摘要
功能脑网络是基于rs-fMRI获得的独立脑区信号并计算相关性而建立的网络连接，为挖掘各种精神类、神经类疾病的生物标志物以及人格差异估计等方面提供了全新的思路。这使得建立更高质量的功能脑网络和高质量的分类、回归模型显得尤为重要。鉴于此，本文重点对功能脑网络构建和高质量的回归模型进行了探究，主要分为以下两个方面： 1.本文提出了两种新的功能脑网络构建方式：空间功能脑网络和降噪功能脑网络。其中空间功能脑网络是考虑到距离越近的大脑区域往往有更紧密的联系和相似之处，因此可以通过k近邻建立每个脑区周围相连接脑区的数目，其次对相邻的脑区进行相关性估计，得到一个较为稀疏的脑网络。本文认为由于稀疏的脑网络中噪声相对较少，所以稀疏的脑网络对于脑连接降低造成的脑部疾病更具识别性。另一种降噪功能脑网络则是考虑到获取的rs-fMRI含有噪声，预处理的过程不能全然去除噪声，因此从降噪的角度出发，将获取得到的信号在构建脑网络的同时通过降维来去除噪声，与主成分分析不同，模型在降维的同时保持固定的内部结构，该模型对异常值不敏感。为了验证构建两种脑网络模型的有效性，本文基于患有轻度认知障碍的公共数据集，利用所提出的功能脑网络方法建立所有受试者的脑网络，并通过支持向量机进行分类，采用留一法进行交叉验证，同时训练集内部同样选用留一法来进行最优的参数选择。结果表明，与经典的构建功能脑网络的方式（皮尔森相关、稀疏表示）相比，本文提出的方法构建的脑网络在分类精度、敏感度和特异性指标上有显著提高，其中空间功能脑网络分类精度为88.32%，降噪功能脑网络分类精度为89.54%。同时本文在不同显著性水平下进行了参数敏感性实验，实验表明本文提出的两个模型均优于经典的脑网络模型，其中空间功能脑网络受参数影响最小。 2.本文提出了一个多变量线性回归模型，基于脑网络估计人格的大五因素得分。人格特质的因素之间不是独立正交的，而是具有相关性，本文通过考虑因素之间的相关性，在模型中引入一个可以根据功能脑网络数据自动更新的因素相似性矩阵联合预测人格特质的多个因素得分，然后在一个统一的框架内实现多元线性回归、特征选择和因素关系学习。最后，设计了一种交替优化算法来求解所提出的模型中的两个变量参数，并基于人类连接体项目的影像数据和大五因素得分数据，通过五折交叉验证的测试方法进行测试，内五折交叉验证来获得最优参数。实验结果表明，该模型具有自动学习因素关系的效果，另外该方法比单变量线性回归模型和弹性网络回归模型具有更高的预测精准率。单变量线性回归模型的平均绝对误差为5.3671，弹性网络回归模型为4.7801，而多变量线性回归模型的误差为3.2598。同时求解该模型得到的因素相似性矩阵能够反映出哪些因素之间的相关性较强。
NETL