论文总字数：30662字

摘 要

随着社会压力逐渐增大，抑郁症的发病率逐渐增加，并有着向低龄化发展的趋势。若不能及时正确诊断抑郁症，将带来大量的社会问题，阻碍社会发展，因此抑郁症防治已被列入全国精神卫生工作重点，如何准确高效地对患者完成抑郁症的诊断是一个现实而亟待解决的问题。

本文希望探索机器学习技术和功能磁共振成像构建脑网络的技术在抑郁症诊断工作上的可行性和有效性，即使用支持向量机算法，对功能磁共振成像通过特征提取得到的功能脑网络进行分类，能够有效的完成对抑郁症患者进行诊断的工作。其中，抑郁症可分为药物可控型抑郁症和药物不可控型抑郁症。

本文使用东南大学附属中大医院提供的抑郁症数据，将fMRI图像进行功能提取得到结构化的数据作为训练数据，并使用支持向量机作为分类的方法，通过训练得到分类模型。实验过程中对比不同特征提取方案和不同参数得到的模型的准确率，选取最优特征提取方案和参数构建分类模型。使用最终的分类模型对未知样本进行分类诊断，对健康人群和抑郁症患者分类的准确率为71.97%，对健康人群，药物可控型抑郁症，药物不可控型抑郁症进行三分类的准确率为49.24%。实验表明，以功能磁共振成像通过特征提取得到的功能脑网络作为输入数据，应用支持向量机算法进行分类，能够较准确地对抑郁症患者进行诊断。

关键词：SVM，分类，抑郁症，fMRI

Abstract

With the gradual increase of social pressure, the incidence of depression gradually increased, and there is a trend towards younger age who suffer from depression. If depression cannot be diagnosed correctly in time, it will bring a large number of social problems and impede social development. Therefore, the prevention and treatment of depression has been listed as the key point of the national mental health work. It is a realistic and urgent problem to diagnose depression accurately and efficiently.

In this paper, we hope to explore the feasibility and effectiveness of machine learning technology and the construction of brain network with fMRI in the diagnosis of depression. The experiment shows that the functional brain network (fMRI) which is classified by the support vector machine (SVM), can effectively diagnose the depressive patients. Among them, depression can be divided into responsive depression and non-responsive depression.

In this paper, we use the depression data provided by Zhongda Hospital Affiliated to Southeast University. We extract the fMRI image as the training data, and use the support vector machine as the classification method, and get the classification model by training. In the process of experiment, we compare the accuracy of different feature extraction schemes and different parameters, and select the best feature extraction scheme and parameters to build the classification model. The final classification model was used to classify the unknown samples. The accuracy of classification for healthy people and depressive patients was 71.97%. The accuracy of classification for healthy people, responsive depression and non-responsive depression was 49.24%. The experiment shows that the functional brain network, which is extracted from the fMRI image as the input data, is classified by the SVM algorithm and can be used to diagnose the depressive patients more accurately.

KEY WORDS: SVM, classification, depression, fMRI

目录

摘要 I

Abstract II

第一章 绪论 2

1.1 研究背景和意义 2

1.2 国内外研究现状 2

1.3 论文结构组织 3

第二章 支持向量机基础介绍 4

2.1 几何间隔和函数间隔 4

2.2 线性可分离 SVM 分类器 4

2.3 线性不可分离 SVM 分类器——软间隔 7

2.4 非线性且不可分离 SVM 分类器——核函数 8

2.5 一对一支持向量机 (one-against-one SVM , OAOSVM) 9

2.6 过拟合与欠拟合 10

2.6.1 欠拟合 10

2.6.2 过拟合 10

第三章 基于功能脑网络的抑郁症分类 12

3.1 医学成像方式 12

3.2 功能脑网络 12

3.2.1 大脑图谱 13

3.2.2 皮尔森相关系数 13

3.3 实验方法 14

3.3.1 数据处理 15

3.3.2 分类方法 19

第四章 实验结果与分析 20

4.1 数据来源 20

4.2 图像预处理 20

4.3 使用k折交叉验证检测模型效果 21

4.4 参数设置 21

4.4.1 不同核函数下不同参数对分类的影响 21

4.4.2 不同altas和特征值对分类的影响 28

第五章 总结与展望 31

5.1 总结 31

5.2 展望 31

致谢 33

参考文献 34

绪论

研究背景和意义

抑郁症是一种存在高自杀率的精神疾病，其患者通常存在情绪低落、内心压抑等日常表现，不愿意甚至拒绝与人沟通自己的内心情感。抑郁症患者需要及时接受诊断，一旦错过治疗时机，将会对患者及患者家属造成难以弥补的伤害。主要的危害有：引起失眠、诱发其他疾病、引发思维障碍、增加治疗难度、打乱免疫系统、缩短寿命、加重经济负担、存在自杀念头或行为等。

随着社会竞争的日益激烈，抑郁症的发病率显著增加且呈逐年增长的趋势，相关资料显示，现阶段中国的抑郁症患者人数已超过世界平均，达到6.9%，远超过全球抑郁症发病率，并且出现低龄化趋势，广泛存在于大学生甚至中小学生群体中，这将会带来大量的社会问题[1]。根据全球疾病负担(GBD)研究显示, 以伤残损失健康生命年（years lived with disability， YLD）作为疾病负担指标,精神/神经疾病占所有疾病负担的第一位, 而其中抑郁症占据精神/神经疾病的首位[2]。我国抑郁症的医疗防治工作还处在初级阶段，目前存在识别率低，治疗率低等问题，据统计，地级市以上的医院对其识别率不足20%，接受相关的药物治疗的患者不足10%。目前，全国精神卫生工作对抑郁症防治愈发重视，如何及时并正确地诊断抑郁症成为研究重点。

国内外研究现状

近年来, 静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rsfMRI）已被广泛用于说明与抑郁症（Major Depressive Disorder ，MDD）相关的功能脑网络改变[3]。

剩余内容已隐藏，请支付后下载全文，论文总字数：30662字