心理健康评估分类器的静息态功能磁共振数据处理方法

摘要

本发明公开了一种心理健康评估分类器的静息态功能磁共振数据处理方法，该方法包含以下步骤：步骤1、结合结构像和功能像的定位方法进行感兴趣区的精确定位；步骤2、进行相关的生物特征的提取与选择；步骤3、利用双重支持向量机方法进行心理健康评估分类器的学。本发明依据心理健康不良状况会表现为大脑功能网络活动异常的特性，利用功能磁共振成像技术和支持向量机方法对大脑静息态数据进行分析，实现心理健康评估分类器的优化学。

主权项

一种心理健康评估分类器的静息态功能磁共振数据处理方法，其特征在于，包含以下过程：步骤1、构造结构像和功能像相结合的感兴趣区定位模板，将其分别应用于健康被试组及被评估人员的静息态功能磁共振数据，对所关注的脑网络进行精确定位以获得相应的感兴趣区；步骤2、对感兴趣区进行相关的生物特征的提取与选择；步骤3、利用双重支持向量机方法进行心理健康评估分类器的学习，进一步包含以下步骤：步骤3.1、将健康被试组数据作为训练集，用一分类支持向量机方法进行分类器学习，获取初始分类器；步骤3.2、利用初始分类器进行异常人员数据检测，并将检测到的异常数据与健康被试者数据放在一起作为训练集，运用二分类支持向量机方法进行评估分类器的优化学习，循环执行该步骤，直至评估分类器性能稳定；其中，步骤3.1所述的一分类支持向量机方法中，对于给定的一个N维特征向量的训练样本x₁,x₂…x_i∈X，x_i∈R^N，通过非线性映射将原始数据映射到高维空间χ，使得引入径向基核函数：且其中，γ为核参数；在高维空间寻求一个能够最大化训练样本和原点之间的间隔ρ/||w||的分隔超平面w·φ(x_i)‑ρ＝0，w和ρ为待求参数，w表示超平面的方向向量；通过求解下列优化问题得到分隔超平面：最小化满足ξ_i≥0，其中，ξ_i≥0为松弛变量，v∈(0 1)，vn表示分类错误率的上界，全部支持向量率的下界，得到最终决策函数，其中α_i为拉格朗日乘子：$f\left(x\right)=sgn\left({\Sigma }_{i=1}^n{\alpha }_{i}k\right(x,x_i)-\rho );$步骤3.2所述的二分类支持向量机方法中，对于一个给定的训练集{(x_i,y_i),i＝1…n},x_i∈R^N,y_i∈{‑1,1},其中x_i代表一个N维的特征向量，y_i代表样本所属的类标签，来寻求一个能够最大化分类间隔2/||w||的分隔超平面(w·x)+b＝0，使其满足y_i((x_i·w)+b)≥1；其中w和b为待求参数，w表示超平面的方向向量；通过求解下列优化问题得到分隔超平面：最小化满足其中，C是惩罚参数，得到最终决策函数，其中α_i为拉格朗日乘子：$f\left(x\right)=sgn\left({\Sigma }_{i=1}^N{\alpha }_i{y}_{i}k\right(x,x_i)+b).$