您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览0 | 下载0

目的:通过机器学习的方法分析脑拓扑属性数据,并探索精神分裂症患者大脑网络拓扑属性的改变。方法:2022年1月至2023年8月采集60例精神分裂症患者和56例健康对照者的功能磁共振影像数据并进行预处理,构建脑功能网络,提取全局和节点拓扑属性。将所有受试者划分为训练组与测试组。基于支持向量机对训练组数据进行拟合并通过交叉验证检验预测性能;通过递归特征消除算法优化模型,提取对预测性能做出最大贡献的指标。基于最优预测性能的训练模型计算测试组分类性能。采用SPSS 20.0进行统计分析,采用独立样本 t检验和卡方检验比较两组数据差异。 结果:支持向量机基于所有指标预测精神分裂症患者的测试组准确率为75.00

作者:艾伦朴;刘洋洋;丁宁宁;张恩图;耿艺博;赵庆江;张海三

来源:中华行为医学与脑科学杂志 2024 年 33卷 5期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:0 | 下载:0
作者:
艾伦朴;刘洋洋;丁宁宁;张恩图;耿艺博;赵庆江;张海三
来源:
中华行为医学与脑科学杂志 2024 年 33卷 5期
标签:
精神分裂症 功能磁共振成像 图论 机器学习 支持向量机 Schizophrenia Functional magnetic resonance imaging Graph theory Machine learning Support vector machine
目的:通过机器学习的方法分析脑拓扑属性数据,并探索精神分裂症患者大脑网络拓扑属性的改变。方法:2022年1月至2023年8月采集60例精神分裂症患者和56例健康对照者的功能磁共振影像数据并进行预处理,构建脑功能网络,提取全局和节点拓扑属性。将所有受试者划分为训练组与测试组。基于支持向量机对训练组数据进行拟合并通过交叉验证检验预测性能;通过递归特征消除算法优化模型,提取对预测性能做出最大贡献的指标。基于最优预测性能的训练模型计算测试组分类性能。采用SPSS 20.0进行统计分析,采用独立样本 t检验和卡方检验比较两组数据差异。 结果:支持向量机基于所有指标预测精神分裂症患者的测试组准确率为75.00

Baidu
map