摘 ?要：已有很多成果利用結(jié)構(gòu)功能磁共振成像、靜息態(tài)功能磁共振成像等成像數(shù)據(jù)研究機(jī)器學(xué)習(xí)判別分析在阿爾茨海默病患者診斷中的應(yīng)用，經(jīng)進(jìn)一步分析發(fā)現(xiàn)，如果能夠綜合利用多種模態(tài)成像特征數(shù)據(jù)將為分類(lèi)器提供更豐富、全面的信息，有利于最終的判別分析。在這項(xiàng)研究中，提出一種將結(jié)構(gòu)功能磁共振成像、靜息態(tài)功能磁共振成像兩種成像模態(tài)提取的特征結(jié)合的機(jī)器學(xué)習(xí)分類(lèi)算法應(yīng)用于阿爾茨海默病患者鑒別的方法，相比利用單一模態(tài)數(shù)據(jù)的鑒別模型具有顯著優(yōu)勢(shì)。

關(guān)鍵詞：AD疾病輔助診斷;多模態(tài);多分類(lèi)器;MLDA;SVM;MRI;R-fMRI

中圖分類(lèi)號(hào)：TP391.41 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）13-0001-04

Abstract：There are many achievements on the application of machine learning discriminant analysis in the diagnosis of AD patients using MRI、R-fMRI and other imaging data. Through further analysis，it is found that if the multi-modal imaging feature data can be used comprehensively，it will provide more abundant and comprehensive information for the classifier，which is conducive to the final discriminant analysis. In this study，the machine learning classification algorithm is proposed to identify the AD patients by combining the feature extraction methods of the two imaging modalities of MRI and R-fMRI. Compared with the identification model using single modal data，it has a significant advantage.

Keywords：aided diagnosis of AD patients;multi-modal imaging;multi-classifier;MLDA;SVM;MRI;R-fMRI

0 ?引 ?言

阿爾茨海默?。ˋlzheimers disease，AD）是一種常見(jiàn)的進(jìn)行性神經(jīng)衰退性疾病，臨床主要表現(xiàn)為記憶力和其他認(rèn)知功能的下降，它會(huì)逐漸破壞患者的記憶和推理、判斷、交流以及處理日常活動(dòng)的能力[1]。據(jù)報(bào)道，自20世紀(jì)80年代中期以來(lái)，西方國(guó)家65歲以上老年癡呆癥的患病率為3.6%～10.3%，東亞地區(qū)為1.8%～10.8%，另?yè)?jù)估計(jì)，大約50%～60%的癡呆患者患有AD[2]。而且患者往往在晚期才被明確診斷為患有AD，因此，在這樣的進(jìn)行性神經(jīng)衰退性疾病晚期，開(kāi)始任何可能的神經(jīng)保護(hù)治療對(duì)疾病的治療都鮮有實(shí)質(zhì)性的影響。為了提高對(duì)AD患者的基礎(chǔ)研究水平和臨床干預(yù)水平，尋找一種有效的、客觀(guān)的診斷方法來(lái)區(qū)分早期輕度AD患者和健康對(duì)照者是至關(guān)重要的。在過(guò)去的二十年里，人們已經(jīng)采取了各種客觀(guān)的措施來(lái)鑒別、診斷阿爾茨海默病，包括一系列的嗅覺(jué)、電生理和神經(jīng)心理學(xué)測(cè)試[3]。在提供客觀(guān)評(píng)估方面，技術(shù)最發(fā)達(dá)的領(lǐng)域是神經(jīng)影像學(xué)[4]。

近年來(lái)，神經(jīng)影像學(xué)領(lǐng)域中診斷AD的客觀(guān)方法越來(lái)越多。以前的大多數(shù)研究都是基于有創(chuàng)傷性的成像方式或單一的成像方式，而這并不是理想的診斷工具。近年來(lái)，靜息態(tài)功能磁共振成像（R-fMRI）作為一種高時(shí)空分辨率的無(wú)創(chuàng)技術(shù)，已被用于多種神經(jīng)精神疾病的腦功能異常研究[5，6]。此外，最近一些研究成果利用結(jié)構(gòu)功能磁共振成像（MRI）數(shù)據(jù)，根據(jù)提取的特征研究AD的自動(dòng)分類(lèi)方法[7，8]，比如基于頂點(diǎn)的皮質(zhì)厚度和體素方向的體積特征。綜上所述，這些研究表明AD患者的結(jié)構(gòu)MRI和R-fMRI變化與疾病的嚴(yán)重程度顯著相關(guān)，如果能有效地整合結(jié)構(gòu)和功能腦成像信息，就可以更好地將阿爾茨海默病患者與健康人群區(qū)分開(kāi)來(lái)。在這項(xiàng)研究中，我們提出了一種基于多模態(tài)成像特征和多分析器的AD患者分析框架，該分析方法可以綜合各種模態(tài)腦成像信息的優(yōu)點(diǎn)來(lái)診斷早期A(yíng)D患者。通過(guò)實(shí)驗(yàn)證明該分析框架相比原有的基于單一模態(tài)數(shù)據(jù)或者基于一種分類(lèi)器的AD患者鑒別框架在準(zhǔn)確率上具有明顯的優(yōu)勢(shì)。下邊依次介紹該框架所用到的四種特征數(shù)據(jù)提取，分析框架的建立、實(shí)驗(yàn)數(shù)據(jù)、分析結(jié)果。

1 ?結(jié)構(gòu)MRI和R-fMRI特征提取

根據(jù)已有的相關(guān)研究成果可知，結(jié)構(gòu)MRI數(shù)據(jù)包含了豐富的腦組織形態(tài)學(xué)信息，包括灰質(zhì)密度（GMD）、白質(zhì)密度（WMD）和腦脊液（CSF）密度，其中灰質(zhì)密度已被廣泛應(yīng)用于研究AD患者的灰質(zhì)萎縮。R-fMRI對(duì)于正常和病理狀態(tài)下大腦的內(nèi)在功能結(jié)構(gòu)的分析研究至關(guān)重要。一些研究已經(jīng)利用R-fMRI證明AD疾病與R-fMRI多個(gè)層次的特征改變有關(guān)，包括低頻振幅（ALFF）、局部一致性（ReHo）、區(qū)域功能連接度（RFCS）。近年來(lái)的一些基于機(jī)器學(xué)習(xí)算法的AD患者診斷研究表明，綜合利用多模態(tài)成像信息可以顯著提高AD診斷的識(shí)別精度[9，10]。因此在本文研究中，我們提出利用多模態(tài)成像（結(jié)構(gòu)MRI和R-fMRI）的多水平特征（ALFF、ReHo、RFCS、GMD）來(lái)區(qū)分AD患者和健康對(duì)照組。通過(guò)有效地整合豐富而全面的信息，可以提高整個(gè)系統(tǒng)的分類(lèi)能力。

1.1 ?局部一致性

局部一致性（ReHo）最初是用來(lái)測(cè)量功能磁共振成像時(shí)間過(guò)程中區(qū)域之間的同步程度，并可用于評(píng)估靜息狀態(tài)下的大腦活動(dòng)。ReHo被定義為給定體素與其最近鄰體素時(shí)間序列的Kendall一致性系數(shù)（KCC），相鄰體素的數(shù)目是26。計(jì)算公式如下：

其中，n表示時(shí)間點(diǎn)數(shù)，k為給定體素和其最近鄰體素的點(diǎn)數(shù)和，由于本例中選擇相鄰體素的數(shù)目是26，所以本例中二者之和為27，它們共同構(gòu)成一個(gè)成像簇（cluster），Ri為該cluster中每個(gè)體素點(diǎn)的體素值， 代表它們的平均值。

為了減少所有受試者變異性的整體影響，用每個(gè)體素的ReHo除以每個(gè)受試者的整體平均ReHo值。因此，每個(gè)受試者都獲得了一張ReHo圖。然后使用自動(dòng)解剖標(biāo)記（AAL）圖譜將單個(gè)ReHo圖劃分為116個(gè)感興趣區(qū)域（ROI），并計(jì)算每個(gè)區(qū)域的平均ReHo值。一個(gè)受試者的ReHo特征由每個(gè)區(qū)域的平均ReHo組成。

1.2 ?低頻振幅

低頻振幅（ALFF）是衡量人腦固有或自發(fā)神經(jīng)活動(dòng)能量水平的有效指標(biāo)。簡(jiǎn)單來(lái)說(shuō)，首先利用快速傅立葉變換將每個(gè)體素的時(shí)間序列轉(zhuǎn)換到頻域得到功率譜，然后再在功率譜的每個(gè)頻率處計(jì)算平方根，最后將0.01～0.10 Hz頻譜范圍內(nèi)的平方根取平均值，即為該體素的ALFF值。為了減少所有受試者變異性的整體影響，將每個(gè)體素的ALFF除以全局平均值。因此，每個(gè)受試者都獲得了ALFF圖。然后，根據(jù)AAL圖譜，將ALFF圖分為116個(gè)感興趣區(qū)域，并通過(guò)平均該區(qū)域內(nèi)的ALFF值計(jì)算每個(gè)區(qū)域的平均ALFF值。一個(gè)被試的ALFF特征由每個(gè)區(qū)域的平均ALFF組成。

1.3 ?區(qū)域功能連接度

區(qū)域功能連接度（RFCS）是用來(lái)測(cè)量給定區(qū)域與所有其他區(qū)域之間的平均相關(guān)強(qiáng)度。為了計(jì)算靜息狀態(tài)下的功能連通性，首先回歸出頭部運(yùn)動(dòng)的影響和整個(gè)大腦的平均信號(hào)，去除這幾個(gè)影響協(xié)變量的偽效應(yīng)。然后使用AAL圖譜將單個(gè)R-fMRI劃分為116個(gè)ROI，然后計(jì)算每個(gè)區(qū)域內(nèi)所有體素時(shí)間序列的平均值。為了度量區(qū)域間的功能連通性，需計(jì)算所有潛在區(qū)域?qū)Φ臅r(shí)間序列之間的Pearson相關(guān)系數(shù)，每個(gè)受試者將得到一個(gè)116×116的相關(guān)矩陣，然后去掉對(duì)角線(xiàn)上的值，即為該被試的RFCS，區(qū)域i的區(qū)域RFCS定義為：

其中，Rij是區(qū)域i和區(qū)域j之間的Pearson相關(guān)系數(shù)，N是區(qū)域的數(shù)量。

1.4 ?灰質(zhì)密度

通過(guò)線(xiàn)性變換進(jìn)行運(yùn)動(dòng)校正預(yù)處理后，將每個(gè)被試的結(jié)構(gòu)MRI分為三幅圖像：灰質(zhì)密度、白質(zhì)密度和腦脊液密度，在空間上使用統(tǒng)一的配準(zhǔn)算法標(biāo)準(zhǔn)化這三幅圖像，再選擇10 mm窗口大小的高斯核平滑方法對(duì)單個(gè)GMD圖像處理。最后使用AAL圖譜將單個(gè)GMD圖像分割成116個(gè)ROI，然后通過(guò)平均該區(qū)域內(nèi)所有體素提取每個(gè)區(qū)域的平均值，從每個(gè)受試者的GMD圖中提取了116個(gè)特征。

2 ?基于多模態(tài)腦成像特征和多分類(lèi)器的AD患者判別模型構(gòu)建

2.1 ?MLDA和SVM分類(lèi)器特性

本文所提出的多分類(lèi)器模型主要是基于最大不確定度LDA（線(xiàn)性判別分析）算法MLDA和支持向量機(jī)（SVM）兩類(lèi)基本機(jī)器學(xué)習(xí)算法，因此下邊就這兩類(lèi)算法做簡(jiǎn)單分析。

由前邊特征選擇描述可知，在本文所提出的框架中，即使進(jìn)行了特征選擇，特征空間的維數(shù)仍然極可能高于樣本數(shù)，這就使得在本文中應(yīng)用Fisher線(xiàn)性判別方法做出分類(lèi)決擇時(shí)，由于有限樣本量和特征高維問(wèn)題，面臨著類(lèi)內(nèi)離散矩陣Sw是非奇異矩陣或估計(jì)不好的風(fēng)險(xiǎn)[11]。為了避免類(lèi)內(nèi)離散矩陣Sw在有限樣本和高維問(wèn)題中的奇異性和不穩(wěn)定性問(wèn)題，作為一種基于LDA的優(yōu)化算法，MLDA提出用修正后的類(lèi)內(nèi)離散矩陣 ?代替根據(jù)原有數(shù)據(jù)計(jì)算所得的離散矩陣Sw，該方法基于最大熵協(xié)方差選擇思想，改進(jìn)了有限樣本問(wèn)題的二次分類(lèi)性能[12]，MLDA僅擴(kuò)展離散矩陣Sw較小且可靠性較低的特征值，并保持其大部分的較大特征值不變，方法如下：

（1）計(jì)算矩陣Sp=Sw/N-g（g為樣本類(lèi)別數(shù)）的特征向量矩陣Ф、特征值對(duì)角矩陣Λ;

（2）計(jì)算平均值 =trace（Sp）/d，將Λ中小于 ?的特征值替換為 ?，大于 ?的特征值保持不變，得到修正之后的對(duì)角矩陣Λ*，其中，d為特征維度;

（3）計(jì)算修正之后類(lèi)內(nèi)離散矩陣=（N-g）=Ф Λ*ФT（N-g）。

MLDA是通過(guò)將傳統(tǒng)LDA算法所述的基本準(zhǔn)則公式中的Sw替換為 ?而構(gòu)成的，當(dāng)LDA應(yīng)用于有限樣本和高維問(wèn)題時(shí)，該方法克服了類(lèi)內(nèi)離散矩陣Sw的奇異性和不穩(wěn)定性，還避免了傳統(tǒng)LDA收縮過(guò)程中固有的計(jì)算成本。

SVM是機(jī)器學(xué)習(xí)領(lǐng)域一類(lèi)經(jīng)典的分類(lèi)器，SVM可以在有限樣本上獲得和樣本相適應(yīng)的最好的推廣能力，其突出的優(yōu)勢(shì)就是能夠有效避免小樣本問(wèn)題。

2.2 ?分析模型構(gòu)建

由以上描述可知，由R-fMRI提取的ReHo、ALFF兩類(lèi)特征和由結(jié)構(gòu)MRI提取的GMD特征可以選用MLDA分類(lèi)器;對(duì)于由R-fMRI提取的RFCS，由于其維度達(dá)到6 670，選用在小樣本分類(lèi)問(wèn)題上具有優(yōu)勢(shì)的SVM分類(lèi)器。因此本文所構(gòu)建的AD患者鑒別模型首先將ReHo、ALFF、GMD、RFCS分別輸入四個(gè)基本分類(lèi)器，產(chǎn)生各自的判別結(jié)果，最終的分類(lèi)結(jié)果是對(duì)上述四個(gè)特征輸入產(chǎn)生的四個(gè)結(jié)果賦予權(quán)值并相加得到，其中四個(gè)權(quán)值是對(duì)應(yīng)的分類(lèi)器在訓(xùn)練集上的準(zhǔn)確率。當(dāng)輸入一個(gè)未知樣本時(shí)，首先提取四個(gè)特征矢量，并將其輸入對(duì)應(yīng)的四個(gè)基本分類(lèi)模型中，最后用產(chǎn)生的四個(gè)結(jié)果乘以訓(xùn)練所得的四個(gè)權(quán)值并求和，即可得到該未知樣本的判別結(jié)果，這種方法能更有效地避免歧義訓(xùn)練數(shù)據(jù)對(duì)分類(lèi)器性能的破壞?？偨Y(jié)基于多分類(lèi)器和多模態(tài)腦成像的AD患者輔助診斷過(guò)程如圖1所示。

其中，x1、x2、x3、x4分別對(duì)應(yīng)根據(jù)樣本x結(jié)構(gòu)MRI和R-fMRI提取的四個(gè)特征：ReHo、ALFF、GMD、RFCS; 表示對(duì)應(yīng)特征的分類(lèi)器，R-fMRI提取的三個(gè)特征對(duì)應(yīng)MLDA、GMD對(duì)應(yīng)SVM;ωk表示每個(gè)基本分類(lèi)模型的投票權(quán)值，該權(quán)值就是 在訓(xùn)練集上的準(zhǔn)確率。

3 ?實(shí)驗(yàn)分析

3.1 ?實(shí)驗(yàn)條件描述

實(shí)驗(yàn)所用數(shù)據(jù)來(lái)自西安唐都醫(yī)院，數(shù)據(jù)經(jīng)過(guò)醫(yī)學(xué)專(zhuān)家臨床診斷建議認(rèn)定，真實(shí)可靠。本次實(shí)驗(yàn)的自愿參與者共57位，其中包括輕度AD患者組27人、正常對(duì)照組30人，參與者全部為中國(guó)籍、漢語(yǔ)為母語(yǔ)、右利手。

所有輕度AD患者都接受了全面的身體和神經(jīng)檢查以及一系列的神經(jīng)心理學(xué)評(píng)估和標(biāo)準(zhǔn)的實(shí)驗(yàn)室測(cè)試;所有健康對(duì)照組均無(wú)神經(jīng)或精神疾病史、感覺(jué)運(yùn)動(dòng)障礙或認(rèn)知障礙，腦部MRI檢查也未見(jiàn)異常。所有自愿參與者在進(jìn)入測(cè)試前均獲得書(shū)面知情同意書(shū)，并經(jīng)醫(yī)院倫理委員會(huì)同意，57位參與者的人口統(tǒng)計(jì)信息和MMSE值分布情況如表1所示。

3.2 ?特征提取

使用SPM5和DPARSF工具包對(duì)所有的功能磁共振成像數(shù)據(jù)（包括結(jié)構(gòu)RMI和R-fMRI）進(jìn)行預(yù)處理，R-fMRI數(shù)據(jù)的預(yù)處理如下，考慮到影響初始磁共振信號(hào)不穩(wěn)定性和受試者適應(yīng)環(huán)境的因素，前10幅功能圖像被丟棄;余下的R-fMRI圖像需首先校正切片間的采集時(shí)間差，然后通過(guò)對(duì)齊到第一個(gè)體積以校正掃描間頭部運(yùn)動(dòng)的影響。在這項(xiàng)研究中，頭部在任何方向上最大位移大于2 mm或頭部旋轉(zhuǎn)大于2°的個(gè)體被丟棄，以盡量減少運(yùn)動(dòng)偽影。然后將運(yùn)動(dòng)校正的功能體積空間歸一化為MNI模板，之后再次采樣為3 mm各向同性體素[13]。接下來(lái)使用REST工具包計(jì)算ALFF、ReHo和RFCS。

用SPM8對(duì)結(jié)構(gòu)RMI圖像進(jìn)行預(yù)處理，首先使用線(xiàn)性變換對(duì)所有圖像進(jìn)行偏差校正。然后將校正后的結(jié)構(gòu)圖像分割為GMD圖像、WMD圖像和CSF密度圖像，并使用統(tǒng)一的分割算法在空間上使其標(biāo)準(zhǔn)化。在標(biāo)準(zhǔn)化和分割過(guò)程結(jié)束時(shí)，使用10 mm FWHM高斯核對(duì)GMD圖像進(jìn)行空間平滑處理，所有的GMD圖像被重新采樣為3 mm各向異性體素，以保持所有受試者的恒定分辨率;接下來(lái)與功能圖一樣，使用AAL圖譜將單個(gè)GMD圖劃分為116個(gè)ROI，然后通過(guò)平均該區(qū)域內(nèi)所有體素的GMD值來(lái)提取每個(gè)區(qū)域的平均GMD值。

3.3 ?留一交叉校驗(yàn)法

為了驗(yàn)證本文所提出的AD患者輔助診斷方法的有效性和優(yōu)勢(shì)，需要將實(shí)驗(yàn)數(shù)據(jù)劃分為測(cè)試數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集，但是鑒于實(shí)驗(yàn)樣本容量只有57，樣本量太小，所以采用留一交叉校驗(yàn)法（LOOCV）來(lái)評(píng)估所提出判別方法的性能，即每實(shí)驗(yàn)一次，將其中一個(gè)樣本作為測(cè)試集，其余樣本則被用來(lái)訓(xùn)練多分類(lèi)器，直到所有樣本都被測(cè)試完畢。在LOOCV預(yù)測(cè)結(jié)果的基礎(chǔ)上，可以定義準(zhǔn)確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）以量化LOOCV過(guò)程中分類(lèi)器的性能。

三個(gè)指標(biāo)定義如下：

其中，TP、FN、TN和FP分別表示正確預(yù)測(cè)的患者數(shù)量、被劃分為正常對(duì)照者的患者數(shù)量、正確預(yù)測(cè)的正常對(duì)照者數(shù)量和被劃分為患者的正常對(duì)照者數(shù)量。

4 ?實(shí)驗(yàn)結(jié)果分析

為了去掉一些冗余的特征以改善多分類(lèi)器的AD患者鑒別性能，在輸入分類(lèi)器之前我們使用特征選擇算法來(lái)選擇具有最大鑒別能力的特征，以提高最終的判別性能。在這項(xiàng)研究中，我們使用雙T檢驗(yàn)特征選擇方法來(lái)比較兩組受試者之間不同腦區(qū)的特征值，ALFF、ReHo、RFCS和GMD四類(lèi)特征矢量在提取之后都進(jìn)行雙T檢驗(yàn)，選擇兩組間有顯著性差異（P<0.05，未修正）的特征，我們還使用非參數(shù)秩和檢驗(yàn)進(jìn)行特征選擇，得到了相似的結(jié)果，當(dāng)然這里的雙T檢驗(yàn)只在每次LOOCV折疊訓(xùn)練數(shù)據(jù)集上執(zhí)行，以避免分類(lèi)器的過(guò)度擬合。

我們用LOOCV來(lái)估計(jì)分類(lèi)器的泛化能力，表2詳細(xì)列出了基于各種組合和簡(jiǎn)單類(lèi)型特征的分類(lèi)性能。從表中可以看出，本文提出的基于四種特征組合的多分類(lèi)器AD鑒別方法在三個(gè)性能評(píng)估指標(biāo)方面都表現(xiàn)優(yōu)異，其準(zhǔn)確率達(dá)到92.98%，靈敏度為88.19%，特異度為94.39%，這些結(jié)果準(zhǔn)確率、靈敏度、特異度三個(gè)方面都優(yōu)于任何單一類(lèi)型的特征或其他類(lèi)型的多類(lèi)型特征組合得到的值;而且從表中結(jié)果可以看到，綜合多種模態(tài)數(shù)據(jù)特征的分類(lèi)模型對(duì)AD患者腦部圖像的分類(lèi)能力整體優(yōu)于利用單一模態(tài)數(shù)據(jù)特征的分類(lèi)模型。

5 ?結(jié) ?論

本文系太原工業(yè)學(xué)院青年基金項(xiàng)目“基于張量模式的多模態(tài)多特征AD患者輔助診斷方法研究”的研究成果。與單一模態(tài)成像相比，使用多種模態(tài)數(shù)據(jù)特征的分類(lèi)模型的優(yōu)勢(shì)在于能提取更多的特征（有效特征）。從理論上講，多模態(tài)方法采用不同的特征作為輸入，這些輸入可以綜合反映樣本的多個(gè)方面特性，這種分類(lèi)的特征選擇策略能更多更全面地反映不同類(lèi)別的特性，并針對(duì)不同特征的特點(diǎn)采用適宜的機(jī)器學(xué)習(xí)方法來(lái)構(gòu)造分類(lèi)器，能獲得更精確的解。事實(shí)上，實(shí)驗(yàn)結(jié)果表明基于單模態(tài)的分類(lèi)器性能低于多模態(tài)方法分類(lèi)器。

這項(xiàng)研究還有幾個(gè)方面需要改進(jìn)。首先，我們使用線(xiàn)性回歸方法來(lái)減少低頻漂移和高頻生理噪聲的影響，但這并不是最有效的方法;在未來(lái)的研究中，這些生理效應(yīng)應(yīng)該通過(guò)在數(shù)據(jù)采集過(guò)程中同時(shí)記錄呼吸和心臟周期來(lái)估計(jì)和消除。第二，雖然我們使用了結(jié)構(gòu)功能磁共振成像和靜息態(tài)功能磁共振成像數(shù)據(jù)，但也有其他方法（如EEG、PET）可用于進(jìn)一步提高分類(lèi)性能。第三，我們使用AAL圖譜將大腦圖像分成116個(gè)ROI，也可以使用其他結(jié)構(gòu)和功能腦部圖譜，因?yàn)椴煌姆指罘椒赡墚a(chǎn)生不同的結(jié)果。事實(shí)上，最近的幾項(xiàng)研究表明，不同的分組地圖集可以影響大腦網(wǎng)絡(luò)的連接模式。在未來(lái)的研究中我們會(huì)把該方法應(yīng)用到其他的腦圖譜中。

參考文獻(xiàn)：

[1] JEONG J S. EEG dynamics in patients with Alzheimers disease [J]. Clinical Neurophysiology，2004，115（7）：1490-1505.

[2] LEE D Y，LEE J H，JU Y S，et al. The Prevalence of Dementia in Older People in an Urban Population of Korea：The Seoul Study [J]. Journal of the American Geriatrics Society，2002，50（7）：1233-1239.

[3] JODI K，RICHARD C，WAYNE M. Parkinsonian syndromes and differential diagnosis [J]. Current opinion in neurology，2002，15（4）：461-466.

[4] PICCINI P，WHONE A. Functional brain imaging in the differential diagnosis of Parkinsons disease [J]. Lancet Neurology，2004，3（5）：284-290.

[5] GREICIUS M D，SRIVASTAVA G， REISS A L，et al. Default-Mode Network Activity Distinguishes Alzheimers Disease from Healthy Aging：Evidence from Functional MRI [J]. Proceedings of the National Academy of Sciences of the United States of America，2004，101（13）：4637-4642.

[6] CHEN G，WARD B D，XIE C M，et al. Classification of Alzheimer disease，mild cognitive impairment，and normal cognitive status with large-scale network analysis based on resting-state functional MR imaging [J]. Radiology，2011，259（1）：213-221.

[7] HIRATA Y，MATSUDA H，NEMOTO K，et al. Voxel-based morphometry to discriminate early Alzheimers disease from controls [J]. Neuroscience letters，2005，382（3）：269-274.

[8] KARAS G B，BURTON E J，ROMBOUTS S A R B，et al. A comprehensive study of gray matter loss in patients with Alzheimers disease using optimized voxel-based morphometry [J]. Neuroimage，2003，18（4）：895-907.

[9] ZHANG D Q，WANG Y P，ZHOU L P，et al. Multimodal classification of Alzheimers disease and mild cognitive impairment [J]. NeuroImage，2011，55（3）：856-867.

[10] WALHOVD K B，F(xiàn)JELL A M，BREWER J，et al. Combining MR imaging，positron-emission tomography，and CSF biomarkers in the diagnosis and prognosis of Alzheimer disease [J]. AJNR. American journal of neuroradiology，2010，31（2）：347-354.

[11] 張宇萍.基于Fisher準(zhǔn)則的二次線(xiàn)性特征提取 [J].西安工業(yè)大學(xué)學(xué)報(bào)，2007（5）：460-463.

[12] ZANG Y F，HE Y，ZHU C Z，et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI [J]. Brain & development，2007，29（2）：83-91.

[13] ASHBURNER J，F(xiàn)RISTON K J. Unified segmentation [J]. Neuroimage，2005，26（3）：839-851.

作者簡(jiǎn)介：徐鑫秀（1984—），男，漢族，山西朔州人，助教，碩士研究生，研究方向：機(jī)器學(xué)習(xí)、模式識(shí)別。