轻度认知障碍分类中全脑功能连接的特征压缩分析OA北大核心CSTPCD

利用静息态功能磁共振成像技术获取脑区的功能连接(Functional connection,FC)被广泛地应用于轻度认知功能障碍(Mild cognitive impairment,MCI)的分类研究中。然而,全脑FC用于分类通常存在信息冗余和特征维度灾难问题,为此,提出一种“G-Lasso+特征压缩”的新方法来解决以上问题。首先,利用盲源分离技术获得全脑功能脑区的活跃信号时间序列,采用G-Lasso构建FC稀疏网络;其次,计算MCI患者、正常被试及所有被试在组平均上的稀疏FC,并结合欧氏距离进行簇Class 1~Class 3中心判决,获取簇间差异特征信息;最后,将每个被试的稀疏FC表达为簇中心的线性组合,获取压缩的FC作为关键特征完成分类。实验采用公开的数据库测试本文方法,结果表明,所提方法进行Class判决后获得簇间特征具有显著差异且提供了有效的标志信息,进一步压缩获取关键特征的分类准确率(89.8%)比仅使用稀疏方法提高了5%~10%。该结果表明,为了解决全脑FC存在的问题,需要考虑到特征选择和降维,但有诸多不确定因素信息,可以适当地将“稀疏+压缩”进行结合。