计算机应用

作者：孔伶旭, 吴海锋, 曾玉, 陆小玲

单位：1. 云南民族大学 电气信息工程学院, 昆明 650500;2. 云南省高校智能传感网络及信息系统科技创新团队(云南民族大学), 昆明 650500

关键词：静息态功能核磁共振成像,轻微认知障碍,功能性连接,多通道经验模态分解,深度学习

基金：国家自然科学基金资助项目（61762093）；云南省重点应用和基础研究基金资助项目（2018FA036）；云南省教育厅科学研究基金资助项目（2020Y0238）；云南省高校科技创新团队。

准确诊断轻微认知障碍（MCI）对于阿尔兹海默症（AD）的预防和治疗十分关键，目前常使用深度学习和静息态功能核磁共振成像（rs-fMRI）对MCI进行辅助诊断。皮尔逊（Pearson）相关法和加窗的皮尔逊（WP）相关法能在时间维度上表示脑功能性连接（FC），但不能将不同频率维度上的信息进行分解表示。针对这一问题，提出将不同频率维度的FC系数作为现有深度学习的特征输入的方法，以提高MCI分类准确率。首先将被试的数据进行拼接后进行多通道经验模态分解（MEMD），然后通过切割求得不同频率维度上的FC系数，最后使用VGG16和长短期记忆（LSTM）网络进行测试。实验结果表明，使用所提出的FC系数时，MCI的分类准确率最高可达84.33%，相较使用传统FC系数时的准确率提高了18.33~21.00个百分点；而且不同频率维度的FC系数对MCI有着不同的分辨率。

来源：2021年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第2期