[发明专利]一种基于支持向量回归的认知功能状态预测方法

权利要求书

1.一种基于支持向量回归的认知功能状态预测方法，其特征在于：包括

步骤S1：采集被试者认知功能量表评分；

步骤S2：采集被试者功能磁共振图像，基于功能磁共振图像构建大脑功能网络，提取出拓扑指标作为备选特征集合；

步骤S3：基于统计学方法对备选特征集合进行筛选，获得特征集合；

步骤S4：将特征集合中的特征进行线性融合，获得融合特征；融合特征为模型的输入；

步骤S5：基于融合特征和认知功能量表评分构建数据集；

步骤S6：以支持向量回归为基础构建认知功能状态预测模型，采用全局迭代寻优方法对预测模型的惩罚因子和径向基函数参数进行寻取和替换，并在模型的初始化阶段对参数进行替换，最后用替换关键参数之后的模型来输出被试者的预测结果。

2.根据权利要求1所述的基于支持向量回归的认知功能状态预测方法，其特征在于：步骤S1中，采用蒙特利尔认知功能评估量表评估被试者的认知功能，记录所有被试者的蒙特利尔认知功能评估量表评分，将评分作为衡量每位被试者认知功能状态的量化指标。

3.根据权利要求1所述的基于支持向量回归的认知功能状态预测方法，其特征在于：步骤S2包括：

步骤S2.1：采集每位被试者的功能磁共振图像；

步骤S2.2：对功能磁共振图像进行预处理，获得时间序列；

步骤S2.3：选定大脑分区模板对预处理后的功能磁共振图像进行划分，每个脑区对应一组时间序列；计算两两脑区时间序列之间的相关系数，得到一个对角线上全为1的相关矩阵D；在对相关矩阵D中的各个元素进行费希尔变化，使其中的每个元素都满足正态分布的矩阵E；最后通过设置阈值的方式将矩阵E转换为元素只取0或1的布尔矩阵F，即大脑功能网络；步骤S2.4：从大脑功能网络提取拓扑指标，计算在矩阵稀疏度范围内各个拓扑指标对应的被试者工作特征曲线下面积作为备选特征集合。

4.根据权利要求3所述的基于支持向量回归的认知功能状态预测方法，其特征在于：步骤S2.2中，对功能磁共振图像进行预处理，包括：

首先，转换图像格式，并删去检查仪器和被试者进入稳定状态所需的时间点；

随后，进行时间校正、头动校正、空间标准化和空间平滑操作得到时间序列；

最后，对时间序列进行带通滤波，并除去线性漂移、头部运动参数、白质和脑脊液平均血氧信号的时间序列，得到最终的时间序列。

5.根据权利要求3所述的基于支持向量回归的认知功能状态预测方法，其特征在于：步骤S2.4中，拓扑指标包括：全局效率、局部效率、聚类系数、特征路径长度、标准化聚集系数、最短路径长度及小世界属性。

6.根据权利要求1所述的基于支持向量回归的认知功能状态预测方法，其特征在于：步骤S3包括：

步骤S3.1：基于统计学中的相关分析方法，计算备选特征集合中每个元素与认知功能量表评分之间的相关性和t值；

步骤S3.2：根据得到t的数值来查阅t分布表得到对应的P值，并通过P值来判断相关系数是否显著；将显著相关的拓扑指标选出作为备选特征集合；

步骤S3.3：对所有的P值进行多重假设检验校正，保留校正之后仍具有统计学意义的部分作为最终的特征集合。

7.根据权利要求6所述的基于支持向量回归的认知功能状态预测方法，其特征在于：步骤S3.1具体为：

使用统计学中的相关分析方法，分别计算备选特征集合与认知功能量表评分之间的相关性和t值；

式中，m表示样本数量，即被试者数量；n表示特征集合中的元素个数；Y＝(y₁,y₂,...,y_m)^T表示所有被试者的认知功能量表评分，其中，y_m表示第m个被试者的认知功能量表评分；W表示备选特征集合；ρ_W,Y表示W和Y之间的相关系数，即备选特征集合中各个元素的与认知功能量表评分之间的相关系数；cov(W,Y)表示W和Y之间的协方差；σ_W和σ_Y分别表示W和Y的标准差。