基于视觉认知任务的注意缺陷多动障碍患儿与正常儿童脑功能网络差异研究

发布时间：2024-04-18 04:17

　　针对注意缺陷多动障碍(ADHD)儿童与正常儿童在执行任务状态下的脑网络的差异性,本文采用视觉功能区网络特征进行了比较研究,提取的试验数据为受试者执行猜题任务时,视觉捕捉范式获取的功能性磁共振成像(fMRI)数据,受试者包括23名ADHD患儿[年龄:(8.27±2.77)岁]与23名正常儿童[年龄:(8.70±2.58)岁]。首先,本文利用fMRI数据构建视觉区脑功能网络;然后,获取视觉区脑功能网络的特征指标,包括:度分布、平均最短路径、网络密度、聚集系数、介数等,并与传统全脑网络进行对比分析;最后,利用机器学习算法中的支持向量机(SVM)等分类器对特征指标进行分类以区分ADHD儿童与正常儿童。本研究采用视觉区脑功能网络特征进行分类,分类精度最高达到96%,与传统的构建全脑网络方法相比,精度提高了10%左右。试验结果表明,使用视觉区脑功能网络分析法能够更好地区分ADHD儿童与正常儿童。该方法对ADHD儿童与正常儿童脑网络的区分具有一定的帮助,有利于ADHD儿童的辅助诊断。

【文章页数】：8 页

【部分图文】：

图1视觉捕捉范式

使用fMRI数据处理分析软件SPM12(UCLQueenSquareInstituteofNeurology，英国），对试验所得的fMRI数据进行预处理与数据筛选[13]。首先，进行时间层校正与头动校正。其中，因头动或转动过大，剔出3例ADHD儿童与2例正常儿童的数....

图5两组儿童二值化视觉区子网络连接图

图4两组儿童二值化全脑网络连接图视觉区子网络介数值最高的10个节点，同时也是全脑网络中介数值较高的节点。但视觉区子网络只保留与视觉任务有关的脑区，排除与任务刺激无关的脑区，从而缩小功能脑区研究范围。如表2右侧所示，ADHD儿童组与正常儿童组均有3个节点的介数值远高于其他节点，且....

图6两种网络分类精度对比图

为了更好地实现全脑网络与视觉区子网络在视觉任务刺激下对于ADHD儿童与正常儿童的区分度，引入机器学习的方法进行分析[19]。使用三种经典的分类器，包括支持向量机（supportvectormachine,SVM）、逻辑回归（logisticregressive,LR）、线性....

图2全脑网络连接图

为了能够直观地体现全脑网络与视觉区子网络的差异，进行全脑网络图与视觉区子网络图的对比分析。ADHD儿童组与正常儿童组的二值化全脑网络连接图如图4所示。图4两幅图中的白色区域代表脑区之间存在连接，黑色区域代表脑区之间无连接。从图4可以看出，对于视觉刺激任务态下的全脑网络连接图，AD....

本文编号：3957408