本文關(guān)鍵詞：基于靜息態(tài)fMRI特征提取的ADHD分類研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：注意缺陷多動(dòng)障礙(Attention Deficit Hyperactivity Disorder, ADHD)是一種在兒童時(shí)期常見的由精神失調(diào)而引起的疾病,主要癥狀是多動(dòng)、注意力不集中,近幾年相關(guān)研究發(fā)現(xiàn)一部分成年人也出現(xiàn)了同樣的病癥。目前對ADHD的診斷治療已經(jīng)引起我國甚至是世界的高度重視,但是由于ADHD的病因和發(fā)病機(jī)制至今尚不明確,為其診斷治療帶來了較大的難度,因此尋求客觀的診療依據(jù)是研究的熱點(diǎn)也是難點(diǎn)。 在腦神經(jīng)認(rèn)知科學(xué)研究中,模式識(shí)別技術(shù)是一種重要的手段,與支持向量機(jī)、人工智能相結(jié)合用于處理圖像分類以及功能磁共振的時(shí)間信號。本文是基于模式識(shí)別特征提取的fMRI剛圖像ADHD分類研究。數(shù)據(jù)樣本由ADHD-200大賽提供。首先將全腦的體素按照一定的大小劃分成若干區(qū)域模塊,同時(shí)進(jìn)行掩膜處理。其次將剩余的區(qū)域模塊平均并做相關(guān)計(jì)算,由相關(guān)系數(shù)作為功能連接特征進(jìn)行分類。然后利用類內(nèi)類間距離法對特征進(jìn)行初步篩選。為了提高運(yùn)算效率,本文采用局部線性嵌入法對特征矩陣做降維處理,得到低維空間中的映射矩陣。利用SVM(Support Vector Machine)支持向量機(jī)對特征值進(jìn)行分類計(jì)算得出分類模型,并進(jìn)一步采用5倍交叉驗(yàn)證測試分類的正確率用于判定分類效果。 實(shí)驗(yàn)結(jié)果顯示分類效果較好,最高分類準(zhǔn)確率達(dá)到了85.71%,說明將大腦區(qū)域劃分隨機(jī)選取產(chǎn)生感興趣區(qū)域模板的方法具有可行性,在今后的ADHD分類研究中需要做更深入的探討。
【關(guān)鍵詞】：靜息態(tài) ADHD 全腦模塊分區(qū) 功能連接特征 局部線性嵌入 SVM
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R749.94;R445.2
【目錄】：

• 致謝5-6
• 中文摘要6-7
• ABSTRACT7-9
• 目錄9-11
• 1 緒論11-15
• 1.1 研究背景11-13
• 1.1.1 ADHD及其診斷11-12
• 1.1.2 靜息態(tài)功能磁共振成像技術(shù)12
• 1.1.3 腦功能的模式識(shí)別技術(shù)12-13
• 1.2 研究內(nèi)容及意義13
• 1.3 本文主要工作13-15
• 2 研究方法概述15-29
• 2.1 靜息態(tài)fMRI基礎(chǔ)與原理15-17
• 2.1.1 fMRI成像原理15-16
• 2.1.2 fMRI數(shù)據(jù)結(jié)構(gòu)與分析16-17
• 2.2 功能連接分析法17-20
• 2.3 模式識(shí)別技術(shù)20-29
• 2.3.1 類內(nèi)類間距離判別法21
• 2.3.2 局部線性嵌入21-22
• 2.3.3 支持向量機(jī)分類22-29
• 3 基于功能連接的ADHD分類結(jié)果與討論29-37
• 3.1 實(shí)驗(yàn)算法29-30
• 3.2 數(shù)據(jù)獲取及預(yù)處理30
• 3.3 ADHD分類算法實(shí)現(xiàn)30-32
• 3.4 支持向量機(jī)的GUI分類界面32-33
• 3.5 實(shí)驗(yàn)結(jié)果33-36
• 3.6 實(shí)驗(yàn)討論36-37
• 4 不同大腦分區(qū)下分類比較37-43
• 4.1 實(shí)驗(yàn)背景37-38
• 4.2 實(shí)驗(yàn)數(shù)據(jù)38
• 4.3 不同大腦分區(qū)下分類研究38-41
• 4.4 實(shí)驗(yàn)結(jié)果與討論41-43
• 5 總結(jié)與展望43-44
• 5.1 總結(jié)43
• 5.2 展望43-44
• 參考文獻(xiàn)44-48
• 作者簡歷48-50
• 學(xué)位論文數(shù)據(jù)集50

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 閆超;;基于改進(jìn)的SVM線性可分文本分類算法[J];電腦開發(fā)與應(yīng)用;2010年08期

2 張娜;張永平;;支持向量機(jī)的算法及應(yīng)用[J];福建電腦;2011年02期

3 諸穎;冉鐵成;李晴暖;徐晶瑩;李文新;;放射性核素示蹤技術(shù)在碳納米顆粒生物效應(yīng)研究中的應(yīng)用[J];核化學(xué)與放射化學(xué);2010年01期

4 付香英;王春麗;王芳;;非線性可分文本的SVM算法研究與改進(jìn)[J];九江學(xué)院學(xué)報(bào);2008年03期

5 薄樹奎;李盛陽;朱重光;;基于統(tǒng)計(jì)學(xué)的最近鄰查詢中維數(shù)災(zāi)難的研究[J];計(jì)算機(jī)工程;2006年21期

6 羅瑜;李濤;王丹琛;何大可;;支持向量機(jī)中核函數(shù)的性能評價(jià)策略[J];計(jì)算機(jī)工程;2007年19期

7 胡駿;;支持向量機(jī)理論探討[J];科技創(chuàng)業(yè)月刊;2012年03期

8 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

9 梁鳳;毛潔萍;楊新玲;;PET在神經(jīng)病學(xué)領(lǐng)域的應(yīng)用[J];中國臨床神經(jīng)科學(xué);2011年05期

10 王湘慶;郎森陽;;功能磁共振技術(shù)在癲癇研究中的應(yīng)用[J];中國全科醫(yī)學(xué);2006年07期

  本文關(guān)鍵詞：基于靜息態(tài)fMRI特征提取的ADHD分類研究，由筆耕文化傳播整理發(fā)布。

本文編號：375820