Page 104 - 心理健康及心理危机

Mental Health and Psychological Crisis
心理健康及心理危机

90.4%。张超等基于多任务学习特征选择方法与极限学习机（extreme learning

macchine，ELM）分类轻度认知障碍（mild cognitive impairment，MCI）和正常老
人，分类正确率最高达 88.10%。李慧卓等选择双侧海马体积及 ALFF 作为分类
特征，采用 Adaboost 集成分类器对 AD 与 MCI、MCI 与 NC、AD 与 NC 进行分类，

正确率分别达 98.08%、80.36% 和 100%。在基于深度学习模型的研究中，吕鸿
蒙等提出了一种增强的 AlexNet 网络模型，在 ADNI 数据库上对 AD 与 MCI、
MCI 与 NC、AD 与 NC 进行分类，正确率分别达 90.52%、84.80% 和 96.14%。
2. 注意力缺陷多动障碍
Dai 等采用融合多模态神经影像特征的 ADHD 分类框架，分别从结构 MRI

和 fMRI 中提取 4 种特征，并基于 MKL 融合 4 种特征训练出一个多核分类器，
并在 ADHD-200 数据集上取得了 61.54% 的分类正确率。朱莉等采用一种基于粗
分割和深度学习的 ADHD 分类算法，首先对 ADHD-200 数据集的脑部 MRI 进行

头骨剥离、高斯核平滑等预处理；其次对大脑的右侧尾状核、左侧楔前叶和左侧
额上回部位的 MRI 进行粗分割；最后利用 3 层卷积神经网络模型进行分类，在
右侧尾状核脑区处进行分类，最高正确率可达 77.27%。在基于深度学习模型的
研究中，Kuang 等将 ADHD-200 数据集的 fMRI 数据基于 brodmann 模板划分为

48 个区域，然后采用 DBN 模型进行分类，最后基于扣带回皮质的特征取得了最
高 72.73% 的分类正确率。
3. 抽动秽语综合征
Greene 等基于全脑静息态 FC 特征，应用多变量模式分析（multivariate

pattern analysis，MVPA）自动分类42例TS患儿与42名年龄、性别匹配的健康儿童，
分类正确率达 74%。Liao 等应用同源体素功能连接（voxel-mirrored homotopic
connectivity，VMHC）分析 TS 男孩皮层下的双侧大脑半球同源脑区间 FC 与正
常男孩的差异，然后基于有显著差异的 VMHC 为特征，应用 MVPA 方法分类 24

例 TS 男孩与 32 名健康男孩，分类正确率高达 92.86%。
Wen 等提出采用相似网络融合（similarity network fusion，SNF）算法构建每
个受试者多稀疏度融合的脑网络，并基于图论分析和 SVM 自动分类 TS 患儿和
正常儿童，最终分别基于融合后的结构和功能网络取得了 89.13% 和 88.79% 的

高分类正确率。此外，Wen 等基于多模态神经影像提取多类型灰白质特征，并采
用多核学习分类器为每种特征的核函数分配权重，融合全部特征自动分类 44 例

92