F-score 是度量特征在不同類別間區(qū)分度的一種指標,其本質(zhì)是選取類內(nèi)差異小,類間差異大的特征[24,25]。

        在本文中,對于每類節(jié)點指標網(wǎng)絡(luò)拓撲屬性,每名被試會得到一個1×90 的行矩陣,通過F-score 進行特征提取,具體過程:首先,對90 個腦區(qū)計算F-score 進行評分,選取前10 個評分最高的腦區(qū);然后,對自閉癥患者和健康對照組所得到的腦區(qū)進行雙樣本t檢驗,選取具有統(tǒng)計意義的特征腦區(qū)(P<0.05)作為特征向量。

        除此之外,最小冗余最大相關(guān)性(minimal redundancy maximum relevancy,mRMR)和ROC 敏感性分析也被廣泛應(yīng)用于特征腦區(qū)篩選上。mRMR 算法是通過利用互信息衡量不同特征之間相關(guān)性和冗余度,并根據(jù)信息差和信息熵這兩個代價函數(shù)來尋找特征子集,使得選出的特征與目標類別之間具有最大相關(guān)性,且互相之間具有最小冗余度,可以很好地實現(xiàn)特征選擇[26]。ROC 敏感性分析是根據(jù)一系列不同的二分類方式,以真陽性率為縱坐標,假陽性率為橫坐標繪制曲線。在臨床應(yīng)用中,通過對各個腦區(qū)做ROC敏感性分析,可以選取對疾病識別較為敏感的腦區(qū)。

        1.5 特征融合

        根據(jù)以往研究發(fā)現(xiàn),特征融合常采用多種特征向量首尾串聯(lián)進行融合[12,27]。在此基礎(chǔ)上,本文提出了一種加權(quán)的特征融合方法。從腦功能網(wǎng)絡(luò)中得到的4個節(jié)點指標特征向量F,在進行特征融合時,對每種特征向量矩陣乘上一個權(quán)重系數(shù)M,然后再對其首尾串聯(lián)實現(xiàn)加權(quán)融合,具體計算方法:

        其中,F(xiàn)1,F2,F3,F4為4 類節(jié)點指標特征向量,Acc(Fk)為每類節(jié)點指標模型分類準確率,F(xiàn)f為融合后的特征向量矩陣。

        1.6 機器學(xué)習模型

        在本文中,把49名被試的網(wǎng)絡(luò)特征作為數(shù)據(jù)集,按照3∶2比例分成30名訓(xùn)練集和19名測試集,作為機器學(xué)習的基本輸入信息通過min-max Normalization對數(shù)據(jù)進行歸一化處理。選擇徑向基函數(shù)作為核函數(shù),選取比例參數(shù)g=1 2σ2代替核參數(shù)σ,形成一組參數(shù)對(C,g)。其中,參數(shù)C 和g 的取值范圍設(shè)定為[-10,10] (步長0.1),用網(wǎng)格搜索方法尋找誤差最小的懲罰系數(shù)C 和核參數(shù)σ 為最優(yōu)參數(shù)。創(chuàng)建訓(xùn)練模型,對測試集數(shù)據(jù)進行計算。隨機交叉驗證,即在每次實驗分類前,將所有的特征向量隨機排序并分組,用于機器學(xué)習分類實驗。本文采用了10次隨機交叉驗證和留一法交叉驗證兩種方法加以驗證,確保分類結(jié)果的可靠性。

        2 結(jié)果

        2.1 單一節(jié)點指標特征分類驗證

        為了檢驗單一局部節(jié)點指標的分類結(jié)果,分別利用三種不同算法對網(wǎng)絡(luò)屬性進行特征腦區(qū)篩選,并將其放入機器學(xué)習中進行10次隨機交叉驗證得到平均準確率,結(jié)果如圖2所示。

        圖2 節(jié)點指標分類結(jié)果對比圖Fig.2 Classification by network node index

        盡管F-score 分類精度相對其他兩種方法要好些,但總的來說,單一節(jié)點指標分類精度都不高,這是因為只考慮腦網(wǎng)絡(luò)單一特征屬性,將會忽略其他特征屬性,其很可能會對結(jié)果產(chǎn)生很大影響,從而導(dǎo)致分類精度都不高。因此,可以在特征融合時根據(jù)分類效果不同,通過引入權(quán)值方法,綜合考慮各個屬性,以提高分類效果。

        2.2 網(wǎng)絡(luò)特征加權(quán)融合及其分類與驗證

        2.2.1 特征腦區(qū)

        通過圖2我們發(fā)現(xiàn),通過F-score算法,在4類單一節(jié)點指標中分類精度相對較好,因此,為了研究特征加權(quán)融合后對分類效果的影響,我們利用F-score算法來挑選特征腦區(qū),得到了在兩類被試中具有組間差異的特征腦區(qū),并將其可視化。如圖3 及表2所示:

        表2 具有顯著性差異的特征腦區(qū)(P<0.05)Tab.2 Characteristic brain regions with significant differences(P<0.05)

        圖3 通過F-score提取的特征腦區(qū)Fig.3 Feature brain regions extracted by F-scores

        由表2可見,四個腦功能網(wǎng)絡(luò)節(jié)點指標所確定的特征腦區(qū)主要集中在額葉、顳葉和梭狀回、海馬、丘腦以及默認模式網(wǎng)絡(luò)等區(qū)域,即自閉癥患者在這些區(qū)域相對健康對照組較為敏感。

        2.2.2 SVM分類交叉驗證

        據(jù)前述,分別將4類單一節(jié)點指標特征和加權(quán)融合后特征向量Ff放入機器學(xué)習中用SVM 分類器進行分類訓(xùn)練,為了測試算法的準確性,分別采用了10次隨機驗證和留一法驗證,結(jié)果如表3所示。

        由表3、4可見,兩種交叉驗證一致地證實了網(wǎng)絡(luò)特征指標加權(quán)融合后的分類結(jié)果相對于單一節(jié)點指標特征有大幅度改善。從10 次隨機驗證結(jié)果來看,特征加權(quán)融合后的分類準確率范圍在84.21%~94.74%,平均準確率為89.47%,相對于單一節(jié)點指標特征,平均提高21.05%。從穩(wěn)定性上分析,通過特征加權(quán)融合后的方差比單一節(jié)點指標特征中穩(wěn)定性最好的(節(jié)點度特征指標)還要低,方差達到0.17%。這表明:融合后特征向量更全面地反映了腦網(wǎng)絡(luò)中拓撲信息,具有更強的分類能力,彌補了僅靠單一網(wǎng)絡(luò)節(jié)點指標分類造成的腦網(wǎng)絡(luò)局部信息被忽略的缺陷。另外,為了防止僅靠一種特征提取算法造成的偶然性和局限性,在此又對本文前面所提及的3種特征提取算法進行了對比,如圖4所示:

        表3 隨機交叉驗證單一指標和加權(quán)融合分類準確率Tab.3 Random cross validation for classification accuracy by a single index and weighted fusion

        表4 留一法驗證單一指標和加權(quán)融合分類準確率Tab.4 Leave-one validation for classification accuracy by a single index and weighted fusion

        圖4 不同算法提取分類結(jié)果對比圖Fig.4 Classification by network node index and fusion

        從圖4中可以看出,無論是通過哪種算法進行特征提取得到的特征向量放入機器學(xué)習中訓(xùn)練分類,通過本文的基于網(wǎng)絡(luò)特征加權(quán)融合的方法分類精度都優(yōu)于傳統(tǒng)的單一節(jié)點指標作為特征向量結(jié)果。

        2.3 對比實驗

        為了驗證本文提出的特征加權(quán)融合算法的效果,與傳統(tǒng)的多種特征向量串聯(lián)融合進行了實驗對比[12],并進行了10 次隨機驗證和留一法驗證已檢驗,如表5所示。

        對比表3 和表5,不難發(fā)現(xiàn),與單一節(jié)點指標相比,特征融合后分類精度都取得了不錯的效果,但本文中提出的基于網(wǎng)絡(luò)特征加權(quán)融合算法在分類的穩(wěn)定性和精度上仍然優(yōu)于傳統(tǒng)的特征首尾串聯(lián)融合算法。綜上所述,本文所提出的特征加權(quán)融合模型具有優(yōu)良性能。因此,本文的方法將有利于提高自閉癥檢測的精準性。

        表5 特征加權(quán)融合和特征串聯(lián)融合分類準確率Tab.5 Classification accuracy of feature weighted fusion and feature non-weighted fusion

        3 討論

        3.1 網(wǎng)絡(luò)特征加權(quán)融合分析

        本研究順應(yīng)當下人工智能時代,參照健康對照組,提出了一種網(wǎng)絡(luò)特征加權(quán)融合的方法,并將其運用在自閉癥的識別檢測上。通過對不同的腦網(wǎng)絡(luò)拓撲指標進行加權(quán)融合,在網(wǎng)絡(luò)層面上融合多種網(wǎng)絡(luò)特征,使得分類器所得到的腦網(wǎng)絡(luò)信息更加全面。通過和單一節(jié)點指標特征進行對比,該方法取得了較好的分類結(jié)果,比單一節(jié)點指標特征分類準確率平均提高21.05%,而相對于傳統(tǒng)的首尾串聯(lián)融合在精度上提高了4.74%。這種加權(quán)融合的算法為臨床輔助診斷自閉癥提供了一種新方法。

        值得注意的是,文獻[12]將多種尺度腦網(wǎng)絡(luò)的特征進行融合,對抑郁癥患者進行早期檢測,識別率可達88.67%,相對于單一尺度下網(wǎng)絡(luò)特征均有明顯的提高。文獻[28]結(jié)合節(jié)點相關(guān)屬性和整個網(wǎng)絡(luò)拓撲相關(guān)屬性融合對阿爾茨海默病進行分類,最終實現(xiàn)了91.9%的分類準確率,比基于單一拓撲指標特征的方法高10.8%;文獻[29]通過利用rs-fMRI 構(gòu)建動態(tài)腦網(wǎng)絡(luò),對rs-fMRI時間序列特征和高階網(wǎng)絡(luò)的拓撲屬性特征進行融合對輕度認知障礙患者識別診斷,最終分類準確率達到了87.7%,比最先進的方法至少提高了5.5%。由此可見,通過采用融合多種形式的腦網(wǎng)絡(luò)拓撲指標方法可以提高分類精度,為早期患者識別檢測提供了新指標和方法論,本文實踐處于當前高水平。

        3.2 功能影像標志性腦區(qū)

        本文提出腦功能網(wǎng)絡(luò)特征加權(quán)融合的自閉癥檢測模型,提取了特征腦區(qū)主要包括在后扣帶回、梭狀回、顳中回、海馬旁回等默認模式網(wǎng)絡(luò)區(qū)域中。研究表明,后扣帶回腦區(qū)可能具有調(diào)節(jié)腦網(wǎng)絡(luò)穩(wěn)定性的作用,從而影響注意力的集中[30];顳中回是語言、情感和社會認知基礎(chǔ)網(wǎng)絡(luò)的一部分[31];此外,有研究發(fā)現(xiàn)與健康對照相比,自閉癥患者的頂葉和顳葉皮質(zhì)厚度增加[32,33],另外,還有一些基于任務(wù)的連通性研究也報告了ASD 患者在任務(wù)相關(guān)大腦區(qū)域的連通性不足,包括在涉及工作記憶的額葉、頂葉、枕葉連接[34-36];在默認網(wǎng)絡(luò)中,Weng等人[37]發(fā)現(xiàn)ASD的社交障礙與默認網(wǎng)絡(luò)的多個區(qū)域的連接強度有關(guān)。具體表現(xiàn)在后扣帶皮層、額上回、顳葉與海馬旁回之間連接性減弱。說明自閉癥患者在這些大腦區(qū)域相對健康對照組較為敏感,與本文提取的特異于ASD的特征腦區(qū)有很大交集。

        3.3 局限性

        雖然,本文提出的網(wǎng)絡(luò)特征指標加權(quán)融合方法在識別ASD取得了較好的實驗結(jié)果,但研究具有一些局限性。文中采用了解剖模板AAL,已有研究發(fā)現(xiàn)存在一些潛在局限性[38]。例如,腦區(qū)劃分較為粗糙,可能會忽略較為重要的皮層和邊界信息。未來的研究中可以采用多模板方法進行網(wǎng)絡(luò)分析,在一定程度上解決單一模板的偏差。

        4 結(jié)論

        本研究在偏相關(guān)性的功能連接構(gòu)建腦功能網(wǎng)絡(luò)基礎(chǔ)上,對照健康組,提出網(wǎng)絡(luò)特征加權(quán)融合算法,提取了特異于ASD 的靜息態(tài)腦功能網(wǎng)絡(luò)的影像學(xué)標記,以此為特征向量輸入到機器學(xué)習中,可明顯提升對ASD識別的準確率,比單一節(jié)點指標特征分類準確率平均提高21.05%,可達89.47%,也比傳統(tǒng)的無加權(quán)特征融合提高了4.74%,提高了識別精準性。

        作者利益沖突聲明:全部作者均聲明無利益沖突。

        猜你喜歡
        腦區(qū)特征向量自閉癥
        二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計——以特征值和特征向量為例
        克羅內(nèi)克積的特征向量
        關(guān)愛自閉癥群體應(yīng)從消除誤解開始
        腦自發(fā)性神經(jīng)振蕩低頻振幅表征腦功能網(wǎng)絡(luò)靜息態(tài)信息流
        “基因剪刀”或可減輕自閉癥癥狀
        一類特殊矩陣特征向量的求法
        EXCEL表格計算判斷矩陣近似特征向量在AHP法檢驗上的應(yīng)用
        自閉癥是個什么鬼?
        海峽姐妹(2017年5期)2017-06-05 08:53:17
        說謊更費腦細胞
        自閉癥孩子畫作中國美術(shù)館展出
        丹青少年(2017年2期)2017-02-26 09:11:05
        国产午夜精品一区二区| 天天做天天爱夜夜爽毛片毛片| 天堂视频在线观看一二区| 亚洲精品一区二区三区麻豆| 鲁丝片一区二区三区免费| 青青草原精品99久久精品66| 国产98在线 | 免费| 国产精品久久久久久久专区| 五月婷婷六月激情| 久久99久久99精品免观看女同| 久久国产劲爆内射日本| 久久夜色精品国产噜噜噜亚洲av | 亚洲va久久久噜噜噜久久天堂| 国产成人精品久久一区二区三区| 无码人妻丰满熟妇片毛片| 免费观看国产精品| 久久夜色精品国产噜噜噜亚洲av| 日韩中文字幕一区二十| 亚洲av高清天堂网站在线观看| 国产精品毛片va一区二区三区 | 亚洲国产一区二区a毛片| 国产精品久久久久国产精品| 亚洲色www无码| 蜜桃一区二区三区在线视频| 日本系列中文字幕99| 亚洲av永久无码天堂网小说区| 日本成本人三级在线观看| 中文字幕精品久久天堂一区| 日本一区二区高清视频在线播放| 日本一区二区不卡精品| 国产免费爽爽视频在线观看| 日韩精品中文字幕无码一区| 国产亚洲午夜精品| 在线观看高清视频一区二区三区| 久久精品免费中文字幕| 精品少妇人妻av一区二区| 秋霞日韩一区二区三区在线观看| 在线视频亚洲一区二区三区| 丰满人妻中文字幕一区三区| 无码一区二区三区免费视频| 夫妇交换刺激做爰视频|