CN105512454A - 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 - Google Patents
基于功能核磁共振的抑郁症患者自杀风险客观评估模型 Download PDFInfo
- Publication number
- CN105512454A CN105512454A CN201510448804.2A CN201510448804A CN105512454A CN 105512454 A CN105512454 A CN 105512454A CN 201510448804 A CN201510448804 A CN 201510448804A CN 105512454 A CN105512454 A CN 105512454A
- Authority
- CN
- China
- Prior art keywords
- sample
- suicide
- bunch
- magnetic resonance
- nuclear magnetic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,步骤为:(1)建立评测模型:(a)计算全脑功能连接矩阵:(b)构造特征集合:(c)聚类;(2)结果稳定性校验;(3)多项式曲线拟合;(4)利用模型进行个体评测。本发明形成的模型优点为:(1)为纯数据驱动,完全由抑郁症患者脑区信号的模型研究来甄别患者的自杀倾向,此过程没有人工判断参与,避免了主观因素带来的误差;(2)无需先验知识的条件下,利用专家易于判断的极端情况,来对难以评价的个体进行客观评价;(3)不仅能够判断抑郁症患者是否有自杀倾向,还能根据模型研究结果得到该患者自杀倾向的严重程度。
Description
技术领域
本发明涉及自杀风险评估模型领域,特别是涉及一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型。
背景技术
目前,抑郁症自杀倾向的临床诊断是根据汉密尔顿抑郁量表(HAMD)、贝克抑郁自评问卷(BDI)等量表中的自杀相关因子项,通过医师评估及患者自评得到的。这种方式,具有很强的主观性,对临床医生的问询经验有极高的要求。这些因素将导致难以客观地反映患者的真实自杀倾向。
患者的脑功能核磁共振影像能够反映患者大脑的状况,对各种精神疾病病理机制的探索和研究起重要作用。然而,既往对抑郁症患者自杀倾向的研究中,多把抑郁症患者有无自杀意念作为截然不同的两种状态来研究(FanT,WuX,YaoL,DongJ(2013):Abnormalbaselinebrainactivityinsuicidalandnon-suicidalpatientswithmajordepressivedisorder.Neuroscienceletters.534:35-40.),忽视了自杀是一个逐步发展的过程。因此,这些方法只能找出对自杀有标记意义的若干独立脑区,却不能甄别自杀倾向的严重程度,从而真正为实际服务。
发明内容
本发明主要解决的技术问题是提供一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,以客观的影像学数据来辅助评价临床症状难以鉴别的个体的自杀风险,能够解决现有评估方法存在的不足之处。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,包括如下步骤:
(1)建立评测模型:
(a)计算全脑功能连接矩阵:利用核磁共振仪采集样本的静息态信号,计算每个样本的全脑功能连接矩阵;
(b)构造特征集合:按照建模样本的临床自杀因子评分,将整个样本集分为无自杀倾向组、重度自杀倾向组和非极端组,利用无自杀倾向组和重度自杀倾向组的全脑功能连接矩阵构造特征集合;利用非极端组样本,计算个体特征;
(c)聚类:根据silhouetee参数计算最佳聚类数k,再利用迭代自组织数据分析技术,对所有建模样本进行聚类,聚类得到的簇代表着不同的自杀倾向严重程度的群体,同时获得自杀倾向严重程度的客观评估模型;
(2)结果稳定性校验:对生成的簇做置换检验,考察簇的稳定性;
(3)多项式曲线拟合:
构造参数d,
d1(j)代表样本j与无自杀倾向组的中心的欧氏距离;d2(j)代表样本j与重度自杀倾向组的中心的欧氏距离;
将每个样本的参数d与其临床自杀因子评分进行多项式曲线拟合;
(4)利用模型进行个体评测:
(d)计算待测评个体的全脑功能连接矩阵,并提取个体特征;
(e)加入新样本,对已聚类的簇重新聚类,进行模型更新,并获得拟合曲线;
(f)在新曲线上,找到该样本在特征空间上的位置,评测新样本的自杀倾向严重程度的客观评估。
在本发明一个较佳实施例中,所述全脑功能连接矩阵的计算方法为:对每个样本的核磁共振仪静息态数据,使用AAL结构模板,将人脑划分为116个脑区,并计算每两个脑区信号之间的时间相关性,作为功能连接值,即脑功能连接矩阵。
在本发明一个较佳实施例中,所述每个样本存在一个116×116的脑功能连接矩阵。
在本发明一个较佳实施例中,所述步骤(3)中,所述silhouetee参数计算方法为:
聚类得到k个簇Ct,(t=1,2,…k);
a(j)代表Ct中样本j与簇内其他成员的平均欧氏距离;
类内紧密性e(j,Cs),(s=1,2,…k),代表Ct中样本j与Cs簇内成员的平均欧氏距离;
样本与其他簇成员距离的最小值b(j)=min{e(j,Cs)};
按照如下公式计算类间可分性silhouetee参数:
silhouette参数越大,代表类内紧密性和类间可分性越大,则聚类质量越好。
在本发明一个较佳实施例中,所述簇的稳定性的校验方法为:
(1)选取两个簇A和B,令n为A和B内样本总数,m为特征数,cj作为样本j的类标签,当其为1时样本j属于A,为0时属于B;
(2)gij(i=1,2,…,m)为样本j的第i个特征,gi是第i个特征的向量;分别计算A、B中gi的均值和标准偏差,记为μA(gi)、μB(gi)、σA(gi)、σB(gi);
(3)定义gi和c的相关因数,
|P(gi,c)|越大,则A和B均值水平的差异越大;
(4)构造参数Vi代表样本j中的每一个特征对样本j归类的贡献;
V+=∑Vi,Vi>0;
V-=∑Vi,Vi<0
当V+>V-时,样本j更趋向于是A的成员;
(5)构造PS值来判断样本对其分配的簇归属,PS值越大,样本与其所属簇越接近;
,
其中,当V+>V-,Vwin=V+,Vlose=V-;
当V->V+,Vwin=V-,Vlose=V+;
(6)每个特征有一个PS值,记所有特征的PS值的中位数为M00,通过足够多次的置换,得到分布概率p,如果p值小于0.05,则说明真实分布有统计学意义,即聚类结果是稳定的。
在本发明一个较佳实施例中,所述步骤(6)中,所述置换的次数为1000000次以上。
本发明的有益效果是:本发明提出一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,以客观的影像学数据来辅助评价临床症状难以鉴别的个体的自杀风险,具有如下优点:
(1)利用模型进行个体测评的时候,完全由抑郁症患者脑区信号的模型研究来甄别患者的自杀倾向,此过程没有人工判断参与,避免了主观因素带来的误差;
(2)利用易于判断的极端情况,引导模型对难以评价的个体进行客观评价;
(3)建立后的模型,不仅能够判断抑郁症患者是否有自杀倾向,还能根据模型研究结果得到该患者自杀倾向的严重程度。
附图说明
图1是本发明一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型采用建模样本构建模型的流程示意图;
图2是所示新样本进入模型获得客观评估的流程示意图;
图3是所示样本特征子集聚类示意图;
图4是模型客观评估与临床因子评分的拟合曲线图;
图5是自杀严重程度渐变的簇中心直观对比图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅附图,本发明实施例包括:
本发明揭示了一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,先提取全部样本的功能连接矩阵作为特征,然后通过容易判断的两组极端样本找到可以区分无自杀倾向抑郁症患者组和重度自杀倾向抑郁症患者组的特征子集,通过建模样本在上述特征子集下的数据构建的模型可以应用于大量非极端样本自杀倾向严重程度的评估。具体步骤如下:
(1)建立评测模型:
(a)选取建模样本,利用核磁共振仪采集样本(即患者)的脑区静息态信号,对每个样本的核磁共振仪静息态数据,使用AAL结构模板,将人脑划分为116个脑区,并计算每两个脑区信号之间的时间相关性,作为功能连接值,即脑功能连接矩阵,每个样本存在一个116×116的脑功能连接矩阵;
(b)构造特征集合:按照建模样本的临床自杀因子评分,将整个样本集分为三组,分别为无自杀倾向组、重度自杀倾向组和非极端组,并将两个极端组(无自杀倾向组和自杀倾向组)的全脑功能连接矩阵进行组间双样本t检验,经多重比较校正获得有统计学差异的特征,构造聚类模型所需的特征集合;
利用非极端组样本,计算所述特征集合下的个体特征;
(c)聚类:利用迭代自组织数据分析技术(ISODATA),对所有三组样本进行聚类,聚类得到的簇代表着不同的自杀倾向严重程度的群体,同时获得自杀倾向严重程度的客观评估模型;
ISODATA算法是在k-均值聚类算法的基础上,增加对聚类结果的“合并”和“分裂”两个操作,并设定算法运行控制参数的一种聚类算法。ISODATA通过设定初始聚类数参数而将数据集分成指定数目的簇,并使用归并与分裂的机制,当某两类聚类中心距离小于阈值时,将它们合并为一类,当类标准差大于阈值或其样本数目超过阈值时,将其分为两类。
由于聚类需要依据生成的簇的数目,从而终止分裂及合并的过程,因此需要额外根据silhouetee参数计算最佳聚类数k。计算不同的k值设定下的silhouetee参数,在该值极大值处获得对应的k值,并使用该k值进行ISODATA聚类。
silhouetee参数计算方法如下:
聚类得到k个簇Ct,(t=1,2,…k);
a(j)代表Ct中样本j与簇内其他成员的平均欧氏距离;
类内紧密性e(j,Cs),(s=1,2,…k),代表Ct中样本j与Cs簇内成员的平均欧氏距离;
样本与其他簇成员距离的最小值b(j)=min{e(j,Cs)};
按照如下公式计算类间可分性silhouetee参数:
silhouette参数越大,代表类内紧密性和类间可分性越大,则聚类质量越好;
样本进行聚类后,极端组与生成簇在特征空间分布如图3所示,可以清晰地看到几个有交叉但是又渐变的簇,分别代表不同的自杀严重程度,两个极端组分离最远,也证明了本模型的有效性。
(2)结果稳定性校验:对生成的簇做置换检验,考察簇的稳定性;
(d1)选取两个簇A和B,令n为A和B内样本总数,m为特征数,cj作为样本j的类标签,当其为1时样本j属于A,为0时属于B;
(d2)gij(i=1,2,…,m)为样本j的第i个特征,gi是第i个特征的向量;分别计算A、B中gi的均值和标准偏差,记为μA(gi)、μB(gi)、σA(gi)、σB(gi);
(d3)定义gi和c的相关因数,
|P(gi,c)|越大,则A和B均值水平的差异越大;
(d4)构造参数Vi代表样本j中的每一个特征对样本j归类的贡献;
V+=∑Vi,Vi>0;
V-=∑Vi,Vi<0
当V+>V-时,样本j更趋向于是A的成员;
(d5)构造PS值来判断样本对其分配的簇归属,PS值越大,样本与其所属簇越接近;
,
其中,当V+>V-,Vwin=V+,Vlose=V-;
当V->V+,Vwin=V-,Vlose=V+;
(d6)每个特征有一个PS值,记所有特征的PS值的中位数为M00,通过足够多次的置换,如1000000次,能够计算得到聚类的稳定性。重复多次检验得到多个M值的分布情况。根据大数定理,当样本足够多时,样本发生的频率近似于概率,并由中心极限定理假设该分布为正态分布,将真实值与该分布进行比较,得到分布概率p,如果p值小于0.05,则说明真实分布有统计学意义,即聚类结果是稳定的。
(3)多项式曲线拟合:
构造参数d,
d1(j)代表样本j与无自杀倾向组的中心的欧氏距离;d2(j)代表样本j与重度自杀倾向组的中心的欧氏距离;
将每个样本的参数d与其临床自杀因子分进行多项式曲线拟合,由拟合的曲线说明该影像学模型可以有效评估抑郁症患者自杀倾向严重程度;
如图4所示,Y轴代表专家主观自杀临床评分,其值为0-4的整数,而X轴则代表通过本模型得到的待测样本距离参数。模型输出和专家评定间存在统计学意义上的一致性。本发明不仅能判断抑郁症患者是否有自杀倾向,还能判断其自杀倾向的严重程度。
(4)利用模型进行个体评测:
当有不易判定的非极端新样本进入模型时,构造该样本的功能连接矩阵,与原非极端样本组合并,共同提取样本子集重新聚类,并对拟合曲线进行更新。通过聚类后新样本所属的簇与新样本在拟合曲线上的位置判断新样本的自杀倾向,具体为:
(e)对新的待测样本,计算每个样本的全脑功能连接矩阵,并提取特征集合下的个体特征;
(f)加入新样本,对已聚类的簇重新聚类,进行模型更新;
(g)利用自杀倾向严重程度的客观评估模型,获得该新样本的自杀倾向严重程度客观评估,即对于待测新样本,找到它在新拟合曲线上的位置,便可以获得客观的自杀风险评估(Y轴)。
利用图论的方法,直观对比各个簇中心的不同。如图5所示,节点代表脑区,节点的大小由脑区的度决定。边代表的是脑区之间的功能连接,边的粗细由边的功能连接的绝对值大小决定。为简化显示,图中只显示了度大于10的点以及功能连接绝对值大于0.2的边。可以发现,模型内的各簇存在差异,对应不同自杀倾向的脑功能网络形态方面。
本发明提出一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,以客观的影像学数据来辅助评价临床症状难以鉴别的个体的自杀风险,具有如下优点:
(1)利用模型进行个体评测的时候,完全由抑郁症患者脑区信号的模型研究来甄别患者的自杀倾向,此过程没有人工判断参与,避免了主观因素带来的误差;
(2)利用易于判断的极端情况,引导模型对难以评价的个体进行客观评价;
(3)建立后的模型,不仅能够判断抑郁症患者是否有自杀倾向,还能根据模型研究结果得到该患者自杀倾向的严重程度。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于功能核磁共振的抑郁症患者自杀风险客观评估模型,其特征在于,包括如下步骤:
(1)建立评测模型:
(a)计算全脑功能连接矩阵:利用核磁共振仪采集样本的静息态信号,计算每个样本的全脑功能连接矩阵;
(b)构造特征集合:按照建模样本的临床自杀因子评分,将整个样本集分为无自杀倾向组、重度自杀倾向组和非极端组,利用无自杀倾向组和重度自杀倾向组的全脑功能连接矩阵构造特征集合;利用非极端组样本,计算个体特征;
(c)聚类:根据silhouetee参数计算最佳聚类数k,再利用迭代自组织数据分析技术,对所有建模样本进行聚类,聚类得到的簇代表着不同的自杀倾向严重程度的群体,同时获得自杀倾向严重程度的客观评估模型;
(2)结果稳定性校验:对生成的簇做置换检验,考察簇的稳定性;
(3)多项式曲线拟合:
构造参数d,
d1(j)代表样本j与无自杀倾向组的中心的欧氏距离;d2(j)代表样本j与重度自杀倾向组的中心的欧氏距离;
将每个样本的参数d与其临床自杀因子评分进行多项式曲线拟合;
(4)利用模型进行个体评测:
(d)计算待测评个体的全脑功能连接矩阵,并提取个体特征;
(e)加入新样本,对已聚类的簇重新聚类,进行模型更新,并获得拟合曲线;
(f)在新曲线上,找到该样本在特征空间上的位置,评测新样本的自杀倾向严重程度的客观评估。
2.根据权利要求1所述的基于功能核磁共振的抑郁症患者自杀风险客观评估模型,其特征在于,所述全脑功能连接矩阵的计算方法为:对每个样本的核磁共振仪静息态数据,使用AAL结构模板,将人脑划分为116个脑区,并计算每两个脑区信号之间的时间相关性,作为功能连接值,即脑功能连接矩阵。
3.根据权利要求2所述的基于功能核磁共振的抑郁症患者自杀风险客观评估模型,其特征在于,所述每个样本存在一个116×116的脑功能连接矩阵。
4.根据权利要求1所述的基于功能核磁共振的抑郁症患者自杀风险客观评估模型,其特征在于,所述步骤(3)中,所述silhouetee参数计算方法为:
聚类得到k个簇Ct,(t=1,2,…k);
a(j)代表Ct中样本j与簇内其他成员的平均欧氏距离;
类内紧密性e(j,Cs),(s=1,2,…k),代表Ct中样本j与Cs簇内成员的平均欧氏距离;
样本与其他簇成员距离的最小值b(j)=min{e(j,Cs)};
按照如下公式计算类间可分性silhouetee参数:
silhouette参数越大,代表类内紧密性和类间可分性越大,则聚类质量越好。
5.根据权利要求1所述的基于功能核磁共振的抑郁症患者自杀风险客观评估模型,其特征在于,所述簇的稳定性的校验方法为:
(1)选取两个簇A和B,令n为A和B内样本总数,m为特征数,cj作为样本j的类标签,当其为1时样本j属于A,为0时属于B;
(2)gij(i=1,2,…,m)为样本j的第i个特征,gi是第i个特征的向量;分别计算A、B中gi的均值和标准偏差,记为μA(gi)、μB(gi)、σA(gi)、σB(gi);
(3)定义gi和c的相关因数,
|P(gi,c)|越大,则A和B均值水平的差异越大;
(4)构造参数Vi代表样本j中的每一个特征对样本j归类的贡献;
V+=∑Vi,Vi>0;
V-=∑Vi,Vi<0
当V+>V-时,样本j更趋向于是A的成员;
(5)构造PS值来判断样本对其分配的簇归属,PS值越大,样本与其所属簇越接近;
,
其中,当V+>V-,Vwin=V+,Vlose=V-;
当V->V+,Vwin=V-,Vlose=V+;
(6)每个特征有一个PS值,记所有特征的PS值的中位数为M00,通过足够多次的置换,得到分布概率p,如果p值小于0.05,则说明真实分布有统计学意义,即聚类结果是稳定的。
6.根据权利要求5所述的基于功能核磁共振的抑郁症患者自杀风险客观评估模型,其特征在于,所述步骤(6)中,所述置换的次数为1000000次以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510448804.2A CN105512454B (zh) | 2015-07-28 | 2015-07-28 | 基于功能核磁共振的抑郁症患者自杀风险客观评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510448804.2A CN105512454B (zh) | 2015-07-28 | 2015-07-28 | 基于功能核磁共振的抑郁症患者自杀风险客观评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512454A true CN105512454A (zh) | 2016-04-20 |
CN105512454B CN105512454B (zh) | 2018-12-18 |
Family
ID=55720434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510448804.2A Expired - Fee Related CN105512454B (zh) | 2015-07-28 | 2015-07-28 | 基于功能核磁共振的抑郁症患者自杀风险客观评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512454B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107638613A (zh) * | 2017-11-02 | 2018-01-30 | 潍坊医学院 | 一种抑郁症患者自杀行为预防系统 |
CN107785079A (zh) * | 2017-11-16 | 2018-03-09 | 东南大学 | 一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法 |
CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
CN109935321A (zh) * | 2019-04-11 | 2019-06-25 | 东南大学 | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型 |
CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 中南大学湘雅二医院 | 一种抑郁症自杀行为的多模式特征信息融合预测方法 |
CN111739647A (zh) * | 2020-08-07 | 2020-10-02 | 暨南大学 | 基于磁共振影像的双相障碍自杀风险预测方法及相关装置 |
CN113707324A (zh) * | 2021-09-17 | 2021-11-26 | 四川大学华西医院 | 一种评估脑功能连接和临床症状之间相关性的分析方法 |
CN114246588A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究方法 |
CN116759086A (zh) * | 2023-06-07 | 2023-09-15 | 华东师范大学 | 基于主题统觉测试的自杀风险识别模型构建方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
-
2015
- 2015-07-28 CN CN201510448804.2A patent/CN105512454B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
Non-Patent Citations (3)
Title |
---|
MAOBIN WEI ET AL.: "Association of resting-state network dysfunction with their dynamics of inter-network interactions in depression", 《JOURNAL OF AFFECTIVE DISORDERS》 * |
TINGTING FAN ET AL.: "Abnormal baseline brain activity in suicidal and non-suicidal patients with major depressive disorder", 《NEUROSCIENCE LETTERS》 * |
温洪等: "重度抑郁症患者脑功能网络的分类研究", 《计算机应用研究》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107638613A (zh) * | 2017-11-02 | 2018-01-30 | 潍坊医学院 | 一种抑郁症患者自杀行为预防系统 |
CN107785079A (zh) * | 2017-11-16 | 2018-03-09 | 东南大学 | 一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法 |
CN107785079B (zh) * | 2017-11-16 | 2021-09-07 | 东南大学 | 一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法 |
CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
CN109935321A (zh) * | 2019-04-11 | 2019-06-25 | 东南大学 | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型 |
CN109935321B (zh) * | 2019-04-11 | 2023-07-07 | 东南大学 | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统 |
CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 中南大学湘雅二医院 | 一种抑郁症自杀行为的多模式特征信息融合预测方法 |
CN111739647A (zh) * | 2020-08-07 | 2020-10-02 | 暨南大学 | 基于磁共振影像的双相障碍自杀风险预测方法及相关装置 |
CN113707324A (zh) * | 2021-09-17 | 2021-11-26 | 四川大学华西医院 | 一种评估脑功能连接和临床症状之间相关性的分析方法 |
CN114246588A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究方法 |
CN116759086A (zh) * | 2023-06-07 | 2023-09-15 | 华东师范大学 | 基于主题统觉测试的自杀风险识别模型构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105512454B (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512454A (zh) | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 | |
Klavans et al. | Toward an objective, reliable and accurate method for measuring research leadership | |
CN106897570A (zh) | 一种基于机器学习的慢性阻塞性肺疾病测试系统 | |
Crainiceanu et al. | Bootstrap‐based inference on the difference in the means of two correlated functional processes | |
CN102930163A (zh) | 一种2型糖尿病风险状态判定方法 | |
CN108597601A (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
CN104166731A (zh) | 一种社交网络重叠社区发现系统及其方法 | |
CN105425150B (zh) | 一种基于rbf和pca-svdd的电机故障诊断方法 | |
CN106257475B (zh) | 用于tbi评估的模块化的自动化评分系统 | |
CN105930663A (zh) | 一种帕金森病早期诊断方法 | |
CN113887908A (zh) | 考虑主客观交叉融合权重的桥梁风险评估方法 | |
CN103839074B (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN106202999A (zh) | 基于不同尺度tuple词频的微生物高通量测序数据分析协议 | |
CN110532298A (zh) | 多属性铁路事故致因权重分析方法 | |
CN107016260B (zh) | 一种基于跨平台基因表达数据的基因调控网络重建方法 | |
CN102346817B (zh) | 一种借助支持向量机建立过敏原家族特征肽的过敏原的预测方法 | |
Banumathi et al. | A novel approach for upgrading Indian education by using data mining techniques | |
Sandström et al. | The field factor: towards a metric for academic institutions | |
CN109101783B (zh) | 一种基于概率模型的癌症网络标志物确定方法及系统 | |
CN110223786B (zh) | 基于非负张量分解的药物-药物相互作用预测方法及系统 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
Roark et al. | A figure of merit for vocal attack time measurement | |
CN108078563A (zh) | 一种集成分类器的eeg信号分析方法 | |
CN101655847B (zh) | 一种基于扩展熵信息瓶颈理论的聚类方法 | |
CN106650284B (zh) | 一种疾病康复评价系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181218 Termination date: 20190728 |