论文提出了一种混合算法FFT-PSOGA，旨在通过结合快速傅里叶变换（FFT）、粒子群优化（PSO）和遗传算法（GA），从高维fMRI数据中提取关键特征（体素），以提高分类准确性并降低计算成本。核心思路是通过频域分析（FFT）增强特征表征能力，再通过优化算法（PSO-GA）筛选最优特征子集，最终利用机器学习分类器验证性能。

方法步骤

数据预处理

数据来源：6名受试者的fMRI数据，每个试验包含静息态和任务态（看图、读句子）的脑活动记录，总时间27秒，采样间隔0.5秒。
频域转换：应用FFT将fMRI信号从空间域转换到频域，提取复数数据的相位部分，以捕捉高频成分（对应神经元激活）。

特征优化（FFT-PSOGA）

PSO阶段：生成初始种群，通过适应度函数（分类准确率）评估特征子集，更新粒子位置和速度，筛选局部最优解。
GA阶段：对PSO输出的优质特征子集进行交叉和变异操作，进一步优化全局搜索能力，避免早熟收敛。
输出：最终筛选出约127-142个关键体素（占原始特征的2.6%-3.1%）。

分类与验证

分类器：高斯朴素贝叶斯（GaussianNB）、支持向量机（SVM）、XGboost。
评估指标：准确率、精确率、召回率、F1分数。
实验设计：对比全特征、手动选择ROI特征、仅FFT处理特征、仅PSO-GA特征和FFT-PSOGA特征的性能。

创新点

频域特征增强：首次将FFT用于fMRI数据特征提取，通过频域分析分离高频（激活区域）和低频（非激活区域）成分。
混合优化策略：结合PSO的快速收敛和GA的全局搜索能力，解决传统方法易陷入局部最优的问题。
计算效率：显著减少特征数量（仅需约3%的体素），在保持高准确率的同时降低计算成本。

实验结果

分类性能：SVM表现最佳，六名受试者的平均准确率达95%-98%（如受试者04847的准确率为98%），优于高斯朴素贝叶斯和XGboost。
特征数量：FFT-PSOGA将特征从数千个体素压缩至约127-142个，特征利用率仅3%左右。
对比优势：与文献[1, 9, 25]相比，FFT-PSOGA在更少特征下实现了更高准确率（如文献[25]需2610个特征达98.75%准确率，而FFT-PSOGA仅用127个特征达98%）。

局限与未来方向

数据规模：实验仅基于6名受试者，需更大样本验证泛化性。
特征多样性：仅依赖FFT和优化算法，未来可融合时频分析（如小波变换）或深度学习自动提取特征。
分类器对比：未尝试更复杂的深度学习模型（如CNN、RNN），可能进一步提升性能。
计算成本：GA的迭代次数仍较高，未来计划用深度学习替代部分优化步骤。

总结

FFT-PSOGA通过频域分析与混合优化算法，高效提取fMRI数据中的关键体素，显著降低计算成本，同时保持高分类准确率。该方法为多受试者fMRI数据分析提供了新思路，尤其在神经疾病（如阿尔茨海默病、自闭症）的脑活动模式识别中具有应用潜力。未来结合深度学习或扩展至更多临床场景，有望进一步推动fMRI数据的自动化分析。

fMRI classification of Alzheimer's disease in the Brain Network using GA-PSO

核心逻辑

论文提出了一种基于遗传算法（GA）和粒子群优化（PSO）的混合模型（GA-PSO），用于从fMRI数据中提取脑网络拓扑特征，并优化特征组合以提高阿尔茨海默病（AD）的分类准确率。其核心思路是通过相位同步指数（PSI）构建脑功能网络，提取关键拓扑特征，再通过GA-PSO算法筛选最优特征子集，最终利用SVM分类器实现AD检测。

方法步骤

数据预处理

数据来源：ADNI数据库的118名AD患者和127名正常对照组（CN）的fMRI数据。
预处理步骤：DICOM转NIfTI格式、时间层校正、运动校正、空间标准化（3×3×3 mm³）、高斯平滑（6 mm FWHM）、时间滤波（0.01-0.08 Hz）以去除噪声。

脑网络构建与特征提取

PSI方法：通过Hilbert变换计算相位同步指数，生成116×116功能连接矩阵。
拓扑特征：提取8个图论特征，包括度（Degree）、节点介数（Node Betweenness）、聚类系数（Clustering Coefficient）、全局效率（Global Efficiency）等。

特征选择（GA-PSO）

GA操作：选择、均匀交叉（Uniform Crossover）、高斯变异（Gaussian Mutation）以增强全局搜索。
PSO操作：粒子速度和位置更新公式（含惯性权重和加速系数），优化局部搜索。
混合策略：GA生成多样性种群，PSO加速收敛，避免局部最优。

分类与验证

分类器：支持向量机（SVM）。
验证方式：5折交叉验证，评估指标为准确率、精确率、召回率、F1分数。

创新点

混合优化算法：首次结合GA的全局搜索与PSO的局部搜索能力，平衡探索与开发，提升特征选择效率。
频域特征提取：通过PSI构建脑网络，捕捉AD相关的功能连接退化（如全局效率降低、路径长度增加）。
高维特征降维：从116个ROI中提取8个关键拓扑特征，并通过GA-PSO筛选出4个最优特征组合（5-8），显著降低计算复杂度。

实验结果

算法性能：在Sphere和Rastrigin测试函数中，GA-PSO收敛速度最快，全局最优值优于单独GA或PSO（图3）。
脑网络差异：AD患者的功能连接强度显著低于正常组（PSI值集中在0-0.4 vs. 0.5-1），且拓扑特征（如度、聚类系数）差异显著（P<0.01）（图4、表1）。
分类准确率：GA-PSO在SVM上达到84.92%的准确率，优于单独GA（约80%）和PSO（约78%）（图5）。

局限与未来方向

样本规模：数据量较小（共245例），需扩展样本验证泛化性。
特征解释性：拓扑特征的生物学意义需结合神经病理学进一步验证。
计算效率：GA-PSO的迭代次数（200代）和种群规模（30）可能限制其在大规模数据中的应用。
分类器对比：未与深度学习模型（如CNN、RNN）对比，未来可探索端到端特征学习。

总结

论文通过PSI构建脑功能网络，提取反映AD病理的拓扑特征，并利用GA-PSO优化特征组合，显著提升了分类性能。该方法为AD的早期诊断提供了新的计算工具，尤其在特征选择与脑网络分析结合上具有创新性。未来可通过扩大数据集、引入深度学习模型进一步提升实用性和解释性。

Deep Learning Based Diagnosis of Mild Cognitive Impairment Using Resting‑State Functional MRI

研究背景与目的

背景：轻度认知障碍（MCI）是阿尔茨海默病（AD）的前驱阶段，早期诊断对延缓疾病进展至关重要。传统临床方法依赖主观评估，缺乏客观生物标志物支持。
目的：提出一种基于深度学习的方法（MCI-ARnet），利用静息态功能磁共振成像（rs-fMRI）中的低频振幅（ALFF）和区域同质性（ReHo）特征，实现MCI的自动诊断。

方法创新

双分支交叉协作特征提取器：
- 基于ResNet架构，设计两个独立分支分别提取ALFF和ReHo特征。
- 引入跨模块连接策略，允许分支间动态交互信息，纠正单分支的误差，提升特征多样性和鲁棒性。
特征增强融合模块（FFM）：
- 通过注意力机制动态分配通道权重，突出对分类贡献大的特征。
- 使用矩阵乘法和Softmax计算相关性，加权融合ALFF与ReHo特征。
3D Grad-CAM可视化：
- 改进3D梯度加权类激活映射技术，可视化模型关注的关键脑区（如前额叶皮层），增强模型可解释性。

实验与结果

数据集：ADNI公共数据库，包含95例MCI患者和104例正常对照（NC），按8:2划分训练集与测试集。
预处理：去除噪声、头动校正、空间标准化等，使用DPABI软件计算ALFF和ReHo。
性能指标：
- MCI-ARnet：准确率92.50%，精确率93.75%，召回率92.11%，F1分数92.92%，AUC 0.9424。
- 对比模型：单分支模型（仅ALFF或ReHo）性能显著低于融合模型（如MCI-funet的准确率90.00%），验证了双分支与跨模块连接的有效性。
可视化结果：模型关注的前额叶区域与MCI的病理特征一致，支持其生物学合理性。

贡献与优势

自动化特征提取：无需人工设计特征，解决传统机器学习依赖特征工程的局限性。
多模态特征融合：ALFF与ReHo的互补性被充分挖掘，提升分类性能。
临床适用性：高精度和可解释性使其有望成为辅助诊断工具，尤其适用于症状不明显的早期病例。

局限与展望

局限性：
- 仅使用ALFF和ReHo，未来可探索更多rs-fMRI指标（如功能连接）。
- 未区分MCI亚型（如遗忘型与非遗忘型）。
未来方向：
- 扩展至多分类任务（如MCI亚型、AD阶段）。
- 结合其他模态数据（如结构MRI、基因数据）进一步提升诊断性能。

结论

MCI-ARnet通过双分支交叉协作和特征融合，在rs-fMRI数据中高效捕获MCI的病理特征，为临床提供了一种高精度、可解释的辅助诊断工具。其设计思路为基于多模态神经影像的疾病诊断研究提供了重要参考。

fMRI-Based Alzheimer’s Disease Detection Using the SAS Method with Multi-Layer Perceptron Network

研究背景与目的

背景：阿尔茨海默病（AD）是主要的神经退行性疾病，传统医学影像分析耗时且复杂，亟需自动化诊断方法。
目的：提出一种结合超像素分割（SAS）、特征优化（HBOA）和分类（MLP）的自动化模型，用于多阶段AD（AD、NC、MCI、EMCI、LMCI、SMC）的精准检测。

方法创新

数据预处理与归一化：
- 使用归一化技术调整fMRI图像对比度，增强图像质量（图2）。
超像素分割（SAS方法）：
- 将图像划分为超像素，通过二分图分割和均值漂移聚类实现多类别脑区分割（图3）。
混合特征提取：
- Gabor特征：捕捉空间频率和方向信息，提取2361维向量。
- GLCM特征：分析像素邻域关系，提取2102维纹理特征（如对比度、熵等）。
- 总提取4463维特征，通过HBOA优化至3260维（图4）。
蜂蜜獾优化算法（HBOA）：
- 模拟蜂蜜獾捕食行为，平衡全局探索与局部开发，高效减少特征冗余（图5）。
MLP分类器：
- 三隐藏层结构（每层10个神经元），使用Levenberg-Marquardt算法优化权重，实现多分类（图7）。

实验与结果

数据集：ADNI数据库，138例样本（AD 25、NC 25、MCI 13、EMCI 25、LMCI 25、SMC 25）。
评估指标：
- 分割性能：DSC 88.90%，JC 90.82%，HD 88.43%（表3），优于传统方法（如Otsu阈值、分水岭）。
- 分类性能：准确率99.44%，F1分数99.55%，召回率99.55%（表4），显著优于随机森林、SVM等。
- 优化效果：HBOA提升MLP分类准确率13%（对比无优化时的86.50%），优于遗传算法、鲸鱼优化等（表5）。

贡献与优势

高效分割：SAS方法简化复杂脑区分割，支持多类别识别。
特征融合与优化：Gabor+GLCM捕获互补信息，HBOA显著降低特征维度。
高精度分类：MLP在小样本下表现优异，适合临床辅助诊断。
计算效率：总处理时间104.44秒（分割42.33秒，分类62.11秒）。

局限与展望

局限性：
- MLP对高维数据冗余敏感，需进一步优化网络结构。
- 依赖单一模态（fMRI），未结合其他数据（如MRI、EEG）。
未来方向：
- 引入迁移学习或CNN处理多维数据。
- 扩展至多模态融合，提升AD亚型分类精度。

与MCI-ARnet的对比

相似点：均使用ADNI数据集，关注AD/MCI的早期诊断。
差异点：
- MCI-ARnet：基于深度学习的双分支特征融合（ALFF+ReHo），注重模型可解释性（3D Grad-CAM）。
- 本论文：传统特征（Gabor+GLCM）结合优化算法（HBOA）和MLP，强调计算效率与多阶段分类。
结论：两种方法各有侧重，传统特征+优化算法在小样本场景高效，而深度学习在复杂特征提取上更具潜力。

Genetics Information with Functional Brain Networks for Dementia Classification

研究背景与目的

背景：阿尔茨海默病（AD）和轻度认知障碍（MCI）的早期诊断对延缓疾病进展至关重要。现有研究多依赖单一模态数据（如影像或基因），缺乏多模态融合分析。
目的：提出一种结合遗传信息（SNPs）和静息态功能磁共振（rs-fMRI）脑网络特征的多核支持向量机（MKL-SVM）模型，用于精准分类AD、MCI及其亚型（MCIc和MCIs）。

方法创新

多模态数据融合：

rs-fMRI脑网络特征：基于AAL 90图谱构建功能连接矩阵，提取节点图度量（如度中心性、模块化系数）。
遗传特征：选取54个AD相关基因的SNPs，通过集成特征选择（Chi-Square、InfoGain、ReliefF）优化。
使用group-LASSO筛选关键脑区节点特征，减少冗余（图3）。

多核学习支持向量机（MKL-SVM）：

融合线性、多项式和径向基核函数，动态加权多模态特征（图1）。
通过留一交叉验证（LOOCV）评估模型性能，避免过拟合。

对比实验：

对比随机森林（RF）和XGBoost，验证MKL-SVM的优越性（表3）。

实验与结果

数据集：ADNI数据库，包含138例样本（AD 45、HC 32、MCIc 35、MCIs 33）。
评估指标：
- AD vs. HC分类：组合特征（rs-fMRI + SNPs）达到93.03%准确率、95.13% AUC（表3，图5a）。
- MCIc vs. MCIs分类：83.73%准确率、91.07% AUC，优于单模态特征（图5d）。
- 关键脑区：颞叶（海马、杏仁核）、顶叶、扣带回等区域显示高区分度（图3）。
- 关键SNPs：APOE、CR1、PVRL2等基因的SNPs对分类贡献显著（图2）。

贡献与优势

多模态互补性：影像与遗传数据结合提升分类性能（AD vs. HC准确率提升约15%）。
特征选择优化：group-LASSO和集成方法有效减少高维特征冗余。
临床适用性：为AD早期诊断提供可解释的生物标志物（如海马功能连接异常、APOE基因变异）。

局限与展望

局限性：
- 样本量较小（AD仅45例），需更大数据集验证泛化能力。
- SNPs选择依赖已知AD相关基因，可能遗漏新风险位点。
未来方向：
- 结合纵向数据动态追踪AD进展。
- 扩展多模态数据（如sMRI、PET）及深度学习方法（如图神经网络）。

与MCI-ARnet和HBOA-MLP的对比

MCI-ARnet：基于深度学习的双分支模型，专注于rs-fMRI的ALFF和ReHo特征融合，强调可解释性（3D Grad-CAM）。
HBOA-MLP：传统特征（Gabor+GLCM）结合优化算法，适合小样本多阶段分类。
本文方法：融合遗传与影像数据，利用MKL-SVM实现高精度分类，适合探索基因-脑网络交互机制。

结论

该研究通过整合遗传信息与功能脑网络特征，提出了一种高精度的AD分类框架。 MKL-SVM在多模态融合中表现优异，为AD的早期诊断和病理机制研究提供了新思路。未来可结合更大样本和多模态深度学习模型，进一步提升临床实用性。

Identifying discriminative features of brain network for prediction of Alzheimer’s disease using graph theory and machine learning

这篇论文研究了如何利用 机器学习（ML）和图论（Graph Theory） 分析脑功能网络，以预测阿尔茨海默病（AD）。

研究背景

问题：阿尔茨海默病（AD）是一种神经退行性疾病，早期诊断困难。传统方法（如脑脊液检测、淀粉样蛋白PET成像）成本高且侵入性强。
解决方案：通过**静息态功能磁共振成像（rs-fMRI）**捕捉脑区间的功能连接性（Functional Connectivity, FC），结合图论指标和机器学习模型，开发非侵入性、高精度的早期诊断方法。

方法与数据

数据集：

SALD数据集：包含健康成年人（21-50岁）和老年人（53-76岁）的rs-fMRI数据。
OASIS数据集：包含健康老年人和AD患者（64-95岁）的rs-fMRI数据，共112名参与者。

图像处理：

使用CONN工具箱和SPM软件预处理数据，提取166个脑区（基于AAL3图谱）的BOLD信号。
构建功能连接矩阵，通过阈值（0.15）转化为二值网络，计算图论指标（如平均路径长度、聚类系数、节点中心性等）。

机器学习模型：

使用支持向量机（SVM）、随机森林、逻辑回归、XGBoost等算法。
通过5折交叉验证评估模型，最终SVM模型以92%的准确率表现最佳。

关键发现

重要脑区：

识别出与AD最相关的13个脑区，包括**丘脑腹后外侧核（VPL-L）、黑质网状部（SNr-L）、伏隔核（NAc-L）**等。
这些区域在AD患者中与丘脑的功能连接强度显著下降（部分区域减少70%）。

功能连接变化：

AD患者的**默认模式网络（DMN）和额顶网络（FPN）**功能连接受损，与认知衰退相关。
**黑质（SN）和伏隔核（NAc）**的连接减少可能与多巴胺系统功能障碍有关。

模型性能：

SVM模型在分类健康人、老年人和AD患者时表现最优（准确率92%），表明其在复杂高维数据中的鲁棒性。

局限性与未来方向

数据限制：样本量较小，且数据集来源单一，可能影响泛化能力。
方法改进：当前基于成对相关性的功能连接可能忽略高阶关系，未来可探索超图模型（Hypergraph）。
临床应用：需验证更大规模、多样化的数据集，并研究脑网络特征与疾病进展的关联。

总结

该研究通过整合rs-fMRI、图论和机器学习，提出了一种潜在的AD早期诊断工具，揭示了关键脑区的功能连接变化。未来需进一步验证其临床实用性，并探索更复杂的网络分析方法。

Genetic algorithm-based hybrid deep learning model for explainable Alzheimer’s disease prediction using temporal multimodal cognitive data

研究背景

问题：阿尔茨海默病（AD）早期诊断困难，传统方法（如脑脊液检测、淀粉样蛋白PET成像）成本高且侵入性强。
目标：开发一种高精度、低成本、可解释的AD预测模型，利用时间序列认知评分数据（如MMSE、FAQ等）替代昂贵的神经影像数据。

方法创新

混合模型架构：

CNN-LSTM网络：CNN提取局部时间特征，LSTM捕捉长期时序依赖。
贝叶斯优化：自动调整模型超参数（如层数、滤波器数量），提升性能。
遗传算法特征选择：从深度学习提取的深层特征中筛选最优子集，减少冗余。

分类器优化：

用**随机森林（RF）**替代传统SoftMax分类器，提升分类准确率。

可解释性技术：

SHAP和LIME：提供全局特征重要性（哪些认知子评分对预测影响最大）和局部解释（单个患者预测依据）。

实验与结果

数据集：ADNI数据集，包含1107名参与者（CN、sMCI、pMCI、AD四类），涵盖5个时间点的认知子评分（MMSE、FAQ、CDR等）和人口统计信息。
任务设计：
- 四分类（CN vs. sMCI vs. pMCI vs. AD）
- 三分类（CN vs. sMCI vs. AD）
- 二分类（CN vs. AD）
性能对比：
- 最佳模型：CNN-LSTM + 遗传算法特征选择 + RF分类器。
- 准确率：
  - 二分类：91.89%（测试集）
  - 三分类：88.86%（测试集）
  - 四分类：86.60%（测试集）
- 显著优势：优于传统机器学习（如SVM、XGBoost）和其他深度学习模型（如单一LSTM、CNN）。
关键发现：
- CDR子评分（如CD_Memory、CD_judge）对AD预测贡献最大。
- 时间序列分析能捕捉认知功能的渐进衰退，如pMCI患者的ADAS评分随时间显著恶化。