多变量模式分析观察慢性颈肩痛患者静息态下脑功能连接变化

目的 基于多变量模式分析(MVPA)观察慢性颈肩痛(CNSP)患者静息态下全脑功能连接改变。方法 对27例CNSP患者(CNSP组)及15名健康受试者(对照组)采集头部静息态功能MRI(rs-fMRI),对CNSP组行视觉模拟量表(VAS)评分。以偏相关法基于rs-fMRI构建脑网络,以MVPA法对CNSP及健康受试者进行分类,定位组间存在差异的功能连接,分析CNSP组上述功能连接强度与VAS评分的相关性。结果 以MVPA法区分CNSP进行分类的准确率为90.48%。组间脑功能连接强度存在差异脑区涉及默认网络、额顶网络、边缘网络及感觉运动网络等。CNSP患者右侧眶部额下回-左侧缘上回功能连接强度与VAS评分呈负相关(r=-0.496,P=0.009),左侧眶部额中回-左侧角回、左侧枕中回-左侧枕上回功能连接强度与VAS均呈正相关(r=0.398、0.461,P=0.039、0.015)。结论 CNSP患者脑网络内与疼痛感受及情绪异常相关的眶部额下回、眶部额中回、角回、枕中回及枕上回等多个脑区存在功能连接异常。

多变量模式分析在反社会人格障碍中的应用

从静息态功能连接角度使用多变量模式,研究了反社会人格障碍(ASPD)脑网络的异常连接模式。结果表明了多变量模式分析方法成功地对ASPD患者和对照体进行了分类,并且ASPD患者最大的变化是静息态网络、注意网络、视觉认知网络和小脑这些网络之间的失连。该研究使用多模式分析方法成功地提取了反社会人格的异常信息,为反社会人格障碍这种高危人群的综合评估与识别提供了线索和方向。

冷连轧机张力-厚度控制交互作用多变量模式

冷连轧机轧制过程为多输入———多输出过程 ,可采用多变量控制技术。本文以 4机架六辊HC冷连轧机为例 ,分析了冷连轧机张力和厚度控制间的交互作用以及该过程的分散控制模式。

大脑如何表征情绪：基于fMRI的多变量模式分析证据

不同的情绪状态如何在大脑中表征?学术界存在两种主流观点:类别取向主张大脑按照愤怒、厌恶、快乐等类别表征情绪,每种情绪具有特异的大脑表征模式;维度取向主张大脑按照效价与唤醒度两种维度表征情绪,具体情绪由效价和唤醒度两个基本维度构建形成.然而,传统单变量激活研究很难发现情绪在大脑中的特异性表征.随着功能磁共振分析方法的发展,研究者开始采用更为敏感的多变量模式分析研究大脑如何表征情绪.本文首先介绍了传统单变量激活分析的局限以及多变量模式分析方法的优势,然后分别介绍近年来基于多变量模式分析方法对情绪表征的研究并总结多变量模式分析方法对传统情绪理论发展的意义,最后探讨情绪表征未来可能的研究方向.

基于特征表征度与多变量预测模式识别的变压器故障诊断

针对现有的基于油中溶解气体分析的诊断方法忽略了特征对故障类型的表征力度差异,限制了故障区分度的问题,提出了一种新的变压器故障诊断方法。该方法首先将主成分分析与灰色关联度分析相结合,用于度量特征量表征各故障类型的重要程度,并确定各故障类型下各特征量的权重;其次,构建一种多变量预测模式识别方法,用于电力变压器故障分类。其基本思想为:基于训练样本数据建立各类别下特征量之间相互表达的数学模型,即各类别的预测模型;将待测样本特征量输入至已建立好的预测模型中,并输出对应的特征量预测值;基于各特征量的权重信息,以预测值与实际值的加权误差平方和最小为判据,确定样本所属类别。最后通过与神经网络、支持向量机等方法进行对比,验证了所提方法的有效性。

基于稀疏表示的帕金森功能连接模式定位（英文）

在脑成像数据分析中,基于稀疏表示的模式定位算法在群组水平分析中具有非常优秀的性能,但在单个数据集的情况下结果还不尽如人意.为此,文中在先前研究的基础上提出了一种改进算法,通过基于原始数据集生成多个派生数据集的方法,来改善算法在单个数据集分析中的不足.仿真结果表明改进后算法在性能上有显著的提高.文章随后将该改进算法应用于帕金森病异常功能连接模式定位分析之中,得到广泛分布于全脑的与该疾病相关的269个异常功能连接,由此对算法的有效性进行了验证,并可能有助于加强对与该疾病相关的病理生理机制的了解.

基于时间导的功能连接在精神分裂症脑异常检测及其辅助诊断中的应用研究

目的基于原始时间序列一阶导的相关分析构建功能连接(derivative functional connectivity,dFC),考察其检测精神分裂症(schizophrenia,SZ)患者脑功能异常的能力以及其对SZ的辅助诊断作用。方法基于一阶自回归模型构建仿真时间序列,比较功能连接(functional connectivity,FC)和dFC刻画时间序列相关性的异同。纳入91例SZ患者和91名健康对照(healthy controls,HC)进行全脑静息态功能磁共振扫描,计算116个脑区间的FC和dFC,分别针对FC和dFC进行逐条连接的组间比较,再利用多变量模式分析方法基于FC和dFC区分SZ和HC,以评估dFC在SZ辅助诊断方面的价值。结果仿真数据分析结果表明,相比于FC,dFC对时间序列的自相关性更不敏感,更能反映两个脑区神经活动时间序列之间的互相关关系。真实数据分析结果表明,SZ组和HC组间比较FC和dFC结果有较大重叠性,即49条连接的FC和dFC组间差异有统计学意义(P<0.05),也表现出明显的互补性,即36条连接仅FC显示组间差异有统计学差异(P<0.05),14条仅dFC显示组间差异有统计学意义(P<0.05)。FC与dFC区分SZ和HC的正确率分别为82.98%和82.40%,而两者融合后可进一步提高分类准确率至84.59%。结论dFC具有刻画脑功能连接信息的能力,与传统FC有互补性,两者联合能更全面地刻画SZ的脑异常连接模式,因此,dFC也可作为SZ辅助诊断的影像学生物标记物。

基于静息态fMRI区分健康老年人认知水平的MVPA方法研究

目的 基于静息态功能磁共振成像(functional magnetic resonance imaging, fMRI)数据构建脑网络,建立多变量模式分析(multivariate pattern analysis, MVPA)实现健康老年人认知水平的有效区分。材料与方法 使用公开数据集中55名认知优(认知优组)和43名认知差(认知差组)的健康老年人,基于全部受试者的静息态fMRI数据,建立MVPA方法对健康老年人认知水平进行区分。其中,脑网络构建和特征选择使用高斯Copula互信息(Gaussian Copula mutual information, GCMI),结合支持向量机(support vector machine, SVM)完成分类,然后与现有的MVPA方法区分健康老年人的认知水平作对比。通过独立样本t检验分析组间一致性功能连接的差异。结果 本文建立的MVPA方法实现了健康老年人认知水平的有效区分,分类准确率达到77.22%,敏感度、特异度及曲线下面积(area under the curve, AUC)分别为81.82%、72.09%和0.77。另外,认知差组的一致性功能连接强度相对于认知优组有明显降低,且组间差异普遍具有统计学意义(P<0.05)。结论 使用对非线性敏感的GCMI进行脑网络的构建并选择特征,结合SVM可以实现健康老年人认知水平的有效区分。通过分析一致性功能连接,发现其强度减弱可能导致认知水平降低,差异具有统计学意义的一致性功能连接对于辅助临床诊断具有重要价值。

精神分裂症患者脑功能负连接异常特征及其临床辅助诊断价值

目的评估精神分裂症(schizophrenia,SZ)患者静息态负脑功能连接(functional connectivity,FC)的改变,分析负FC与临床变量之间的关系以及辅助诊断SZ患者的潜在价值。方法对SZ患者和健康对照(healthy controls,HC)进行全脑静息态功能磁共振扫描,将全脑划分为272个脑区并计算脑区间FC,分别识别出两组被试有统计学意义的负FC,并进行组间比较。将异常的负FC与临床变量进行相关分析,并基于负FC进行多变量模式分析以区分SZ和HC。结果最终纳入91例SZ患者和91名HC,共检测出207条负FC。相比于HC组,SZ组异常的负FC有12条,占207条负FC的5.80%,其中11条为异常减弱(Bonferroni校正,P<0.05)。SZ患者的负FC与幻听量表总分(r=-0.24,P=0.02),以及与思维语言和沟通能力评估量表加权总分(r=0.26,P=0.01)之间的关联具有统计学意义。利用负FC的空间分布模式可以有效识别SZ,正确率为72.6%,高于随机分类正确率(置换检验,P<0.001)。结论SZ患者静息态负FC存在异常,且与临床症状存在相关性,负FC具有作为SZ辅助诊断的影像学生物标志物的潜力。

视觉表象可视化——视觉表象研究的新途径

功能磁共振技术在表象研究中得到广泛应用是表象研究追求客观化精确性的必然趋势。本文介绍了功能磁共振多变量模式分析方法及其演变历程,探讨了借助该方法实现"视觉表象可视化"的理论依据与亟待解决的关键问题。分析指出"视觉表象可视化"将为表象研究提供全新的研究视角与方法途径。

屈光参差性弱视儿童脑网络功能连接的fMRI研究

目的:探索屈光参差性弱视患者静息状态下脑网络内及网络间功能连接的变化,为进一步了解弱视对脑功能的影响提供实验依据。方法:采集14名屈光参差性弱视儿童(AAC)和9名正常视力儿童(NSC)的静息态功能磁共振图像,提取其静息态功能连接(rsFC)作为特征,采用多变量模式分析进行分类,并使用单变量分析进行组间比较。结果:多变量模式分析对弱视儿童和正常视力儿童分类的正确率显著较高;弱视儿童组的默认网络内,默认网络与额顶控制网络及背侧注意网络之间的rsFC减弱。结论:基于rsFC的多变量模式分析可以将弱视儿童识别出来;弱视儿童组减弱的rsFC提示弱视儿童在调节外部和内部目标导向认知之间的动态平衡及相互转换以适应任务需求的能力减弱。

基于NA-MEMD和互信息的脑电特征提取方法

多变量经验模式分解(MEMD)方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数(IMFs),提出一种基于噪声辅助多变量经验模式分解(NA-MEMD)和互信息的方法,并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量,然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,接着根据敏感因子筛选包含有用信息的IMF分量,将其叠加得到对应的重构信号,最后采用共同空间模式(CSP)法对重构信号进行特征提取,再用支持向量机(SVM)实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试,与现有的其他方法比较,验证了所提方法的有效性。

基于距离相关功能连接网络的机器学习模型在精神分裂症诊断中的价值

目的探讨基于距离相关的功能连接(FC_(D))网络的机器学习模型能否更准确地识别精神分裂症病人,以实现精神分裂症的精准诊断。方法前瞻性纳入性别、年龄相匹配的精神分裂症病人103例和健康对照103例,均收集静息态功能MRI数据。采用自动解剖标记(AAL)模板将全脑分为116个脑区,分别构建基于Pearson相关的功能连接(FC_(P))网络和FC_(D)网络,FC_(P)、FC_(D)网络中均有6670条连接。采用独立样本t检验分别对精神分裂症病人和健康对照的FC_(P)和FC_(D)网络中的每条连接进行比较分析,以年龄、性别、头动参数作为协变量,进行Bonferroni多重比较。采用MVPANI软件包进行多变量模式分析,基于FC_(P)和FC_(D)网络特征以及两者融合特征构建线性支持向量机(SVM)分类模型,采用置换检验评价分类模型的诊断准确度。计算各个模型的分类诊断敏感度和特异度,应用受试者操作特征曲线下面积(AUC)评估模型的预测效能。结果与健康对照相比,精神分裂症病人各脑区间FC_(P)及FC_(D)网络均可见广泛失连接。基于FC_(P)、FC_(D)网络特征及两者融合特征建立的SVM分类模型对精神分裂症病人和健康对照的分类准确度分别为76.4%、82.6%、84.7%(均P<0.05),对应的AUC分别为0.86、0.88、0.91。结论与FC_(P)网络特征相比,基于FC_(D)网络特征的机器学习模型能够更准确地诊断精神分裂症病人,基于两者融合特征的机器学习模型能够进一步提高预测性能。

基于RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。

风险决策的动态功能网络研究

目的研究与青少年风险决策相关的动态脑功能网络特征。材料与方法基于49个对象的静息态功能磁共振数据利用动态窗技术进行了动态功能网络的构建,并使用低频振荡振幅作为特征对风险决策行为进行了预测和网络分析。结果动态功能连接较好地预测了风险决策行为(r=0.3612,P=0.0108),并提取了与之相关的功能网络模式,即与风险决策相关的动态功能连接主要位于网络之间,且默认网络的预测能力最强,然后是两个控制网络即额顶网络和带状盖网络。结论本研究使用动态功能连接较好地预测了风险决策行为,更重要的是从动态功能网络上阐明了风险决策行为的特征。

基于静息态功能脑网络预测针刺治疗功能性消化不良临床疗效

目的:使用基线状态静息态功能脑网络特征预测针刺治疗功能性消化不良(FD)疗效。方法:采集33例FD患者基线状态功能脑网络数据,使用多变量分析方法,预测FD患者对针刺刺激的响应程度。结果:以排名最前的270条功能脑网络为特征区分针刺高、低响应组FD患者总体准确率达0.849,其中,右脑岛-左楔前叶连边等对分类器性能的贡献权重最大。结论:以功能脑网络为特征,可以从个体水平有效预测FD患者针刺响应程度。其中涉及感觉信号传导、中继、整合和反馈以及机体内稳态和情绪调节相关的脑区是准确预测的关键区域。