1绪 论

1.1引言

随着我国经济的快速发展，人们的生活节奏日益加快，各种工作压力生活压力也随之不断增大，精神疾病患者数目逐年增加。世界卫生组织在2001年报道，全世界大约有4.5亿人患有各种精神类疾病和脑部疾病[1];据数据显示，目前我国精神类疾病重症患者.的数目己超过了 1600万[2]。精神类疾病患者及家人不管从任何角度来看都承受着莫大的精神压力，社会对精神类疾病也越来越关注，且越来越多的研究者们投身到精神类疾病的研究热潮中。近年来，脑功能磁共振影像技术在精神科学领域的研究和应用越来越广泛，各种成像技术的出现为研究意识与脑的关系提供了有力的手段，其中最常用的是功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)o 功能磁共振成像技术是一种非侵入活体脑功能检测技术，它能提供清晰的脑部解剖图像，是无创伤的，并且它有着较高的时间分辨率和空间分辨率。更重要的是不需要给被试注射微量放射性物质，具有显著的临床试验研究意义，这些优越的特性使得fMRI成为目前最为普遍应用的脑功能成像技术。早期的神经科学研究关注更多的是定位大脑内部各部分的功能，而现在更多的研究者逐渐转向研究大脑内部的网络。因此，探索大脑网络异常连接有助于人脑功能的研究以及疾病的诊断。医学影像技术的发展，使医生诊断疾病的方式也发生了转变，对疾病定量化的测量以及科学分析可以大大提高疾病诊断的准确性[3]。利用提取的有用信息对疾病患者与正常人进行有效分类及诊断，对探索发病的原理与因素有着重要意义。模式识别在医学上的应用很多，前景广阔，它可以帮助医生对疾病进行诊断。以人脑fMRI数据特征作为模式识别的依据，通过模式识别方法可分析出不同被试者的脑部差异。

………..

1.2研究现状及背景介绍

精神分裂症是一种严重且慢性的精神类疾病，甚至很可能会致残，它给家庭带来的精神压力也可想而知。但到目前为止，对于精神分裂症仍然没有确切的诊断标准，并且具有一定的局限性[4]。精神分裂症的发病原因源于大脑，是由于大脑功能连接紊乱而导致[5]。因此许多研究者开始研究各种统计方法分析大脑内部功能连接，试图提取出精神类疾病的大脑信息。Woodward[6]等选择几个感兴趣的脑区(ROI)作为种子脑区，后分别与其他脑区做相关分析，结果发现：精神分裂症患者的大脑模块较正常人而言存在明显的差异。Sridharant7]发现，前脑岛在默认网络与中央执行网络之间扮演着重要角色。但是本文认为仅仅是从局部脑区来探索精神分裂症大脑网络的异常不具有说服力。因此，本文将从全脑角度出发来分析精神分裂症患者的大脑网络情况。于是，本文收集了精神分裂症患者与正常人对照组的大脑静息态fMRI数据，原因是大脑静息态数据不仅具有全面的，准确的功能连接的信息，而且数据较任务态数据而言更容易获得[8]。Wei Cheng[9]等分别从脑区角度和体素角度出发，构建了大脑皮尔逊相关网络，偏相关网络，空间相关网络，通过BWAS分析方法蹄选出多动症患者与正常人患者的显著差异的功能连接，以此用于区别多动症患者与正常人，准确率为76.15%。Chong-YawWee的文章中结合结构像数据与功能像数据对多动症患者用两种不同的方法分别进行分类，分类效果提高了 7.4%,达到了 96.3%。对大脑数据进行模式识别，不仅需要达到较高的分类结果，而且找出具有判别力的功能连接或脑区也是至关重要。

…………….

2数据处理

2.1统计学分析

本文均可得到每个被试者的90x90大小的矩阵，我们常称该矩阵为大脑网络。在去除对角线上的元素后，提取矩阵上三角元素作为分类的特征，故用于分类的特征空间有(90><89)/2 = 4005个特征，而在模式识别中过多的特征信息会给分类结果的效果带来极大影响，这种情况也是运用模式识别时常遇到的“维数灾难”问题，为了降低“灾难”带来的影响，在分析数据之前首次需要对特征进行蹄选。特征筛选就是蹄选出最能区别两组样本的那些特征，用于后续识别分析。在模式识别的实际应用中，我们只能尽量多列一些可能有影响的因素，然后通过数据处理，筛选出作用较大的特征，删除影响不大的特征。本文分别运用了双样本T检验，风险差检验与Kendall等级相关系数值检验，选出最具有显著差异的特征用于SVM分类。

……………..

2.2数据预处理

数据的预处理包括如下步骤：（1)去除前10个时间点：考虑到扫描开始阶段被试者对仪器的不适应，故在分析数据之前每个被试者的前10幅图像都被剔除了。（2)时间层矫正(Slicetiming):由于对大脑进行扫描时，每层数据不是在同一个时间点获得，因此需要将大脑的所有层数据都矫正到同一个时间点。⑶头动矫正(Realignment):消除扫描的过程中由于被试者头动的影响。（4)空间标准化(Normalize):将大脑所有图像配准到同一个空间，重采样后将大脑划分成3x3X3/7?2大小的体素。（5)平滑(Smooth):减小空间上的噪声以及被试者大脑解剖结构的差异。（6)线性漂移(Detrend):随着时间的增加数据信号呈现上升趋势或是下降趋势，它对结果会产生一定的影响，一般情况下需要去除。（7)低通滤波(Filter(0:01-0:08hz))：减少一些生理噪声如呼吸和心跳等所带来的影响。本文根据AAL模板…]将大脑划分成了 90个脑区(其中左右各45个脑区）来分析。具体做法是先将90个脑区的所有体素的原始时间序列提取出来后相加求平均值，得到这90个脑区的平均时间序列；然后去除一些协变量(如头动参数，白质信号，脑脊液，全脑平均信号)对数据的影响得到这90个脑区新的最终的时间序列。

…………..

3多元模式识别......... 7

3.1特征获取........ 7

3.2特征筛选........ 7

3.2.1双样本T检验........ 8

3.2.2风险差检验 ........8

3.2.3 Kendall等级相关检验........ 10

3.3支持向量机基本思想........ 10

3.4留一交叉验证 ........11

3.5置换检验........ 12

3.6准确率、特异度、敏感度........ 12

4结果分析 ........13

4.1分类结果........ 13

4.2置换检验结果........ 13

4.3具有判别力的脑区........ 15

4.4显著差异的功能连接........ 17

5讨论与展望 ........21

5.1讨论........ 21

5.2展望........ 22

4结果分析

4.1分类结果

本文首先得到每个被试者的皮尔逊相关系数网络，然后分别运用三种特征选择方法来蹄选特征，最后应用分类器SVM对数据进行分类。下表为三种特征选择后的SVM分类结果：从表4-1中可以看出，双样本T检验与Kendall等级相关系数方法得到的准确率最高，达到了 83.97%，而风险差方法得到的准确率为83.21%。同时，本文发现双样本T检验分类结果中敏感度低于特异度，这意味着此方法相对于这批正常人分类的效果好，而风险差与Kendall等级相关系数方法结果中敏感度高于特异度，意味着此方法相对于这批病人的分类效果好。从图4-1至图4-3中可知，不管是哪一种方法挑选特征来做分类，均与样本的标签有着紧密联系。在置换检验过程中将样本标签打乱，得到的分类率比正确标签的样本分类率要高的概率基本趋近于0，即p<0.001，也就是说犯这种错误的概率很小，故本文中的方法求得的分类结果是可信的。

………….

结论

在分析静息状态的功能磁共振数据时，研究者们常把默认脑功能网络作为研究的重点区域，因为人处于休息状态时默认脑功能网络恰恰保持相当活跃的状态，并且这部分数据较任务态来讲是比较容易获得的，意思是花费的人力物力相对少一些。精神分类症患者与正常人的默认网络确实是有着显著差别的，特别是在额叶，前扣带回，海马旁回部分，并且内侧额叶皮层，扣带脑回与阳性症状有着紧密联系[24]。默认脑功能网络中的后扣带回皮层PCC部分是众多研究者感兴趣的目标，因为它是默认脑功能网络中的关键性节点，特别是其中的背侧部分与左右额顶叶之间的功能连接P5]。并且在考虑脑区之间信息传递的有向性时，精神分裂症患者的默认网络中各个脑区传递信息存在着诸多不同。分析比较默认网络中脑区的血液动力函数波动水平高低发现，后扣带回皮层最高，其次有左右角回部分，左右颞下回等[26]。早先的研究己经知道腹内侧前额叶皮质(vmPFC)区域关联著人对恐惧、风险、和奖惩的知觉。Lucina Q. Uddin以腹内侧前额叶皮质(vmPFC)区域和后扣带回皮层(PCC)作为种子点脑区分析了精神分裂症患者的默认网络，发现其与大脑其余部分的功能连接异常[27]。

…………

参考文献（略）