大脑前额叶多通道近红外光谱信号数据的分类鉴别

doi:10.3969/j.issn.2095-4344.2014.20.014

中国组织工程研究 ›› 2014, Vol. 18 ›› Issue (20): 3190-3195.doi: 10.3969/j.issn.2095-4344.2014.20.014

• 组织构建基础实验 basic experiments in tissue construction • 上一篇下一篇

大脑前额叶多通道近红外光谱信号数据的分类鉴别

刘健哲¹，权文香²，吕彬¹，谢毅¹，董问天²

1工业和信息化部电信研究院，北京市 100083；2北京大学第六医院，北京市 100191

收稿日期:2014-04-09 出版日期:2014-05-14 发布日期:2014-05-14
通讯作者: 谢毅，博士，教授级高级工程师，工业和信息化部电信研究院，北京市 100083 并列通讯作者：董问天，博士，主任医师，北京大学第六医院，北京市 100191
作者简介:刘健哲，男，1989年生，浙江省缙云县人，汉族，2014年工业和信息化部电信研究院毕业，硕士，主要从事生物电磁学研究。并列第一作者：权文香，女，1971年生，汉族，北京大学毕业，博士，主要从事精神分裂症研究。
基金资助:
国家自然科学基金资助项目(61201066，61001159)

Discriminant analysis of multi-channel near-infrared spectroscopy signal data in the prefrontal lobe

Liu Jian-zhe¹, Quan Wen-xiang², Lv Bin¹, Xie Yi¹, Dong Wen-tian²

1China Academy of Telecommunication Research of MIIT, Beijing 100083, China; 2Peking University Sixth Hospital, Beijing 100191, China

Received:2014-04-09 Online:2014-05-14 Published:2014-05-14
Contact: Xie Yi, M.D., Professor, China Academy of Telecommunication Research of MIIT, Beijing 100083, China Corresponding author: Dong Wen-tian, M.D., Chief physician, Peking University Sixth Hospital, Beijing 100191, China
About author:Liu Jian-zhe, Master, China Academy of Telecommunication Research of MIIT, Beijing 100083, China Quan Wen-xiang, M.D., Peking University Sixth Hospital, Beijing 100191, China Liu Jian-zhe and Quan Wen-xiang contributed equally to this work.
Supported by:
the National Natural Science Foundation of China, No. 61201066, 61001159

摘要/Abstract

摘要：

背景：精神分裂症主要是通过症候学的方法进行诊断，近年来通过神经影像技术与模式识别的结合对精神分裂症患者与正常人进行鉴别的研究已经引起人们的兴趣。
目的：利用模式识别的方法对精神分裂症患者和正常人的大脑前额叶多通道近红外光谱信号数据进行分类鉴别，验证其可行性。
方法：使用言语流畅性测验作为激活任务，采集精神分裂症患者和正常人的大脑前额叶的近红外光谱信号数据。对采集数据进行预处理后计算各通道均值作为特征，计算接收者操作特征的曲线下方面积对通道特征进行分类性能排序，使用支持向量机按性能排序的特征组合做分类，然后用留一验证法计算分类性能指标，验证分类能力。
结果与结论：研究发现特征性能排序前8位的特征组合的准确度最高达到95.24%，并且这8个通道都位于右侧前额叶。推断右侧前额叶区域可能是影响精神分裂症患者的主要脑区，因此根据结果可以推断出近红外光谱数据通过与模式识别方法的结合可以成为辅助诊断精神分裂症病患者的一种手段。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

全文链接：

关键词: 组织构建, 组织工程, 精神分裂症, 近红外光谱, 支持向量机, 曲线下方面积, 国家自然科学基金

Abstract:

BACKGROUND: Psychiatric disorders such as schizophrenia are largely diagnosed on symptomatology. Recently pattern recognition approaches to the analysis of neuroimaging data such as the classification of patients and healthy controls have attracted people’s interest.
OBJECTIVE: To apply pattern recognition approaches to distinguish schizophrenia patients from healthy subjects with multi-channel prefrontal near-infrared spectroscopy signals, and to verify its feasibility.
METHODS: The near-infrared spectroscopy data were measured in the bilateral prefrontal areas of schizophrenia patients and healthy subjects during the Verbal Fluency Test task. After preprocessing, we calculated their mean values for each channel, and ranked the channel features based on the area under curve of the Receiver Operator Characteristic. Then, we trained support vector machine on the combinative features and applied Leave-One-Out-Cross-Validation method to verify the classification ability.
RESULTS AND CONCLUSION: Our study demonstrated that the combination of the top eight rank channel features could reach the classification accuracy up to 95.24%, and all these channels are located at the right lateral prefrontal cortex. It is inferred that, right lateral prefrontal cortex is the main dominant brain areas in
schizophrenia patients; the near-infrared spectroscopy of right lateral prefrontal cortex is a potential means for assistant diagnosis of schizophrenia patients.

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

全文链接：

Key words: schizophrenia, optics and photonics, prefrontal cortex, hemorheology

中图分类号:

R318

刘健哲，权文香，吕彬，谢毅，董问天. 大脑前额叶多通道近红外光谱信号数据的分类鉴别[J]. 中国组织工程研究, 2014, 18(20): 3190-3195.

Liu Jian-zhe, Quan Wen-xiang, Lv Bin, Xie Yi, Dong Wen-tian. Discriminant analysis of multi-channel near-infrared spectroscopy signal data in the prefrontal lobe[J]. Chinese Journal of Tissue Engineering Research, 2014, 18(20): 3190-3195.

图/表（结果） 1

参考文献

[1] Forbes NF, Carrick LA, McIntosh AM,et al.Working memory in schizophrenia: a meta-analysis.Psychol Med. 2009;39(6): 889-905.
[2] Lee J, Park S.Working memory impairments in schizophrenia: a meta-analysis.J Abnorm Psychol. 2005;114(4):599-611.
[3] Kay SR, Fiszbein A, Opler LA.The positive and negative syndrome scale (PANSS) for schizophrenia.Schizophr Bull. 1987;13(2):261-276.
[4] World Health organization．The global burden of disease：2004 update [R/OL]. (2008) [2012-10-16].
[5] Shenton ME, Dickey CC, Frumin M,et al. A review of MRI findings in schizophrenia.Schizophr Res. 2001;49(1-2):1-52.
[6] Manoach DS, Gollub RL, Benson ES,et al.Schizophrenic subjects show aberrant fMRI activation of dorsolateral prefrontal cortex and basal ganglia during working memory performance.Biol Psychiatry. 2000;48(2):99-109.
[7] Olabi B, Ellison-Wright I, McIntosh AM,et al. Are there progressive brain changes in schizophrenia? A meta-analysis of structural magnetic resonance imaging studies.Biol Psychiatry. 2011;70(1):88-96.
[8] Hoptman MJ, Zuo XN, Butler PD,et al.Amplitude of low-frequency oscillations in schizophrenia: a resting state fMRI study.Schizophr Res. 2010;117(1):13-20.
[9] Brüne M, Ozgürdal S, Ansorge N,et al.An fMRI study of "theory of mind" in at-risk states of psychosis: comparison with manifest schizophrenia and healthy controls.Neuroimage. 2011;55(1):329-337.
[10] Nieuwenhuis M, van Haren NE, Hulshoff Pol HE,et al.Classification of schizophrenia patients and healthy controls from structural MRI scans in two large independent samples.Neuroimage. 2012;61(3):606-612.
[11] Fan Y, Gur RE, Gur RC,et al.Unaffected family members and schizophrenia patients share brain structure patterns: a high-dimensional pattern classification study.Biol Psychiatry. 2008;63(1):118-124.
[12] Yoon JH, Nguyen DV, McVay LM,et al.Automated classification of fMRI during cognitive control identifies more severely disorganized subjects with schizophrenia.Schizophr Res. 2012;135(1-3):28-33.
[13] Jöbsis FF.Noninvasive, infrared monitoring of cerebral and myocardial oxygen sufficiency and circulatory parameters. Science. 1977;198(4323):1264-1267.
[14] Gervain J, Mehler J, Werker JF,et al.Near-infrared spectroscopy: a report from the McDonnell infant methodology consortium.Dev Cogn Neurosci. 2011;1(1):22-46.
[15] Lloyd-Fox S, Blasi A, Elwell CE.Illuminating the developing brain: the past, present and future of functional near infrared spectroscopy.Neurosci Biobehav Rev. 2010;34(3):269-284.
[16] Cui X, Bray S, Reiss AL.Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics.Neuroimage. 2010;49(4):3039-3046.
[17] Marumo K, Takizawa R, Kinou M,et al.Functional abnormalities in the left ventrolateral prefrontal cortex during a semantic fluency task, and their association with thought disorder in patients with schizophrenia.Neuroimage. 2014;85 Pt 1:518-526.
[18] Ikezawa K, Iwase M, Ishii R,et al.Impaired regional hemodynamic response in schizophrenia during multiple prefrontal activation tasks: a two-channel near-infrared spectroscopy study.Schizophr Res. 2009;108(1-3):93-103.
[19] Azechi M, Iwase M, Ikezawa K,et al.Discriminant analysis in schizophrenia and healthy subjects using prefrontal activation during frontal lobe tasks: a near-infrared spectroscopy. Schizophr Res. 2010;117(1):52-60.
[20] Hahn T, Marquand AF, Plichta MM,et al.A novel approach to probabilistic biomarker-based classification using functional near-infrared spectroscopy.Hum Brain Mapp. 2013;34(5): 1102-1114.
[21] Villringer A, Chance B.Non-invasive optical spectroscopy and imaging of human brain function.Trends Neurosci. 1997; 20(10): 435-442.
[22] Hock C, Villringer K, Müller-Spahn F,et al.Decrease in parietal cerebral hemoglobin oxygenation during performance of a verbal fluency task in patients with Alzheimer's disease monitored by means of near-infrared spectroscopy (NIRS)--correlation with simultaneous rCBF-PET measurements.Brain Res. 1997;755(2):293-303.
[23] Hoshi Y, Kobayashi N, Tamura M.Interpretation of near-infrared spectroscopy signals: a study with a newly developed perfused rat brain model.J Appl Physiol (1985). 2001;90(5):1657-1662.
[24] Nakahachi T, Ishii R, Iwase M,et al.Frontal activity during the digit symbol substitution test determined by multichannel near-infrared spectroscopy.Neuropsychobiology. 2008;57(4): 151-158.
[25] Suto T, Fukuda M, Ito M,et al.Multichannel near-infrared spectroscopy in depression and schizophrenia: cognitive brain activation study.Biol Psychiatry. 2004;55(5):501-511.
[26] Boser BE, Guyon I,Vapnik V. A training algorithm for optimal marginclassifiers. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory. 1992: 144-152.
[27] Vapnik V. The Nature of Statistical Learning Theory[M]. New York:John Wiley & SonsInc.,1998.
[28] Zweig MH, Campbell G.Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clin Chem. 1993;39(4):561-577.
[29] Hanley JA.Receiver operating characteristic (ROC) methodology: the state of the art.Crit Rev Diagn Imaging. 1989;29(3):307-335.
[30] Hanley JA, McNeil BJ.A method of comparing the areas under receiver operating characteristic curves derived from the same cases.Radiology. 1983;148(3):839-843.
[31] Bradley AP. The Use of the Area under the ROC Curve in the Evaluation of Machine learning Algorithms. Pattern Recognition. 1997; 30(7): 1145-1159.
[32] Weinberger DR, Berman KF, Zec RF.Physiologic dysfunction of dorsolateral prefrontal cortex in schizophrenia. I. Regional cerebral blood flow evidence.Arch Gen Psychiatry. 1986;43(2): 114-124.
[33] Callicott JH, Bertolino A, Mattay VS,et al.Physiological dysfunction of the dorsolateral prefrontal cortex in schizophrenia revisited.Cereb Cortex. 2000;10(11):1078- 1092.
[34] Mika S, Ratsch G, Weston J, et al. Fisher discriminant analysis with kernels [M]. New York:Neural Networks for Signal Processing IX. 1999: 41-48.
[35] Ince NF, Goksu F, Pellizzer G,et al.Selection of spectro-temporal patterns in multichannel MEG with support vector machines for schizophrenia classification.Conf Proc IEEE Eng Med Biol Soc. 2008;2008:3554-3557.
[36] Fan Y, Shen D, Davatzikos C.Classification of structural images via high-dimensional image warping, robust feature extraction, and SVM.Med Image Comput Comput Assist Interv. 2005;8(Pt 1):1-8.
[37] Wu Q. The hybrid forecasting model based on chaotic mapping, genetic algorithm and support vector machine. Expert Syst Appl.2010;37(2):1776-1783.
[38] 曹蕾,黎维娟,冯前进. 基于LDA和SVM的肺结节CT图像自动检测与诊断[J].南方医科大学学报,2011,31(2):324-328.
[39] Abdi H, Williams LJ. Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics.2010;2(4): 433-459.

引言

精神分裂症是一种复发率高、致残率高的慢性迁延性精神科疾病^[1]。精神分裂症患者常出现幻觉、幻听以及思维紊乱等症状，并存在多种认知缺陷^[2-3]。根据世界卫生组织(World Health Organization，WHO)2004年的调查结果显示，全球精神分裂症患病率为4%^[4]。

之前的一些研究应用神经影像技术，已经发现精神分裂症患者存在着不同程度上的大脑结构异常和功能紊乱的现象^[5-6]。基于结构核磁图像和扩散张量成像，研究人员发现精神分裂症患者的额叶灰质和脑容量等比正常人低^[7]；Hoptman等^[8]应用功能磁共振成像发现精神分裂症患者的低频振荡幅度存在异常，Brüne等^[9]则通过功能核磁图像发现正常人比精神分裂症患者展现出了更强的心理理论状态。近几年，人们尝试应用模式识别的一些处理方法，分析各种神经影像信号特征，进行疾病的预测与分类诊断研究。在精神分裂症方面，已经有人通过结构核磁共振^[10-11]，功能核磁图像等^[12]，进行了有益的尝试，并取得了初步的成果。

近红外光谱(near-infrared spectroscopy，NIRS)为新出现的一种无痛无创的光学成像技术，可通过检测脑组织静脉血液中的氧合血红蛋白(oxy-Hb)、还原血红蛋白(deoxy-Hb)和总血红蛋白浓度(total-Hb)，实时观察脑部局部血流情况^[13]。相对其他神经影像手段，近红外光谱技术具有时间分辨率高、测量方便等优势，并且测量过程中人为的运动也不会导致数据的严重失真^[14-16]。有研究发现在语义流畅性测验过程中，精神分裂症患者左腹侧额叶区域的NIRS信号有异常^[17-18]。此外，Azechi等^[19]应用线性判别式分析两通道的NIRS信号分别对30个正常人和30个精神分裂症患者进行分类，发现分类准确度最高可达到88.3%，最近，Hahn等^[20]应用高斯过程分类器对精神分裂症患者的NIRS信号进行分类鉴别，也获得了良好的分类性能。

本研究将以语义流畅性测验作为刺激模式，应用多通道NIRS采集人脑前额叶部位的血流信号，提取有效分类特征，选用支持向量机(support vector machine，SVM)方法对精神分裂症患者和正常人群进行鉴别验证，试图为临床诊断精神分裂症提供有效的基于NIRS信号的辅助分类诊断方法。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

全文链接：

材料方法

1 对象和方法 Subjects and methods

设计：病例-对照分析。

时间及地点：于2011年7月至2012年5月在北京大学第六医院收集资料。

对象：入组的精神分裂症患者为2011年7月至2012年5月期间就诊于北京大学第六医院的住院患者。纳入标准：①符合美国精神障碍诊断统计手册第四版(Diagnostic and Statistical Manual of Mental Disorders, Fourth Edition, DSM-Ⅳ)精神分裂症诊断标准。②年龄18-60岁。③所有受试者均为右利手。排除标准：①伴精神发育迟滞或脑器质性疾病及其他心、肝、肾等严重躯体疾病患者。②严重衰退或冲动兴奋不合作。③孕期或哺乳期妇女。共入组21例，平均年龄(34±1)岁，平均受教育年限(14.0±0.3)年，其中男10例，女11例。抗精神病药物治疗情况：所有精神分裂症患者服药量折合氯丙嗪后的平均药量为475.29 mg/d。平均发病年龄(25.0±0.8)岁，平均病程(9.7±0.9)年。

正常对照组为2011年7月至2012年5月期间就诊于北京大学第六医院的健康体检者，在年龄和性别上与精神分裂症组相匹配。纳入标准：①不符合DSM-Ⅳ任一精神疾病的诊断标准。②年龄18-60岁。③所有受试者均为右利手。排除标准：①伴精神发育迟滞或脑器质性疾病及其他心、肝、肾等严重躯体疾病患者。②有精神病家族史者。③孕期或哺乳期妇女。共入组21名，其中男13名，女8名，平均年龄(37±1)岁，平均受教育年限(15.0±0.4)年。

该研究方案已经通过北京大学第六医院伦理委员会的批准，所有被试对象均自愿签署知情同意书。两组被试年龄、受教育年限比较差异均无显著性意义(t=-1.86，P=0.065；t=-1.15，P=0.251)。

方法：

语义流畅性测验及NIRS信号采集：目前为止应用于NIRS检测认知激活任务很多，但代表性方法以语义流畅性测验为主。VFT方法是一种复杂的认知活动，包括被试者从记忆中选择适合的语言、且记住已说出的语言、对不适合的语言需要抑制、应对认知激活的注意力的维持等。VFT作为激活额叶的一种检测方法应用到fMRI或PET检查。

测试在安静的环境下进行，被试测试前情绪稳定，检测过程中不能随意移动头部姿势，目光注视距离被试1 m的电脑屏幕上的十字，电脑屏幕为14寸大小，分辨率为 1 024×768象素，十字为10 cm×10 cm大小的黑色宋体。测试分为3个部分：第一部分为30 s等待时间，患者从1至5重复数数；第二部分为90 s刺激时间，期间给出“白，天，大”3个字，让患者以给出字为首组成词语，每个字的时间为30 s；最后一部分为70 s的放松时间，同第一部分重复数数。

实验中，采用日立公司的ETG400型脑功能定量成像装置仪进行信号采集。NIRS设备共有52个通道，通道示意图见图1，测量深度为2.0-3.0 cm的大脑前额叶皮质部位^[21-22]。NIRS信号的采集频率为10 Hz，每次采集都包括oxy-Hb、deoxy-Hb和total-Hb 3种类型数据。之前一些研究表明NIRS信号中，oxy-Hb是区域性脑血流最敏感的指示信号^[23]，而且也有许多研究表明由认知任务引起的脑部的血液流变学参数变化是一种稳定的脑部氧合参数^[24-25]，因此，作者将使用刺激时间阶段的oxy-Hb数据作为特征数据进行后续分析。

数据处理：支持向量机分类方法：对于一组训练样本(x_i, y_i)，i=1，…，l，x_i∈Rⁿ，y∈{1，-1}^l，支持向量机(Support Vector Machine，SVM)^[26-27]需要解决以下优化问题：

其中Φ(x_i)将训练样本映射到高维空间中，SVM在这个高维空间中寻找一个超平面对样本进行分类，C代表分类错误的惩罚因子。而K(x_i, x_j)≡ Φ叫做核函数，核函数有很多种，如线性核、多项式核、sigmoid核等，本文使用高斯核。(x_i)^TΦ(x_j)

留一法交叉验证：留一法交叉验证(Leave One Out Cross Validation，LOOCV)是一种验证普遍性和评估分类准确度的方法^[15]。对拥有l 组样本数据的留一法过程如下：每次循环过程中，将1组样本数据留下做待验证组，其余l-1组样本数据用于训练分类器，并用留下的1组待验证数据作为分类器输入进行分类验证，循环l 次分别求得每组样本的分类结果，计算被正确分类的样本个数与总样本个数的比值可以得到留一验证法的分类准确度。

接收者操作特征曲线与曲线下面积：接收者操作特征(receiver operating characteristic, ROC)曲线是一种描述分类性能的功能图像^[28-29]。ROC曲线可以通过计算真阳性率(true positive rate，TPR)和假阳性率(false positive rate，FPR)来实现。直观上，真阳性率代表能将正例分类正确的概率，假阳性率代表将负例错分为正例的概率，在本实验中真阳性率代表正常人被正确分类为正常人的比例，假阳性率代表精神分裂症患者被错误的分类为正常人的比例。在接收者操作特征空间中，每个点的横坐标是假阳性率，纵坐标是真阳性率，这也就描绘了分类器在真正的正例(true positive，TP)和错误的正例(false positive，FP)间的权衡。曲线下面积(area under curve, AUC)的值就是处于接收者操作特征曲线下方的那部分面积的大小。接收者操作特征图中较大的曲线下面积代表了较好的分类性能^[30-31]。

将52组通道数据在刺激时间阶段的NIRS信号均值作为分类器的输入特征，通过绘制每个特征的接收者操作特征曲线并计算其接收者操作特征曲线的曲线下面积，以曲线下面积作为特征性能的衡量指标，从而可以对通道特征进行性能排序。根据特征的性能排序对特征进行组合形成特征组，通过支持向量机对特征组进行分类，使用留一法验证不同组合的分类性能，选择出分类性能优异的特征组合，并观察通道的位置分布情况。

主要观察指标：根据特征的性能排序对特征进行组合形成特征组结合支持向量机进行分类，并计算在实验中真阳性率即正常人被正确分类为正常人的比例和假阳性率即精神分裂症患者被错误的分类为正常人的比例，以及总的分类准确度以综合评定分类方法对数据的分类效能。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

全文链接：

讨论

目前已有许多研究发现精神分裂症患者的大脑前额叶区域的异常，例如Weinberger发现的精神分裂症患者大脑前额叶区域的局部脑血流异常，以及Callicott等^[32-33]通过功能核磁图像发现精神分裂症患者的前额叶异常导致工作记忆的生理反应异常。并且Azechi等^[19]发现语义流畅性实验过程中的NIRS信号能够有效的对精神分裂患者进行鉴别。因此本研究通过对语义流畅性测验过程中大脑前额叶的多通道NIRS信号进行特征选择、支持向量机分类以及留一法验证，发现将数个通道的NIRS信号进行组合，能实现对精神分裂症患者和正常人的较强分类能力，分类准确度最高可达95.24%。并且通过特征选择筛选性能较好的通道特征，观察到分类性能更佳的NIRS信号位于大脑前额叶区域。

Azechi等采用线性鉴别分析(Linear Discriminant Analysis, LDA)的分类方法结合双通道的NIRS信号数据对精神分裂症患者和正常人进行分类^[34]，但是只使用了双通道的近红外光谱设备采集数据，无法覆盖整个脑区，对结论的分析具有一定的局限性。本文使用了52通道的NIRS信号，数据量更为丰富，可以计算多种通道组合的分类性能，对比单通道的分类性能，发现对通道特征进行合理的组合可以有效的提高分类性能。

支持向量机作为当前模式识别中广泛使用的分类器，已经有相关研究使用支持向量机对多通道脑磁图和结构核磁图像进行精神分裂症患者和正常人的鉴别^[35-36]，并且取得了一定的成果。支持向量机相比于Hahn等使用的高斯过程分类器与Azechi等采用的LDA分类器，在解决小样本和非线性的模式识别中表现出许多特有的优势^[37-38]。

本文的研究也存在一些局限性，例如没有考虑药物对实验者大脑前额叶的影响，以及对认知实验过程的影响。在结论中发现大脑右侧前额叶区域对精神分裂症患者和正常人的鉴别度较大，但是大脑其他区域可能对精神分裂症患者的影响无法直接从近红外光谱数据中直接体现，因此在未来的研究中与其他方法如MRI，脑电的技术相结合对更多区域进行更深度分析。本实验中的样本数据较小，共42组样本数据，虽然获得了非常高的分类准确度但是在普遍性意义上还有进一步研究的价值，在后续的实验研究中可以通过对更多样本数据进行分析以获得更具普遍性的结论。

在今后的研究中，可以进一步研究提取NIRS信号通道间的关联性作为特征分类的可能性，例如对支持向量机分类器的参数进行优化进一步提升分类鉴别的性能，由于在数据处理过程中发现大脑前额叶部位对精神分裂症可能起主要影响，因此针对大脑右侧前额叶区域的进一步探究具有非常大的理论及应用价值，例如可以对右侧前额叶区域的通道数据进行如主成分分析(principal component analysis，PCA)等特征提取的方法提取数据的主要特征而进行针对性的分析计算^[39]。从而推进基于NIRS信号在临床上辅助诊断鉴别精神分裂症病等。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

全文链接：

大脑前额叶多通道近红外光谱信号数据的分类鉴别

Discriminant analysis of multi-channel near-infrared spectroscopy signal data in the prefrontal lobe

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表（结果） 1

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	张同同, 王中华, 文杰, 宋玉鑫, 刘林. 3D打印模型在颈椎肿瘤手术切除与重建中的应用[J]. 中国组织工程研究, 2021, 25(9): 1335-1339.
[2]	曾燕华, 郝延磊. 许旺细胞体外培养及纯化的系统性综述[J]. 中国组织工程研究, 2021, 25(7): 1135-1141.
[3]	徐东紫, 张婷, 欧阳昭连. 心脏组织工程领域全球专利竞争态势分析[J]. 中国组织工程研究, 2021, 25(5): 807-812.
[4]	吴子健, 胡昭端, 谢有琼, 王峰, 李佳, 李柏村, 蔡国伟, 彭锐. 3D打印技术与骨组织工程研究文献计量及研究热点可视化分析[J]. 中国组织工程研究, 2021, 25(4): 564-569.
[5]	常文辽, 赵杰, 孙晓亮, 王锟, 吴国锋, 周剑, 李树祥, 孙晗. 人工骨膜的材料选择、理论设计及生物仿生功能[J]. 中国组织工程研究, 2021, 25(4): 600-606.
[6]	刘旒, 周箐竹, 龚桌, 刘博言, 杨斌, 赵娴. 胶原/无机材料构建组织工程骨的特点及制造技术[J]. 中国组织工程研究, 2021, 25(4): 607-613.
[7]	刘飞, 崔宇韬, 刘贺. 局部抗生素递送系统治疗骨髓炎的优势与问题[J]. 中国组织工程研究, 2021, 25(4): 614-620.
[8]	李晓壮, 段浩, 王伟舟, 唐志宏, 王旸昊, 何飞. 骨组织工程材料治疗骨缺损疾病在体内实验中的应用[J]. 中国组织工程研究, 2021, 25(4): 626-631.
[9]	张振坤, 李喆, 李亚, 王莹莹, 王亚苹, 周馨魁, 马珊珊, 关方霞. 海藻酸盐基水凝胶/敷料在创面愈合中的应用：持续、动态与顺序释放[J]. 中国组织工程研究, 2021, 25(4): 638-643.
[10]	陈佳娜, 邱燕玲, 聂敏海, 刘旭倩. 组织工程支架材料修复口腔颌面部软组织缺损[J]. 中国组织工程研究, 2021, 25(4): 644-650.
[11]	邢浩, 张永红, 王栋. 长骨大段骨缺损修复方法的优势与不足[J]. 中国组织工程研究, 2021, 25(3): 426-430.
[12]	江丽红, 吴晓锋, 欧阳林, 罗爱芳, 黄丽. 基于代谢组学腰椎间盘退变的计算机辅助诊断[J]. 中国组织工程研究, 2021, 25(24): 3796-3803.
[13]	范金, 曾露瑶, 钟冬灵, 李雨谿, 田艳萍, 黄依杰, 金荣疆. 功能性近红外光谱技术的10年发展：CiteSpace知识图谱可视化分析[J]. 中国组织工程研究, 2021, 25(23): 3711-3717.
[14]	陈思奇, 先德彬, 徐荣胜, 覃中杰, 张磊, 夏德林. 羟基磷灰石-磷酸三钙支架复合骨髓间充质干细胞和人脐静脉内皮细胞对大鼠颅骨缺损修复早期成血管的影响[J]. 中国组织工程研究, 2021, 25(22): 3458-3465.
[15]	刘鋆, 杨龙, 王伟宇, 周玉虎, 吴颖, 卢涛, 舒莉萍, 马敏先, 叶川. 聚3-羟基丁酸酯4-羟基丁酸酯/聚乙二醇/氧化石墨烯组织工程支架的制备和性能评价[J]. 中国组织工程研究, 2021, 25(22): 3466-3472.