基于谱聚类半监督特征选择的功能磁共振成像数据分类

针对功能磁共振成像（fMRI）数据的高维度小样本问题,提出谱聚类半监督特征选择（SS-FSSC）模型。首先利用先验脑区模板提取时间序列信号;然后选取皮尔逊相关系数与序统计量相关系数（OSCC）描述脑区间的功能连接特征,并对特征进行谱聚类;最后利用基于Constraint得分的特征重要性准则挑选出特征子集,并把这些子集输入支持向量机（SVM）分类器进行分类。实验通过在COBRE精神分裂症公开数据集上重复进行100次五折交叉验证,发现当保留特征数为152时,所提模型对精神分裂症得到最高平均准确率约为77%,最高准确率为95.83%。实验结果分析表明,模型仅保留16个功能连接特征进行分类器训练就能稳定达到70%以上的平均准确率,且所提模型得到的结果中功能连接对应的10个脑区中距状裂皮质（Intracalcarine Cortex）出现频次最高,符合现有对精神分裂症的研究状况。