杜海鹏,邵立珍,张冬辉
北京科技大学自动化学院工业过程知识自动化教育部重点实验室, 北京 100083
注意力缺陷多动障碍(Attention deficit hyperactivity disorder, ADHD)是儿童期最常见的精神疾病之一,在大多数情况下持续到成年期. ADHD在DSM-5中被定义为神经发育障碍,主要表现为注意力缺陷,过度活动和行为冲动等症状[1]. 据报道,全球儿童和青少年中ADHD的发病率为3.4%.ADHD的病因和发病机制尚不清楚,目前ADHD的诊断主要依赖于医生的主观经验. 因此,ADHD的客观诊断和有效治疗是神经科学领域的重要课题之一.
近年来,脑电图[2]、磁共振成像[3]和功能性磁共振成像[4]等技术已被用于ADHD的辅助诊断.其中,静息态功能磁共振成像(Resting state functional magnetic resonance imaging, rs-fMRI)在精神疾病的病理分析中显示出其特有的优势,不仅可以用于诊断ADHD,还可以用于诊断精神分裂症[4]和老年痴呆症[5].
研究者们提出了各种特征提取、选择和分类方法用于基于rs-fMRI的ADHD分类中. Castellanos等[6]发现fMRI的功能连接信息可以成为ADHD诊断的一个突出特征. Du等[7]提出了一种判别子网络的方法来对ADHD进行分类,该方法挖掘了来自全脑网络的判别子网络,并使用基于图核的PCA来提取特征. Qureshi等[8]计算了fMRI的全局连通图,并利用基于图谱的皮质分割的平均连通性度量作为分层极限学习机分类器的输入特征. Miao和Zhang[9]提出了一种基于权重的relief算法来获得rs-fMRI中低频波动分数幅度的特征子集. Riaz等[10]集成了非影像数据和影像数据的机器学习框架,研究ADHD和正常受试者之间功能连接的改变. 考虑到数据不平衡性,合成少……