【摘要】：癲癇,是大腦神經(jīng)元突發(fā)性異常放電,導(dǎo)致短暫的大腦功能障礙的一種慢性疾病。由于異常放電的起始部位和傳遞方式的不同,癲癇發(fā)作的臨床表現(xiàn)復(fù)雜多樣,可表現(xiàn)為發(fā)作性運(yùn)動(dòng)、感覺、自主神經(jīng)、意識(shí)及精神障礙。關(guān)于該疾病,先前的研究大都是致力于尋找該疾病的生理病灶,或者構(gòu)建網(wǎng)絡(luò),展示網(wǎng)絡(luò)間或網(wǎng)絡(luò)內(nèi)的連接異常,很少有將該疾病數(shù)據(jù)與正常人數(shù)據(jù)進(jìn)行個(gè)體模式識(shí)別和分類的研究。本文主要致力于用模式識(shí)別方法將癲癇疾病與正常人的磁共振數(shù)據(jù)區(qū)分開來,并且尋找一致連接區(qū)域,為預(yù)測和診斷癲癇疾病打下堅(jiān)實(shí)的基礎(chǔ)。主要工作如下:首先,針對(duì)癲癇患者腦功能連接個(gè)體差異的特征的臨床識(shí)別問題,采用60例全面強(qiáng)直陣攣發(fā)作癲癇(GTCS)以及63例正常人的磁共振數(shù)據(jù),利用功能連接方法構(gòu)建大尺度腦功能網(wǎng)絡(luò)為模式識(shí)別特征信息,并運(yùn)用支持向量機(jī)進(jìn)行分類,選擇F分?jǐn)?shù)排名前600的特征時(shí),分類效果最好,其中三個(gè)指標(biāo)的分值分別是:81.3%的正確率,73.33%的特異性以及88.89%的敏感性。最后對(duì)模式識(shí)別分類結(jié)果通過特征權(quán)重排序,尋找出一致連接區(qū)域,研究發(fā)現(xiàn)分類權(quán)重比較大的區(qū)域主要包括:背外側(cè)額上回,眶部額上回,眶部額下回,額中回等等,這些腦區(qū)的顯著性差異與前人的研究結(jié)果一致,其中分類權(quán)重最高的區(qū)域?yàn)楸惩鈧?cè)額上回,可能是區(qū)分該疾病的重要特征;并證實(shí)了F分?jǐn)?shù)算法對(duì)癲癇數(shù)據(jù)分類的有效性。其次,針對(duì)癲癇患者腦功能活動(dòng)低頻振蕩幅度個(gè)體差異的特征臨床識(shí)別問題,采用了60例GTCS以及63例正常人的磁共振數(shù)據(jù),利用靜息態(tài)功能磁共振數(shù)據(jù)進(jìn)行分頻計(jì)算,分別得到slow-5頻段和slow-4頻段的數(shù)據(jù),并且分別計(jì)算兩個(gè)頻段的低頻振蕩幅度為分類特征,用Relief算法作為分類算法對(duì)兩組數(shù)據(jù)進(jìn)行特征選擇,結(jié)果如下:穩(wěn)定選擇分?jǐn)?shù)排名前500個(gè)特征時(shí),在slow-5頻段,分類器得到了最高的正確率80.9%(73.33%的敏感性,88.89%的特異性);在slow-4頻段,分類器的最高正確率為79.6%(敏感性為72.63%,特異性為86.94%)。該研究發(fā)現(xiàn)slow-5頻段的三個(gè)指標(biāo)均略高于slow-4頻段,說明特殊頻段低頻振蕩幅度的研究對(duì)于該疾病的區(qū)分是有研究意義的。
【圖文】：

圖 2-1 單個(gè)體素的廣義線性模型根據(jù)上面這個(gè)例子，我們用矩陣描來述全腦體素的廣義線性模型，對(duì)每個(gè)都應(yīng)滿足方程（2-6）： = = (2- = 矩陣表示： = (2

圖 2-2 本章所提出的分類框架示意圖在本章節(jié)中，，我們使用的是 F 分?jǐn)?shù)方法對(duì)這 4005 個(gè)特征排序[57]。F 分?jǐn)?shù)方一種簡單有效的方法，多次在其他研究中使用[58, 59]。具體的 F 分?jǐn)?shù)方法如下：設(shè)正樣本（病人）的值是 ( )，負(fù)樣本（正常人）的值是 ( )，第 個(gè)特征的數(shù)定義如下： ( ) = ( ) ( ) щ ( ) ( ) щ ( ) ( ) (2-6其中， ( )， ( )， ，分別表示第 個(gè)特征的正樣本平均值、負(fù)樣本平均值總體平均值。 ( )即第 k 個(gè)正樣本的第 個(gè)特征， ( )即第 k 個(gè)負(fù)樣本的第 個(gè)特征而易見，特征的分類能力與 F 分?jǐn)?shù)具有密切聯(lián)系。一般來講，一個(gè)特征的 F 越大，就表示該特征越具有區(qū)分力。本研究的分類方法采用目前磁共振數(shù)據(jù)學(xué)習(xí)中使用最多的分類方法 SVM[60]。線性支持向量機(jī)由 LIBSVM 工具包提61]。支持向量機(jī)最主要的思想是使結(jié)構(gòu)風(fēng)險(xiǎn)最小化，它需要數(shù)據(jù)挖掘或機(jī)器學(xué)
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.4;R742.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 陳美麗;白宇;;癲癇與認(rèn)知功能關(guān)系的研究進(jìn)展[J];中國康復(fù)理論與實(shí)踐;2012年04期

2 周永;劉民;梁萬年;;癲癇流行病學(xué)研究進(jìn)展[J];中華流行病學(xué)雜志;2007年01期

相關(guān)博士學(xué)位論文 前2條

1 劉風(fēng);基于磁共振成像的多變量模式分析方法學(xué)與應(yīng)用研究[D];電子科技大學(xué);2014年

2 廖偉;基于磁共振成像的腦連接方法學(xué)及應(yīng)用研究[D];電子科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前1條

1 張波;難治性癲癇患者認(rèn)知功能評(píng)估及影響因素分析[D];河北醫(yī)科大學(xué);2015年

本文編號(hào)：2555695