资源类型：
收录情况：
◇ 统计源期刊
◇ 北大核心
◇ CSCD-C
◇ EI
文章类型：
单位：
[1]上海财经大学信息管理与工程学院,上海200433
[2]上海市金融信息技术研究重点实验室(上海财经大学),上海200433
[3]上海财经大学信息管理与工程学院,上海,200433
[4]同济大学附属同济医院,上海,200065
[5]复旦大学计算机科学技术学院,上海市智能信息处理重点实验室,上海200433
出处：
ISSN：
关键词：
fMRI多维时间序列
分类诊断
自回归模型
支持向量机(SVM)
粒子群算法(PSO)
摘要：
构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.
基金：
国家自然科学基金(71171126,61572140)%教育部高等学校博士学科点专项科研基金(20130078110001)%上海市科学技术委员会科技创新行动计划资助项目(16511104704)%同济大学青年优秀人才培养计划(1508-219-040)
第一作者：
第一作者单位：
[1]上海财经大学信息管理与工程学院,上海200433
[2]上海市金融信息技术研究重点实验室(上海财经大学),上海200433
推荐引用方式(GB/T 7714)：
张涛,张明辉,李清伟,等.基于粒子群-支持向量机的时间序列分类诊断模型[J].同济大学学报（自然科学版）.2016,44(9):1450-1457.
