呂艷陽(yáng)，相 潔

（太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 太原030024）

0 引 言

我國(guó)老齡化形勢(shì)十分嚴(yán)峻，癡呆及癡呆前期之輕度認(rèn)知障 礙 （mild cognitive impairment，MCI）患 病 率 極高，MCI轉(zhuǎn)化為阿爾茨海默病 （Alzheimer’s disease，AD）的年轉(zhuǎn)化率為10%～15%，故防治MCI以降低其轉(zhuǎn)化率是防治阿爾茨海默病的關(guān)鍵。

隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展，特別是數(shù)據(jù)分類(lèi)方法的提高和改善［1－4］，可以對(duì)fMRI數(shù)據(jù)進(jìn)行有效分析及應(yīng)用，為研究MCI、正常被試的分類(lèi)提供了有效途徑。怎樣分析fMRI數(shù)據(jù)，選取合適的分類(lèi)特征，構(gòu)建分類(lèi)器，成為了fMRI數(shù)據(jù)分類(lèi)的關(guān)鍵問(wèn)題。

輕度認(rèn)知功能障礙 （MCI）是指介于正常老化與老年性癡呆 （AD）之間的臨床狀態(tài)，這為診斷區(qū)分正常老化、MCI的差異變化帶來(lái)了困難。

傳統(tǒng)的MCI診斷方法主要包括：量表檢查、認(rèn)知測(cè)驗(yàn)、生物學(xué)標(biāo)記物檢查、神經(jīng)影像學(xué)檢查。這些檢查方法在實(shí)施過(guò)程中存在較多不足。

問(wèn)卷形式的量表檢查，包括總體衰退量表 （GDS）等，依賴于被試所得分值的界定，由于測(cè)試者對(duì)問(wèn)卷問(wèn)題的主觀理解不同，存在一定程度的誤差?；瘜W(xué)指標(biāo)的檢測(cè)，雖然能表示一定的特征變化，但由于測(cè)試者體質(zhì)不同、身體素質(zhì)不同，并不能準(zhǔn)確反映測(cè)試者狀態(tài)。同時(shí)，生物學(xué)標(biāo)記物檢查，神經(jīng)影像學(xué)檢查，測(cè)試項(xiàng)目繁多，檢驗(yàn)周期長(zhǎng)，伴隨著實(shí)驗(yàn)檢測(cè)過(guò)程對(duì)測(cè)試者帶來(lái)的痛苦。

由此可見(jiàn)，以上的各種MCI診斷方法，測(cè)試項(xiàng)目多，檢查周期長(zhǎng)，全面性和準(zhǔn)確性較低，具有一定的主觀判斷引起的誤差，并且缺乏對(duì)其它區(qū)域的有效分析，難以實(shí)現(xiàn)泛化推廣。

在fMRI檢測(cè)領(lǐng)域，李傳明、王?。?］等人，通過(guò)對(duì)某些腦區(qū)的結(jié)構(gòu)項(xiàng)改變做了統(tǒng)計(jì)分析，分析了AD、MCI、正常組，在做Stroop任務(wù)的相關(guān)腦區(qū) （額葉、頂葉）激活情況，發(fā)現(xiàn)AD、MCI具有不同的病理學(xué)特征。

在SVM 應(yīng)用方面，蔣蕓、李戰(zhàn)懷［6］，通過(guò)改進(jìn)的SVM分類(lèi)器對(duì)乳腺X光圖像作分類(lèi)，分類(lèi)精確度達(dá)到了96%。

呂卓、謝松云［7］等人，通過(guò)SVM及其改進(jìn)方法，對(duì)測(cè)試者左右手動(dòng)的fMRI圖像做分類(lèi)，發(fā)現(xiàn)原始SVM算法的分類(lèi)精確度在60%左右，然后對(duì)比分析了多種改進(jìn)算法的分類(lèi)計(jì)算時(shí)間、分類(lèi)精確度。

以上作者都是對(duì)整幅fMRI圖像做特征提取，或者是某些ROI（region of interest）腦區(qū)做數(shù)據(jù)分類(lèi)，在分析方法使用的是傳統(tǒng)的統(tǒng)計(jì)檢驗(yàn)方法。對(duì)特定腦區(qū)的檢測(cè)，檢測(cè)了某些激活部位及范圍，即被試在相關(guān)測(cè)試中的ROI區(qū)域，需要一定的先驗(yàn)知識(shí)和領(lǐng)域知識(shí)，需要具體領(lǐng)域內(nèi)的專家對(duì)ROI區(qū)域做準(zhǔn)確劃定，存在一定誤差。

本文以單個(gè)體素為單位，通過(guò)單個(gè)體素的數(shù)據(jù)特征對(duì)fMRI圖像作分類(lèi)，分析分類(lèi)準(zhǔn)確率高的體素分布區(qū)域，并構(gòu)建集成分類(lèi)器，從而更好的輔助臨床診斷。

1 支持向量機(jī)簡(jiǎn)介

在數(shù)據(jù)分類(lèi)領(lǐng)域，待分類(lèi)的數(shù)據(jù)點(diǎn)稱為向量。對(duì)于多維數(shù)據(jù)，則構(gòu)成向量集。支持向量，就是實(shí)現(xiàn)這種分類(lèi)的一些向量 （support vector），用來(lái)支撐分類(lèi)數(shù)據(jù)的邊界，這種算法簡(jiǎn)稱SVM。

Cortes和Vapnik于1995年首先提出了支持向量機(jī)（support vector machine，SVM），它的優(yōu)勢(shì)在于解決小樣本、非線性以及高維模式識(shí)別，并能夠在其它機(jī)器學(xué)習(xí)問(wèn)題中，推廣應(yīng)用到函數(shù)擬合等問(wèn)題。

以統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論、結(jié)構(gòu)風(fēng)險(xiǎn)最小原理為基礎(chǔ)，支持向量機(jī)方法根據(jù)有限的樣本信息，在數(shù)據(jù)模型的復(fù)雜性 （即對(duì)數(shù)據(jù)樣本的學(xué)習(xí)精度）、學(xué)習(xí)能力 （即識(shí)別任意樣本的能力）之間尋求最佳折衷，有效地提高分類(lèi)模型的推廣能力 （或稱泛化能力）。

對(duì)于復(fù)雜兩類(lèi)線性不可分問(wèn)題，首先通過(guò)一非線性映射將輸入空間映射到高維特征空間

原空間中的對(duì)偶優(yōu)化問(wèn)題變?yōu)?/p>

拉格朗日乘子法求得的最優(yōu)分類(lèi)判別函數(shù)為

式中，對(duì)于高維空間的運(yùn)算，靠的是內(nèi)積運(yùn)算來(lái)實(shí)現(xiàn)

式中內(nèi)積函數(shù)K（xi，x）為核函數(shù)，且必須滿足 Mercer條件。

通過(guò)SVM對(duì)數(shù)據(jù)分類(lèi)，并引入粗糙集、屬性約簡(jiǎn)、主要成分分析等方法以提高分類(lèi)精度，已經(jīng)有了廣泛研究。

蔣蕓、李戰(zhàn)懷［6］的研究中，使用了ISVM分類(lèi)算法。ISVM算法主要由兩部分組成，首先用約簡(jiǎn)算法對(duì)數(shù)據(jù)集進(jìn)行約簡(jiǎn)；然后再將約簡(jiǎn)后的數(shù)據(jù)集作為輸入，用SVM方法作分類(lèi)。

呂卓、謝松云［7］等人的研究中，具體選擇了PSVM、SSVM、LPSVM、NSVM這4種SVM改進(jìn)算法以及基本SVM算法應(yīng)用于fMRI圖像的分類(lèi)問(wèn)題，其中PSVM算法在fMRI圖像的分類(lèi)問(wèn)題上有較好的綜合性能。

由于本文選用任務(wù)態(tài)fMRI圖像數(shù)據(jù)，數(shù)據(jù)量大、維數(shù)高，適合選用SVM算法，并發(fā)揮支持向量機(jī)在處理小樣本學(xué)習(xí)問(wèn)題、高維度數(shù)據(jù)問(wèn)題上具有的優(yōu)越性［8－9］。

2 分類(lèi)器集成簡(jiǎn)介

經(jīng)典支持向量機(jī)的分類(lèi)精度受數(shù)據(jù)表達(dá)形式以及個(gè)體分類(lèi)器模型選擇因素影響較大，受參數(shù)選擇、樣本噪聲干擾等因素的影響，會(huì)降低其分類(lèi)準(zhǔn)確率。所以，一般情況下，采用一種新的分類(lèi)器集成算法來(lái)克服這個(gè)缺陷。

根據(jù)弱學(xué)習(xí)定理，通過(guò)多個(gè)弱分類(lèi)器的組合，可以構(gòu)建分類(lèi)精度更高的集成分類(lèi)器。廣泛使用的AdaBoost算法和Bagging算法，采取加權(quán)投票的方法組合弱分類(lèi)器，構(gòu)建集成分類(lèi)器。

在分類(lèi)器集成領(lǐng)域，付忠良研究分析了分類(lèi)器集成中的關(guān)鍵問(wèn)題：其一，已知多個(gè)基分類(lèi)器，如何組合才是最佳的，即組合系數(shù)如何選取才能最大限度提升組合分類(lèi)器的分類(lèi)精度；其二是類(lèi)似AdaBoost算法和Bagging算法，為了得到分類(lèi)精度高的組合分類(lèi)器，如何訓(xùn)練和選取各個(gè)基分類(lèi)器。

張偉松，高智英，研究了快速多分類(lèi)器集成算法，提出2種權(quán)重分配方法：Biased AdaBoost算法與基于差分演化的多分類(lèi)器集成算法。在人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，與經(jīng)典AdaBoost算法相比，該算法能有效降低訓(xùn)練時(shí)間，提高識(shí)別準(zhǔn)確率。

李滿，李春華，提出了新的支持向量分類(lèi)器集成方法，兼顧了各子分類(lèi)器的分類(lèi)結(jié)果和各子分類(lèi)器判決對(duì)最終決策的重要程度。仿真實(shí)驗(yàn)表明，該方法的分類(lèi)準(zhǔn)確率，明顯優(yōu)于傳統(tǒng)方法的支持向量分類(lèi)器集成策略。

3 基于SVM的數(shù)據(jù)分類(lèi)實(shí)驗(yàn)

3.1 數(shù)據(jù)集說(shuō)明

本文用于實(shí)驗(yàn)的數(shù)據(jù)來(lái)自于北京市宣武醫(yī)院。實(shí)驗(yàn)測(cè)試選取20位被試的fMRI任務(wù)態(tài)數(shù)據(jù)。其中，10位被試為MCI患者，另10位為正常組。

實(shí)驗(yàn)數(shù)據(jù)使用3.0TMR掃描儀 （siemens trio＋tim，genmeny）核磁設(shè)備，采用對(duì)BOLD敏感的單次發(fā)回波平面成像 （single shot echo planar imaging，SS－EPI）序 列，掃描參數(shù)如下：FOV＝240mm×240mm，TR＝2S，Thickness＝3.2ms，F(xiàn)lip angle＝90°，Disp Factor＝0%，Matrix size＝64×64，共30層橫斷位圖像覆蓋全腦。

測(cè)試的fMRI圖像數(shù)據(jù)格式為30層，每層包含64x64個(gè)體素。每個(gè)元素均稱為一個(gè)體素 （voxel），元素的取值是該voxel的BOLD值 （即血氧含量水平，blood oxygen level dependent，BOLD）。

3.2 特征提取

實(shí)驗(yàn)流程：以某個(gè)體素的BOLD曲線變化率作為特征值，對(duì)正常組和MCI組做分類(lèi)，測(cè)試該體素的分類(lèi)準(zhǔn)確率。

體素篩選：本實(shí)驗(yàn)選取了4082個(gè)BOLD值不為0的體素。

基線設(shè)定：以一次任務(wù)中，對(duì)某一體素前兩次掃描的BOLD值，取均值，作為BOLD曲線變化率的基線。

特征選?。阂砸淮稳蝿?wù)中，某一體素后6次掃描的BOLD曲線變化率，組成向量，作為本次任務(wù)的分類(lèi)特征值。

通過(guò)SVM分類(lèi)模型，判斷測(cè)試集數(shù)據(jù)的任務(wù)標(biāo)簽類(lèi)型（正常／MCI），其準(zhǔn)確率為判斷正確的任務(wù)個(gè)數(shù)與測(cè)試任務(wù)總數(shù)的百分比。實(shí)驗(yàn)流程如圖1所示。

圖1 SVM數(shù)據(jù)分類(lèi)實(shí)驗(yàn)流程

3.3 測(cè)試方法

本實(shí)驗(yàn)所用平臺(tái)為 MATLAB，Lib－SVM工具包，ker－nel＿type＝RBF，參數(shù)c（cost）取1，g （gamma）取1。

測(cè)試方法采用 “Leave one person out”交叉驗(yàn)證方法，即保留1組數(shù)據(jù)作為測(cè)試集，其它數(shù)據(jù)作為訓(xùn)練集。

選取18個(gè)被試的任務(wù)態(tài)數(shù)據(jù)作訓(xùn)練集其中包含9個(gè)被試為正常組，9個(gè)被試為對(duì)照組。每個(gè)被試隨機(jī)選取16次任務(wù)。

測(cè)試集的數(shù)據(jù)包含5組數(shù)據(jù)，每組包含2個(gè)被試的數(shù)據(jù)，其中1個(gè)被試為正常組，1個(gè)被試為對(duì)照組。每個(gè)被試隨機(jī)選取16次任務(wù)。

5組測(cè)試數(shù)據(jù)的分類(lèi)準(zhǔn)確率平均值，作為該體素的平均分類(lèi)準(zhǔn)確率。

通過(guò)測(cè)試各個(gè)體素的平均分類(lèi)準(zhǔn)確率，觀察分類(lèi)準(zhǔn)確率較高的體素分布情況。

4 實(shí)驗(yàn)結(jié)果及分析

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，一共有181個(gè)體素的平均分類(lèi)準(zhǔn)確率達(dá)到60%以上，其中準(zhǔn)確率大于70%的有18個(gè)，大于65%的有31個(gè)，大于60%的有132個(gè)。平均分類(lèi)準(zhǔn)確率較高的體素 （70%以上）見(jiàn)表1。

表1 平均分類(lèi)準(zhǔn)確率較高的體素分布 （70%以上）

實(shí)驗(yàn)結(jié)果表明：分類(lèi)準(zhǔn)確率達(dá)70%以上的體素中，主要分布在13、17、21、23、25層上，他們的標(biāo)注位置如圖2所示。

圖2 體素位置標(biāo)注

如圖2所示，平均準(zhǔn)確率大于70%的體素用 “○”標(biāo)記，平均準(zhǔn)確率大于65%的用 “□”標(biāo)記，平均準(zhǔn)確率大于60%的用 “△”標(biāo)記。這些位置的體素，主要分布于枕葉區(qū)域，即與視覺(jué)相關(guān)的區(qū)域；準(zhǔn)確率較高的體素主要集中在與認(rèn)知相關(guān)的主要腦區(qū)位置上，包括顳葉、扣帶回等。

邵輝麗，杜小霞所做研究表明：功能連接分析發(fā)現(xiàn)，楔前葉／后扣帶皮層是默認(rèn)腦功能網(wǎng)絡(luò)中的一個(gè)關(guān)鍵區(qū)域。靜息態(tài)默認(rèn)腦功能網(wǎng)絡(luò)是無(wú)尺度網(wǎng)絡(luò)，具有小世界特性，楔前葉／后扣帶皮層可能是該默認(rèn)腦功能網(wǎng)絡(luò)中一個(gè)重要的“集散節(jié)點(diǎn)”［10－11］。

顳葉區(qū)域?qū)φJ(rèn)知活動(dòng)有重要影響，顳葉受損的表現(xiàn)包括：

（1）記憶障礙：顳葉海馬回破壞時(shí)可出現(xiàn)記憶障礙，通常雙側(cè)損害時(shí)出現(xiàn)，記憶障礙可伴有定向障礙。

（2）聽(tīng)覺(jué)和平衡障礙：一側(cè)損害時(shí)僅有輕度雙側(cè)聽(tīng)力障礙，雙側(cè)破壞時(shí)可導(dǎo)致皮質(zhì)性全聾。顳上回也是前庭的皮質(zhì)中樞，因此顳葉病變可出現(xiàn)平衡障礙和眩暈。

（3）言語(yǔ)障礙：顳上回后部損害可出現(xiàn)感覺(jué)性失語(yǔ)，患者能聽(tīng)到講話的聲音但不能理解其意義。優(yōu)勢(shì)半球顳上回后部與頂葉緣上回的移形區(qū)損害時(shí)，可出現(xiàn)命名性失語(yǔ)。

（4）視野缺損：顳葉損害時(shí)可出現(xiàn)同向性上1／4象限盲。

由此可見(jiàn)，通過(guò)對(duì)正常組和MCI組的fMRI圖像作分類(lèi)，所發(fā)現(xiàn)的分類(lèi)準(zhǔn)確率較高的體素分布情況，與MCI患者受損腦區(qū)位置相符?；谶@些體素的分類(lèi)測(cè)試，可以為醫(yī)療應(yīng)用提供指導(dǎo)，并有效地輔助臨床診斷。

SVM的函數(shù)參數(shù)設(shè)置是影響分類(lèi)準(zhǔn)確率的重要因素。本實(shí)驗(yàn)使用的是Lib－SVM工具包，在訓(xùn)練過(guò)程中，kernel＿type＝RBF，參數(shù)c （cost）取1，g （gamma）取1。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于同一組訓(xùn)練集和測(cè)試集，當(dāng)c?。?，1］時(shí)，其分類(lèi)準(zhǔn)確率高于c取 ［－1，0］，并且當(dāng)c和g取0到1之間的不同小數(shù)時(shí)，分類(lèi)準(zhǔn)確率不變。選取和優(yōu)化適合于本實(shí)驗(yàn)數(shù)據(jù)集的SVM訓(xùn)練參數(shù)，還有待進(jìn)一步研究。

5 分類(lèi)器集成實(shí)驗(yàn)

實(shí)驗(yàn)流程：選取分類(lèi)準(zhǔn)確率較高的8個(gè)的體素，通過(guò)SVM訓(xùn)練，得到8個(gè)弱分類(lèi)器。然后為各個(gè)弱分類(lèi)器分配并調(diào)整權(quán)重，采用加權(quán)平均的方法，構(gòu)高精度的集成分類(lèi)器。

5.1 集成實(shí)驗(yàn)

權(quán)重訓(xùn)練、測(cè)試樣本：包含5組數(shù)據(jù)，每組包含2個(gè)被試的數(shù)據(jù)，其中1個(gè)被試為正常組，1個(gè)被試為對(duì)照組。每個(gè)被試隨機(jī)選取16次任務(wù)。

權(quán)重分配策略1：指定權(quán)重分配。準(zhǔn)確率較高的2個(gè)分類(lèi)器權(quán)重為0.35，其余6個(gè)分類(lèi)器權(quán)重為0.05。實(shí)驗(yàn)結(jié)果見(jiàn)表2。

表2 指定權(quán)重分配的集成分類(lèi)器

實(shí)驗(yàn)表明，集成分類(lèi)器平均準(zhǔn)確率為65.63%，其中有兩個(gè)測(cè)試組分類(lèi)精度提高25%。

權(quán)重分配策略2：對(duì)各個(gè)分類(lèi)器設(shè)置初始權(quán)重（0.125＝1／8），然后訓(xùn)練調(diào)整，調(diào)整步長(zhǎng)為0.05。實(shí)驗(yàn)結(jié)果見(jiàn)表3。

表3 訓(xùn)練調(diào)整權(quán)重的集成分類(lèi)器

實(shí)驗(yàn)表明，集成分類(lèi)器平均準(zhǔn)確率為80.00%。其中，測(cè)試組1和組5的分類(lèi)精度可提高24.61%和33.6%，單組分類(lèi)精度最高達(dá)到96.88%，可有效提高其分類(lèi)準(zhǔn)確率。

5.2 分類(lèi)器泛化推廣

在實(shí)際應(yīng)用過(guò)程中，需要通過(guò)已有的分類(lèi)器模型，應(yīng)用到與訓(xùn)練集不同的測(cè)試樣本中。為此，將測(cè)試數(shù)據(jù)分作兩部分，每組選取2／3樣本作為訓(xùn)練，其余1／3樣本作為測(cè)試，以測(cè)試集成分類(lèi)器的泛化推廣能力。

權(quán)重分配策略：各個(gè)分類(lèi)器初始權(quán)重為0.125，調(diào)整步長(zhǎng)為0.05。實(shí)驗(yàn)結(jié)果見(jiàn)表4。

表4 集成分類(lèi)器的泛化推廣測(cè)試

本實(shí)驗(yàn)中有兩組數(shù)據(jù)的分類(lèi)準(zhǔn)確率達(dá)到90%以上，平均分類(lèi)準(zhǔn)確率為78%。可見(jiàn)，由支持向量機(jī)得到的集成分類(lèi)器，具有一定的泛化推廣能力。

5.3 實(shí)驗(yàn)結(jié)果及分析

綜合以上實(shí)驗(yàn)可以發(fā)現(xiàn)，通過(guò)單個(gè)體素的數(shù)據(jù)特征作分類(lèi)，選取分類(lèi)準(zhǔn)確率較高的8個(gè)體素，其準(zhǔn)確率位于70%至75%。然后，以這些體素對(duì)應(yīng)的分類(lèi)器為基礎(chǔ)，通過(guò)加權(quán)平均、權(quán)重調(diào)整的方法，構(gòu)建集成分類(lèi)器，集成分類(lèi)器的平均準(zhǔn)確率提高至80%，單組分類(lèi)精度最高達(dá)96.88%。

在SVM數(shù)據(jù)分類(lèi)實(shí)驗(yàn)中，平均分類(lèi)準(zhǔn)確率主要分布在70%左右。平均準(zhǔn)確率較低的原因是各組測(cè)試數(shù)據(jù)的差異性不同，并且在特征提取時(shí)以單個(gè)體素的BOLD變化為特征值，而單個(gè)體素體積較小。單個(gè)體素的BOLD變化，在不同任務(wù)、不同測(cè)試數(shù)據(jù)中，有一定的噪聲影響，對(duì)于某些區(qū)別度較低的測(cè)試數(shù)據(jù)集，分類(lèi)準(zhǔn)確率較低。

綜上所述，對(duì)于高維度、數(shù)據(jù)量大的fMRI圖像數(shù)據(jù)，支持向量機(jī)與分類(lèi)器集成相結(jié)合的方法，有效彌補(bǔ)了SVM參數(shù)選擇復(fù)雜、準(zhǔn)確率偏低的缺點(diǎn)，降低了體素體積較小、BOLD變化等因素引起的噪聲影響，并提高了分類(lèi)精度。

在后續(xù)的研究中，可以在提取特征過(guò)程中，采用每4個(gè)體素為1組，計(jì)算其平均BOLD變化曲線，進(jìn)一步降低噪聲影響。對(duì)于分類(lèi)模型，可使用更高精度的改進(jìn)算法、更優(yōu)的分類(lèi)器集成方法，構(gòu)建高精度的綜合分類(lèi)器。

6 結(jié)束語(yǔ)

本文從數(shù)據(jù)分類(lèi)的角度提出了一種基于支持向量機(jī)的fMRI圖像分類(lèi)方法，以單個(gè)體素的BOLD曲線變化率作為分類(lèi)特征，應(yīng)用到MCI的數(shù)據(jù)分類(lèi)中。根據(jù)實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，分類(lèi)準(zhǔn)確率較高的體素主要集中于MCI相關(guān)的重要腦區(qū)，該分析方法所得結(jié)論和已有研究結(jié)果一致，可應(yīng)用于MCI的實(shí)際診斷。并且，以分類(lèi)準(zhǔn)確率較高的體素為基礎(chǔ)，采用加權(quán)平均的方法，建立集成分類(lèi)器，提高了分類(lèi)精度。在其它相關(guān)的臨床診斷中，該方法也可作為一種研究方法進(jìn)行推廣。

［1］XIANG Jie，CHEN Junjie.SVM based fMRI data classification：An approach to decode mental state ［J］.Journal of Computer Research and Development，2012，47 （2）：286－291 （in Chinese）.［相潔，陳俊杰.基于SVM的fMRI數(shù)據(jù)分類(lèi)：一種解碼思維的方法 ［J］.計(jì)算機(jī)研究與發(fā)展，2012，47 （2）：286－291.］

［2］formisano E，martino F DE，Bonte M，et al.“Who”is saying“what”？brain－based decoding of human voice and speech ［J］.Science，2008，322：970－973.

［3］Kamitani Y，Tong F.Decoding the visual and subjective contents of the human brain ［J］.Nature Neuroscience，2005，8：679－685.

［4］Norman K A，Polyn S M，Detre G J.et al.Beyond mindreading： Multi－voxel pattern analysis of fMRI data ［J］.Trends in Cognitive Sciences，2006，10 （9）：424－430.

［5］LI Chuanming，WANG Jian，GUI Li，et al.A BOLD－fMRI study of prefrontal cortex in alzheimer disease，mild cognitive impairment and normal control subjects ［J］.ACTA Academiae Medicinae Qingdao Universitatis，2009，45 （4）：331－334 （in Chinese）.［李傳明，王健，桂莉，等.AD和MCI病人前額葉注意功能區(qū)fMRI檢測(cè) ［J］.青島大學(xué)醫(yī)學(xué)院學(xué)報(bào)，2009，45 （4）：331－334.］

［6］JIANG Yun，LI Zhanhuai. New medical image classify approach based on improved SVM classifier ［J］.Application Research of Computers，2008，25 （1）：53－55 （in Chinese）.［蔣蕓，李戰(zhàn)懷.基于改進(jìn)的SVM分類(lèi)器的醫(yī)學(xué)圖像分類(lèi)新方法 ［J］.計(jì)算機(jī)應(yīng)用研究，2008，25 （1）：53－55.］

［7］LV Zhuo，XIE Songyun，ZHAO Jin，et al.Research on performance of fMRI image classification based on SVM and its improved algorithm ［J］.Electronic Design Engineering，2011，19 （16）：24－27 （in Chinese）. ［呂卓，謝松云，趙金，等.基于SVM及其改進(jìn)算法的fMRI圖像分類(lèi)性能研究 ［J］.電子設(shè)計(jì)工程，2011，19 （16）：24－27.］

［8］XIE Songyun，GUO Rong，LI Ningfei，et al.Brain fMRI processing and classification based on combination of PCA and SVM ［C］／／International Joint Conference on Neural Networks，2009：3384－3389.

［9］XIONG Jinzhi，HU Jinlian，YUAN Huaqiang.Principles and advances of smooth support vector machine ［J］.Computer Engineering，2008，34 （13）：172－173 （in Chinese）. ［熊金志，胡金蓮，袁華強(qiáng).光滑支持向量機(jī)的原理和進(jìn)展 ［J］.計(jì)算機(jī)工程，2008，34 （13）：172－173.］

［10］SHAO Huili，DU Xiaoxia.Progress of the research on the role of key node of precuneus／posterior cingulated cortex in default brain functional network ［J］.Chinese Journal of Magnetic Resonance Imaging，2011，2 （3）：215－217 （in Chinese）.［邵輝麗，杜小霞.楔前葉／后扣帶皮層在靜息態(tài)功能網(wǎng)絡(luò)中起關(guān)鍵節(jié)點(diǎn)作用的研究進(jìn)展 ［J］.磁共振成像，2011，2 （3）：215－217.］

［11］GUO Hao，CAO Xiaohua，LIU Zhifen，et al. Machine learning classifier using abnormal brain network topological metrics in major depressive disorder ［J］.Neuroreport，2012，23 （17）：1006－1011.