fMRI动态脑功能子网络构建及并联SVM加权识别方法

摘要

本发明公开了一种fMRI动态脑功能子网络构建及并联SVM加权识别方法，步骤包括：1)数据预处理；2)提取各脑区的时间序列；3)选取感兴趣的脑部区域；4)构建各个脑部区域的动态脑功能子网络；5)训练各个子网络分类器；6)对各子分类器赋值，形成并联SVM分类器；7)对未知样本进行分类。本发明构建的动态脑功能网络较传统的静态功能网络，增加了脑功能网络在时间维度上的信息；并结合先验知识，对不同的感兴趣脑部区域构建动态子网络，保留有用信息的同时，降低特征维数；对每个子网络训练SVM分类器，通过识别率确定子分类器的权重，形成并联SVM分类器，对脑区整体进行加权分类，使分类器具有更好的鲁棒性。

主权项

一种fMRI动态脑功能子网络构建及并联SVM加权识别方法，包括如下步骤：(1)对获取到的静息态fMRI实验数据进行预处理，消除外界干扰信号并将所有采集到的实验数据标准化到统一的时间和空间域；所述的预处理过程通过SPM8软件实现，包括时间层校准，头动校正，空间标准化和空间平滑；(2)从预处理后的fMRI数据中提取出相关信息，对照生理学模板(本发明选用Anatomical Automatic Labeling，AAL模板)，将每个实验者大脑90个脑区内的所有体素的时间序列进行平均，获得90个脑区的平均时间序列。对于总长度为n的时间序列，提取出90个脑区中各体素的平均时间序列点，可以获得一个90×n的矩阵；(3)根据先验知识选择感兴趣的N组脑区，其中第i组脑区包含AAL模板中90个脑区中的k_i个不同脑区；(4)对得到的N组脑区的时间序列，采用滑动时间窗处理方法分别构建动态功能连接网络，形成N个子网络，记为Net₁，Net₂，...，Net_N；(5)应用若干个已知类别样本的第一个子网络训练分类器，并进行分类识别，所述的分类器选用支持向量机，分类特征选用对动态网络序列做主成分分析后提取到的主要成分；(6)以此类推，分别训练N个带权重的分类器，用其他子网络分别训练N个SVM分类器，根据各个分类器分类正确率赋予子网络分类器不同的权值a₁，a₂，...，a_N，形成并联SVM分类器；(7)对未知类别的样本进行分类识别时，使用并联SVM分类器的子分类器对各个子网络分别进行识别，其分类结果的加权值来作为最后的分类结果。