[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

说明书

本发明涉及一种基于支持向量回归的认知功能状态预测方法，步骤包括：采集被试者认知功能量表评分；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；基于统计学方法对备选特征集合进行筛选，对筛选后特征的进行融合，用融合后的特征和每个被试者对应的认知功能量表评分组成数据集；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。本发明预测准确性高。

技术领域

本发明涉及生物医学信息技术领域，尤其涉及一种基于支持向量回归的认知功能状态预测方法。

背景技术

大脑是由数量巨大的神经元构成，也是人体内结构和功能最复杂的器官。在世界各国都大力发展脑科学的背景下，进一步揭示大脑结构和功能成为了相关研究人员追逐的热点。近年来神经影像技术的蓬勃发展，为研究大脑结构和功能提供了一个新的视角。机器学习算法具有从已有的案例中分析、总结出规律，并且根据规律对未来的现象进行预测的优点。大量的大脑影像数据样本，为研究者通过机器学习模型对人们的认知功能状态进行预测创造了数据基础。

目前，认知功能评估量表评分被广泛用于评估认知功能状态。该方法虽然有操作简单，测试时间短等优点，但其仍然有易受被试者教育水平、情绪状态和测试人员水平影响的缺点。有研究表明，认知功能状态与大脑功能网络中的一些拓扑属性存在关联。故以功能磁共振图像为数据基础而展开的大脑功能网络研究，收到了研究人员的追捧。大脑功能网络为研究认知功能状态和大脑功能网络之间的关系，提供了一个全新的视角。

随着机器学习在大脑影像研究中的广泛应用，结合机器学习算法构建一个不受外界因素干扰的认知功能状态预测模型成为现实。由于传统机器学习算法中参数很多，在初始化阶段需要对其中的关键参数进行不断调整，达到一个较为准确的预测结果。这一参数调整过程不仅需要花费大量的时间，而且还要依赖调试人员的经验，这对于预测模型而言不容忽视。目前可以通过寻优算法来解决这一问题，但是传统寻优算法容易陷入局部最优，导致模型的预测精度存在波动。

发明内容

本发明的目的是为了提供一种基于支持向量回归的认知功能状态预测方法，提高预测精度。

为解决以上技术问题，本发明的技术方案为：

一种基于支持向量回归的认知功能状态预测方法，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。

进一步地，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。

进一步地，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；