动态功能性连接模式的状态判决与分类研究

摘要

针对动态脑网络分析中存在不同状态的连接模式，采用传统的聚类算法效果较差的问题，对神经疾病患者进行动态功能性连接分析，寻找稳定的状态特征来提高疾病分类准确率。阐述了脑网络构建、分析等基本理论，对现有研究存在的不足进行分析，介绍了动态功能性连接计算和有效特征提取过程。提出一种在交叉验证下微状态识别法，并与基于线性表达的维度压缩法结合，对原始动态功能连接进行稳定聚类与特征降维；引入类内距离准则对交叉验证下组内特征进行特征选择，对分类模型进行优化，提高了分类准确率。对比已有的聚类识别状态方法在公共数据集及轻度认知障碍识别分类中的应用，结果表明所提方法在稳定聚类和分类预测方面均表现较好，在特征选择后的分类准确率可以达到最优值86%。

关键词

动态脑网络 / 功能性连接 / 状态识别 / 特征选择 / 分类