论文研究 - 功能性MRI数据的预测模型

在这项研究中，我们分析了描述820名受试者的功能性磁共振成像（MRI）成像的大脑活动数据，每个受试者在4个不同的时间进行了扫描。 这种多次扫描使我们有机会观察到受试者内成像特征的一致性，以及受试者之间的变异性。 然后将最一致的特征用于预测受试者的特征。 我们集中于四种预测方法（回归，逻辑回归，线性判别分析和随机森林），以便根据在大脑区域之间观察到的大脑活动来预测受试者的特征，例如性别和年龄。 这些预测是根据每个区域的4次扫描所评估的大脑区域之间调整后的交流活动进行的。 由于在116个大脑区域之间存在大量此类交流，因此我们对最有希望的大脑区域对进行了初步选择。 Logistic回归在根据大脑区域之间的交流活动对受试者性别进行分类中表现最好。 对于AIC逐步选择的Logistic回归模型，准确率为85.6％。 另一方面，保持整个排名预测变量集的Logistic回归模型能够获得87.7％的准确率。 有趣的是，具有AIC选择功能的模型对男性的分类更好，而完整排名的模型对女性的分类更好。 随机森林技术最能预测年龄（按原始数据提供，分为五类），准确率达48.8％。 200到1600之间的任何一组预