CN109359403B - 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 - Google Patents
一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 Download PDFInfo
- Publication number
- CN109359403B CN109359403B CN201811269628.6A CN201811269628A CN109359403B CN 109359403 B CN109359403 B CN 109359403B CN 201811269628 A CN201811269628 A CN 201811269628A CN 109359403 B CN109359403 B CN 109359403B
- Authority
- CN
- China
- Prior art keywords
- schizophrenia
- brain
- model
- magnetic resonance
- activation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及精神分裂症早期诊断技术领域，具体公开一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用。本发明通过获取磁共振下的脑成像数据作为模型的训练数据；从训练数据中提取特征；对所提取的特征进行筛选；利用所筛选的特征和有监督的机器学习方法进行模型训练，从而建立精神分裂症早期诊断模型。精神分裂症是重性精神疾病，罹患该病的患者社会功能减退严重，严重者常有冲动、自伤、伤人等行为，提高其识别率有助于延缓精神分裂症患者的社会功能损害，减轻家庭及社会负担。本发明结合脑功能和脑结构的不同维度指标，通过特征筛选，成功构建精神分裂症多维早期诊断模型，提高精神分裂症患者的识别率及诊断率。
Description
技术领域
本发明涉及精神分裂症早期诊断技术领域，具体地说，是一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用。
背景技术
精神分裂症是一组病因未明、病程迁延、治疗困难的重性精神疾病，常伴有思维、情感、行为、认知等多方面的障碍，而目前有关精神分裂症的病因尚不明确，诊断主要借助于询问病史及症状学描述，缺乏特异性指标，容易造成漏诊误诊。本模型正是基于此背景进行开发。面孔表情识别是一种常见且公认的认知测量途径，而面孔表情识别缺陷是早发精神分裂症患者的内表型，一般存在比较持久的认知功能损害。运用该特点有利于从生物学、神经影像学角度对精神分裂症进行早期识别及诊断。
随着功能磁共振成像(functionalmagneticresonance imaging，fMRI)技术的发展，可以运用磁共振采集大脑数据进行面孔识别障碍的研究。具体是在磁共振扫描过程中，基于血氧水平依赖(BOLD)的fMRI可以区分不同面孔表情下的大脑激活模式，给予不同面孔表情任务范式，通过识别大脑各个解剖区域对高兴、恐惧和厌恶等情绪的激活指标，收集脑影像学数据，反映在不同面孔表情识别任务中神经环路的异常。之前研究发现精神分裂症患者与健康人群在面孔情绪识别任务中脑功能激活的模式上存在显著差别。另外，磁共振的脑结构成像结合体素形态测量(Voxel-basedmorphometry，VBM)分析发现精神分裂症患者的脑灰质密度与健康人存在显著差别。
发明内容
本发明结合面孔表情识别、神经影像学(磁共振脑功能成像和脑结构成像)，探索脑功能和结构多维度整合的特异性指标，成功构建精神分裂症的早期诊断模型。
本发明的第一个目的是针对现有技术中的不足，提供一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型。
本发明的第二个目的是针对现有技术中的不足，提供如上所述模型在制备精神分裂症早期诊断试剂盒中的应用。
为实现上述第一个目的，本发明采取的技术方案是：
一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，所述诊断模型通过如下方法获得的：获取磁共振下的脑成像数据作为模型的训练数据；从训练数据中提取特征；对所提取的特征进行筛选；利用所筛选的特征和有监督的机器学习方法进行模型训练，从而建立精神分裂症早期诊断模型。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，所述磁共振下的脑成像数据包括精神分裂症患者和健康被试者的脑结构像数据以及面孔情绪加工任务的下的功能像数据。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，所述面孔情绪包括高兴、恐惧和厌恶情绪。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，所述训练数据中提取特征包括：从脑结构像中提取大脑各个解剖区域的灰质密度，从功能像中提取脑的各个解剖区域对高兴、恐惧和厌恶情绪的激活指标；所述灰质密度通过VBM算法提取，所述激活指标通过下列公式计算：Y＝Xβ+ε，其中Y为每个体素的信号时间序列，X为实验设计矩阵，每一列代表一个一种面孔情绪在实验中出现的时间信息，β是需要求解的列向量，其中每个元素是代表该体素对某种面孔情绪响应强度，ε是误差向量。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，对所提取的特征进行筛选包括：计算特征与诊断结果的线性相关性，筛选相关性前十的特征，线性相关性计算公式如下：R(i)＝(cov(Xi,Y))/√(var(Xi)var(Y))，其中Xi表示第i个特征，Y表示被试所属类别，病人组为1，健康组为0。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，所筛选的特征如下：
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，利用所筛选的特征和有监督的机器学习算法进行模型训练包括：特征归一化，将每个特征的均值调整为0，方差调整为1，归一化的数据和数据的类别标记(病人组1或健康组0)送入机器学习算法模型中进行模型训练，训练结果即精神分裂症早期诊断模型。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，采集脑结构像的磁共振脉冲序列为的3D FSPGR序列，层厚＝1mm；采集脑功能像的磁共振脉冲序列为EPI序列，翻转角＝90°，重复时间为2000ms，回波时间为30ms，层厚为3mm。
在上述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，作为本发明的一个优选方案，基于AAL脑解剖模板，将脑分成116个解剖区域，以每个脑区对应数据的均值作为特征。
为实现上述第二个目的，本发明采取的技术方案是：
如上任一所述模型在制备精神分裂症早期诊断试剂盒中的应用。
精神分裂症是重性精神疾病，罹患该病的患者社会功能减退严重，严重者常有冲动、自伤、伤人等行为，提高其识别率有助于延缓精神分裂症患者的社会功能损害，减轻家庭及社会负担。本发明结合脑功能(面孔表情识别)和脑结构(脑区灰质密度)的不同维度指标，通过特征筛选，成功构建精神分裂症多维早期诊断模型，可以提高精神分裂症患者的识别率及诊断率。
附图说明
附图1为精神分裂症早期诊断模型示意图。
附图2为建立精神分裂症早期诊断模型示意图。
附图3为利用所建立的模型进行诊断示意图。
附图4为一例脑灰质密度图像示意图。
附图5为一例对高兴面孔情绪的脑功能激活图像示意图。
附图6为基于AAL模板的脑解剖区域划分示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明记载的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
实施例1一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型
本发明提供一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，包括：基于磁共振的多模态脑成像数据，利用机器学习方法，建立精神分裂症早期诊断模型(101)；以及利用所建立的模型对精神分裂症进行诊断(102)，如图1。
建立精神分裂症早期诊断模型包括如下子步骤(图2)：获取磁共振下的脑成像数据作为模型的训练数据(1011)；从训练数据中提取特征(1012)；特征筛选(1013)；利用所提取的特征和有监督的机器学习方法进行模型训练(1014)，从而建立所述的诊断模型。
利用所建立的诊断模型对精神分裂症进行早期诊断包括如下子步骤(图3)：获取被试的磁共振脑成像数据(1021)；从所获取的脑成像数据中提取由特征筛选(1013)所指定的特征 (1022)；将所提取的特征送入所建立的诊断模型中(1023)，获得诊断结果。
获取磁共振下的脑成像数据作为模型的训练数据(1011)，包括精神分裂症患者和健康被试的数据。对每个被试，采集脑结构像(T1加权像)，面孔情绪加工(包括高兴、恐惧和厌恶情绪)任务下的功能磁共振成像。
从训练数据中提取特征(1012)包括：从脑结构像中提取大脑各个解剖区域的灰质密度；从面孔情绪加工的功能磁共振成像中提取脑的各个解剖区域对高兴、恐惧和厌恶情绪的激活指标。灰质密度通过VBM算法提取。每个体素对各种情绪的激活指标通过广义线性模型计算，广义线性模型的形式如下：
Y＝Xβ+ε
其中Y为每个体素的信号时间序列；X为实验设计矩阵，每一列代表一个一种面孔情绪在实验中出现的时间信息；β是需要求解的列向量，其中每个元素是代表该体素对某种面孔情绪响应强度；ε是误差向量。
特征筛选步骤(1013)从大脑各个脑区的灰质密度指标和面孔情绪加工任务下各个解剖区域的激活指标中分别筛选出对诊断最有利的若干个指标(10至20个)。特征筛选基于特征与诊断结果的线性相关性：
R(i)＝(cov(Xi,Y))/√(var(Xi)var(Y))
其中Xi表示第i个特征，Y表示被试所属类别(病人组为1，健康组为0)。计算各个脑区的灰质密度指标与被试所属类别的相关系数，按从大到小排序，取排序靠前的若干个脑区的灰度密度作为特征。类似地，对面孔情绪加工任务下各个解剖区域对各种情绪的激活指标进行特征筛选。
利用所选择的特征进行有监督机器学习模型的训练(1014)。训练前进行特征归一化，将每个特征的均值调整为0，方差调整为1。归一化的数据和数据的类别标记(病人组还是健康组)送入机器学习算法模型中进行模型训练。用于诊断模型训练的机器学习算法包括：支持向量机、随机森林或人工神经网络。
为了利用所训练的模型进行早期诊断，首先，获取待诊断被试的磁共振脑成像数据 (1021)，即脑结构像(T1加权像)和面孔情绪加工(包括高兴、恐惧和厌恶情绪)任务下的功能磁共振成像，与模型训练需要采集的数据相同。
从待诊断被试的磁共振脑成像数据中提取的特征(1022)包括：由特征刷选步骤选出的大脑指定脑区的灰质密度指标，和面孔情绪加工任务下指定脑区对指定情绪的激活指标。
将所提取的特征送入训练好的机器学习算法模型中(1023)，获得诊断结果：该被试被诊断模型判别属于健康组或是精神分裂症病人组。
实施例2利用早期诊断模型对精神分裂症进行诊断
被试包括30名基于临床精神卫生学医师用美国精神病学会诊断与统计手册：精神障碍 (DSM-IV)诊断的首发精神分裂症患者和30名健康被试。对每名被试采集脑结构像和在面孔情绪加工任务下的功能像。采集脑结构像的磁共振脉冲序列为的3D FSPGR(fastspoiled gradient-echo，快速扰相梯度回波)序列，层厚＝1mm；采集脑功能像的磁共振脉冲序列为EPI(echo planar imaging，回波平面成像)序列，翻转角＝90°，重复时间(TR)＝2000ms，回波时间(TE)＝30ms，层厚＝3mm。
在情绪加工任务中，被试观看高兴、恐惧、厌恶和中性表情的面孔图片，右手放在有4 个按键的反应盒上。要求被试用右手的食指、中指、无名指和小指分别对高兴、恐惧、厌恶和中性表情的面孔图片进行按键反应。每张图片呈现时间为2秒，图片之间的间隔时间为2 至10秒间的随机时长。该实验分成2组进行，组间有短暂休息，每组中每种表情呈现20次。整个实验过程中要求被试平躺在磁共振仪中，除手指按键反应外全身尽量保持静止。
对于采集到的磁共振数据首先进行预处理，矫正功能像采集过程中的头动，并把结构像和功能像都转化到由蒙特利尔神经学研究所(Montreal Neurological Institute)制定的MNI标准空间。
对结构像，利用VBM算法求得脑成像中每个体素对应的灰质密度(图4)。对功能像，利用广义线性模型求得每个体素对每种表情的激活值β(图5)。
由于全脑所含体素数目达上万个，以每个体素的数据作为特征易造成模型过拟合，因此基于AAL脑解剖模板，将脑分成116个解剖区域(图6)，以每个脑区对应数据的均值作为特征，可以提高信噪比，减小模型的过拟合风险。求每个脑区对应的平均灰质密度，得到116 个特征；以及每个脑区对高兴、恐惧和厌恶表情的平均激活值，得到116*3＝348个特征。提取的特征数目总计为464个。
采用特征刷选方法进一步减少特征数目，以排除与诊断无关的和贡献小的特征，提高模型准确性。此步骤中，计算每个脑区的灰质密度特征与被试所属组别(病人组为1，健康组为0)的相关系数，按从大到小排序，取前10个特征作为分类模型的待训练特征；类似的，计算每个脑区对面孔情绪的激活特征与被试所属组别的相关系数，按从大到小排序，取前10 个特征作为分类模型的待训练特征。本案例中，刷选出的特征如下表所示。
采用以上20个特征，将所有被试的数据送入线性支持向量机(SVM)进行训练。训练结果即精神分裂症早期诊断模型。
利用所建立的模型对精神分裂症进行诊断。首先，对待测被试，利用磁共振采集脑结构像和面孔情绪加工任务下的脑功能像，扫描参数和实验流程与上述相同。对所采集的磁共振数据，进行数据预处理，利用VBM算法求得每个体素的灰质密度，利用广义线性模型求得每个体素对每种表情的激活值。提取表1中所列脑区的灰质密度和对相应情绪的激活值，按照模型训练步骤所得的样本均值和方差进行特征归一化。归一化的特征送入训练所得的诊断模型得到诊断结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。
Claims (8)
1.一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，通过如下方法获得的：获取磁共振下的脑成像数据作为模型的训练数据；从训练数据中提取特征；对所提取的特征进行筛选；利用所筛选的特征和有监督的机器学习方法进行模型训练，从而建立精神分裂症早期诊断模型；所述磁共振下的脑成像数据包括精神分裂症患者和健康被试者的脑结构像数据以及面孔情绪加工任务的下的功能像数据；所述训练数据中提取特征包括：从脑结构像中提取大脑各个解剖区域的灰质密度，从功能像中提取脑的各个解剖区域对高兴、恐惧和厌恶情绪的激活指标；所述灰质密度通过VBM算法提取，所述激活指标通过下列公式计算：Y=Xβ+ε，其中Y为每个体素的信号时间序列，X为实验设计矩阵，每一列代表一个一种面孔情绪在实验中出现的时间信息，β是需要求解的列向量，其中每个元素是代表该体素对某种面孔情绪响应强度，ε是误差向量。
2.根据权利要求1所述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，所述面孔情绪包括高兴、恐惧和厌恶情绪。
3.根据权利要求1所述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，对所提取的特征进行筛选包括：计算特征与诊断结果的线性相关性，筛选相关性前十的特征，线性相关性计算公式如下：R(i)=(cov(Xi,Y))/√(var(Xi )var(Y))，其中Xi表示第i个特征，Y表示被试所属类别，病人组为1，健康组为0。
4.根据权利要求3所述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，所筛选的特征如下：
。
5.根据权利要求1所述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，利用所筛选的特征和有监督的机器学习算法进行模型训练包括：特征归一化，将每个特征的均值调整为0，方差调整为1，归一化的数据和数据的类别标记送入机器学习算法模型中进行模型训练，训练结果即精神分裂症早期诊断模型。
6.根据权利要求1所述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，采集脑结构像的磁共振脉冲序列为的3D FSPGR序列，层厚=1mm；采集脑功能像的磁共振脉冲序列为EPI序列，翻转角=90°，重复时间为2000ms，回波时间为30ms，层厚为3mm。
7.根据权利要求1所述基于面孔表情识别磁共振成像的精神分裂症早期诊断模型，其特征在于，基于AAL脑解剖模板，将脑分成116个解剖区域，以每个脑区对应数据的均值作为特征。
8.权利要求1-7任一所述模型在制备精神分裂症早期诊断试剂盒中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811269628.6A CN109359403B (zh) | 2018-10-29 | 2018-10-29 | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811269628.6A CN109359403B (zh) | 2018-10-29 | 2018-10-29 | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109359403A CN109359403A (zh) | 2019-02-19 |
| CN109359403B true CN109359403B (zh) | 2023-04-18 |
Family
ID=65347291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811269628.6A Active CN109359403B (zh) | 2018-10-29 | 2018-10-29 | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359403B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335685B (zh) * | 2019-07-05 | 2022-08-05 | 河海大学常州校区 | 一种基于脑连接对偶子空间学习的adhd分类诊断方法 |
| CN110675953B (zh) * | 2019-09-23 | 2023-06-30 | 湖南检信智能科技有限公司 | 利用人工智能和大数据筛查识别精神病患者的系统 |
| CN111460952B (zh) * | 2020-03-26 | 2023-11-21 | 心图熵动科技(苏州)有限责任公司 | 一种精神分裂症面部识别规则的生成方法、系统和预测系统 |
| CN112869744B (zh) * | 2021-01-20 | 2024-05-31 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种精神分裂症辅助诊断方法、系统和存储介质 |
| CN113234813A (zh) * | 2021-06-29 | 2021-08-10 | 山西医科大学第一医院 | 一种早发型精神分裂症的分子标志物及其应用 |
| CN113808735B (zh) * | 2021-09-08 | 2024-03-12 | 山西大学 | 一种基于脑影像的精神疾病评估方法 |
| CN114926396B (zh) * | 2022-04-13 | 2023-06-20 | 四川大学华西医院 | 一种精神障碍类磁共振图像初步筛查模型构建方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110301431A1 (en) * | 2010-06-05 | 2011-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of classifying cognitive states and traits and applications thereof |
| CN105534534A (zh) * | 2015-12-09 | 2016-05-04 | 浙江大学 | 一种基于实时功能磁共振的情绪识别方法、装置及系统 |
| CN105816170B (zh) * | 2016-05-10 | 2019-03-01 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
| CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
| EP3484356A1 (en) * | 2016-07-13 | 2019-05-22 | National Institute of Advanced Industrial Science and Technology | System for precise decoding of movement related human intention from brain signal |
| CN107909117B (zh) * | 2017-09-26 | 2020-06-16 | 电子科技大学 | 基于脑功能网络特征对早晚期轻度认知障碍的分类装置 |
-
2018
- 2018-10-29 CN CN201811269628.6A patent/CN109359403B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 张涛 ; 张明辉 ; 李清伟 ; 张杰 ; .基于粒子群-支持向量机的时间序列分类诊断模型.同济大学学报(自然科学版).2016,(第09期),158-165. * |
| 董问天 ; 刘琳 ; 邹立秋 ; 裴新龙 ; 袁慧书 ; 阎浩 ; 谢敬霞 ; 张岱 ; .精神分裂症患者面孔知觉的功能磁共振成像.中国心理卫生杂志.2006,(第12期),4-7. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109359403A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359403B (zh) | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 | |
| Alvi et al. | A long short-term memory based framework for early detection of mild cognitive impairment from EEG signals | |
| Paus | Mapping brain maturation and cognitive development during adolescence | |
| Cai et al. | Dynamic graph theoretical analysis of functional connectivity in Parkinson's disease: The importance of Fiedler value | |
| Yue et al. | Auto-detection of Alzheimer's disease using deep convolutional neural networks | |
| Garner et al. | A machine learning model to predict seizure susceptibility from resting-state fMRI connectivity | |
| Bayram et al. | Deep learning methods for autism spectrum disorder diagnosis based on fMRI images | |
| Fine et al. | Left frontal lobe contributions to concept formation: A quantitative MRI study of performance on the Delis–Kaplan Executive Function System Sorting Test | |
| Kong et al. | Multi-stage graph fusion networks for major depressive disorder diagnosis | |
| Fan et al. | Abnormal brain regions in two-group cross-location dynamics model of autism | |
| Zuo et al. | Deep Learning-based Eye-Tracking Analysis for Diagnosis of Alzheimer's Disease Using 3D Comprehensive Visual Stimuli | |
| CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
| Zhu | Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic | |
| Sabegh et al. | Automatic detection of autism spectrum disorder based on fMRI images using a novel convolutional neural network | |
| Li et al. | Diagnosis of Alzheimer's disease by feature weighted-LSTM: a preliminary study of temporal features in brain resting-state fMRI | |
| Erdaş et al. | A deep learning method to detect Parkinson’s disease from MRI slices | |
| Nakahara et al. | Exploring the neural basis of cognition: multi-modal links between human fMRI and macaque neurophysiology | |
| Shastri et al. | Detection and Classification of Alzheimer’s Disease by Employing CNN | |
| Jain et al. | Age-specific diagnostic classification of asd using deep learning approaches | |
| Hernández-Capistran et al. | Machine and deep learning algorithms for adhd detection: a review | |
| Malik et al. | Cortical grey matter volume differences in children with developmental coordination disorder compared to typically developing children | |
| CN114246588A (zh) | 一种抑郁症研究方法 | |
| Persichetti et al. | A functional parcellation of the whole brain in individuals with autism spectrum disorder reveals atypical patterns of network organization | |
| Menagadevi et al. | Resting‐State fMRI: Large Data Analysis in Neuroimaging | |
| Rezaee et al. | Diagnostic tools for detecting autism spectrum disorder: A review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |