开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
一、选题背景及意义
精神分裂症（Schizophrenia, SCZ）是一种发病率高，且无法确定准确病因的精神类疾病，其临床表现往往是涉及思维、情感、行为和感知觉等各方面的障碍的综合征［1］。根据世界卫生组织定量评价，在全球各类疾病中，脑疾病（如帕金森症、SCZ、阿尔兹海默症）约占28%[2]，严重威胁人类健康。所以为了提高对SCZ的基础研究水平和SCZ那个患者的临床治疗手段，找到客观有效的生物标记，自动地区分SCZ患者和正常被试者这显得尤为重要。
近年来，随着人工智能的高速发展，许多机器学习的方法同样被广泛应用于SCZ的研究中，这些技术通过处理SCZ患者的脑结构和功能磁共振影像，在发现潜在的SCZ生物标记方面非常有效。因此，通过机器学习方法对SCZ脑功能磁共振影像进行分类学习，帮助医生及早准确诊断SCZ是一个迫在眉睫的研究课题。
因此，通过大量的数字化数据集对机器学习模型进行训练，进而通过模型对新出数据得出有较高准确性的判断。使用机器学习来对SCZ患者脑部功能进行分类判断预测等活动将会对各项研究起到重要作用。
二、研究技术及进展
美国学者Wei D[3]等采用独立成分分析（Independent Components Analysis，ICA）方法对fMRI进行数据预处理，经T检验筛选，采用核主成分分析（Kernel PCA，KPCA）和Fisher鉴别分析（Fisher Linear Discriminant Analysis，FLDA）提取数据特征后组合特征进行分类实验，实验对fMRI数据的两种状态即静息态和任务态的准确率分别为98%和90%。
Zhu C Z[4]等采用PCA对结构磁共振影像（Structural Magnetic Resonance Imaging,sMRI）数据进行降维，后采用SVM分类，留一法交叉验证的最好结果为75%。
刘利婷等[5]采用脑静息态功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）局部一致性（ReHo）方法探讨首发SCZ患者脑区自发性活动特征。通过计算病例组和对照组的ReHo值，比较两组间ReHo差异。ReHo是假设在一个活动的或激活的脑区内，相邻的体素的血样水平依赖信号（BOLD）的信号值在时域上具有一定的相似性或一致性，通过计算肯德尔和谐系数（KCC）量化地衡量这种局部区域内时间序列信号变化所反应神经自发活动的相似或一致性。在前期数据处理上，刘利婷等人采用在Matlab平台上运行DPARSFA软件进行数据预处理，为尽可能保证磁场和受试者达到相对稳定状态，从提取的256各时间点的静息态数据中去除前10个时间点。后经校正，线性漂移、滤波后，提取0.01~0.08Hz范围内的低频信号，以减少高频生理噪音和低频漂移。
张娜等[6]对机器学习应用于sMRI的分类方法进行研究。完成数据预处理后，因图像中的纹理信息对噪声、光照和颜色不敏感，所以采取基于灰度共生矩阵的纹理特征进行研究。对特征进行归一化处理后，采用k近邻法（KNN）、支持向量机（SVM）、逻辑回归（LR）、梯度提升（GB）以及最新改进的XGBoost算法，进行分类实验。共200个样本，随机选取全部样本的80%共160个作为训练集，剩余40个被作为测试集，因XGBoost、GB、SVM算法均涉及较多参数，其参数调节对实验结果尤为重要，因此张娜等人利用网格搜索及交叉验证方法对以上分类方法进行参数调节。XGBoost由于加入正则项，所以可以控制模型的复杂度，有效防止过拟合，最后其达到72%准确率。而GB、KNN算法效果仅次于XGBoost，分别为64%和60%，LR算法准确率仅为52%。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
