近年来,机器学习技术广泛用于从功能磁共振成像(functional magnetic resonance imaging,f MRI)数据中解码视觉信息、精神状态、情绪和其它感兴趣的大脑感知和认知功能。然而,由于fMRI数据样本维数高,样本量少,一般需要利用特征提取方法去除多余的预测变量和实验噪声等信息,避免机器学习模型出现过拟合问题,提高模型的预测准确率和泛化能力。介绍和讨论了常用fMRI数据有监督特征提取方法的一般原理和研究现状,并着重分析其性能和可能改进方向,最后对特征提取方法在fMRI中的研究方向进行了展望。
目的应用定量CT(quantitative computed tomography,QCT)技术测量腰椎骨密度(bone mineral density,BMD),探讨体格测量、体成分分析指标与中老年男性腰椎BMD的相关性。方法本研究为横断面研究,选取2018年1月至2023年2月在河南省人民医院健康管理中心接受体格检查的1152名中老年男性体检者为研究对象,采集受试者年龄、身高、体重、血压、腰围、臀围、体脂肪质量与体肌肉质量数据,并计算体质量指数(body mass index,BMI)、体脂率(body fat percentage,BFP)与骨骼肌质量指数(skeletal muscle mass index,SMI)。同时使用QCT技术测量受试者腰椎BMD值,按照BMI进行分组,分为BMI正常组(18.5≤BMI<24 kg/m^(2))、超重及肥胖组(BMI为>24 kg/m^(2)),并在两组中分别按照骨量诊断标准进行讨论。采用单因素方差分析,Pearson相关性分析和偏相关分析体格测量、体成分分析指标与腰椎BMD的相关性。结果在BMI正常组中,骨质疏松组的年龄、收缩压、腰臀比、BFP显著高于骨量正常组,SMI显著低于骨量正常组与骨量减少组(P均<0.05);超重及肥胖组中,骨质疏松组的年龄、收缩压、腰围、腰臀比与BFP显著高于骨量正常组,SMI显著低于骨量正常组与骨量减少组(P均<0.05)。Pearson相关性分析结果显示,BMI正常组中腰椎BMD值与年龄、腰围、腰臀比、BFP呈显著负相关关系(r=-0.385,r=-0.122,r=-0.199,r=-0.168,P均<0.05),与SMI呈正相关(r=0.226,P<0.05);超重及肥胖组中腰椎BMD值与年龄、收缩压、腰围、腰臀比、BFP呈显著负相关关系(r=-0.379,r=-0.087,r=-0.101,r=-0.187,r=-0.199,P均<0.05),与SMI呈正相关(r=0.251,P<0.05)。在校正年龄因素后,偏相关分析分析结果显示,BMI正常组中腰椎BMD值与腰围、腰臀比、BFP呈显著负相关关系(r=-0.157,r=-0.212,r=-0.134,P均<0.05),与SMI呈正相关(r=0.167,P<0.05);超重及肥胖组中腰椎BMD值与腰围、腰臀比、BFP呈显著负相关关系(r=-0.120,r=-0.163,r=-0.126,P均<0.05),�