基于多目標支持向量機的ADHD分類

杜海鵬，邵立珍，張冬輝

北京科技大學自動化學院工業過程知識自動化教育部重點實驗室, 北京 100083

注意力缺陷多動障礙（Attention deficit hyperactivity disorder, ADHD）是兒童期最常見的精神疾病之一，在大多數情況下持續到成年期. ADHD在DSM-5中被定義為神經發育障礙，主要表現為注意力缺陷，過度活動和行為沖動等癥狀[1]. 據報道，全球兒童和青少年中ADHD的發病率為3.4%.ADHD的病因和發病機制尚不清楚，目前ADHD的診斷主要依賴于醫生的主觀經驗. 因此，ADHD的客觀診斷和有效治療是神經科學領域的重要課題之一.

近年來，腦電圖[2]、磁共振成像[3]和功能性磁共振成像[4]等技術已被用于ADHD的輔助診斷.其中，靜息態功能磁共振成像（Resting state functional magnetic resonance imaging, rs-fMRI）在精神疾病的病理分析中顯示出其特有的優勢，不僅可以用于診斷ADHD，還可以用于診斷精神分裂癥[4]和老年癡呆癥[5].

研究者們提出了各種特征提取、選擇和分類方法用于基于rs-fMRI的ADHD分類中. Castellanos等[6]發現fMRI的功能連接信息可以成為ADHD診斷的一個突出特征. Du等[7]提出了一種判別子網絡的方法來對ADHD進行分類，該方法挖掘了來自全腦網絡的判別子網絡，并使用基于圖核的PCA來提取特征. Qureshi等[8]計算了fMRI的全局連通圖，并利用基于圖譜的皮質分割的平均連通性度量作為分層極限學習機分類器的輸入特征. Miao和Zhang[9]提出了一種基于權重的relief算法來獲得rs-fMRI中低頻波動分數幅度的特征子集. Riaz等[10]集成了非影像數據和影像數據的機器學習框架，研究ADHD和正常受試者之間功能連接的改變. 考慮到數據不平衡性，合成少……