基于局部多项式回归-置信区间交集-粒子群优化(LPR-ICI-PSO)的fMRI动态功能连接自适应分析方法

为解决传统固定时间窗方法难以捕捉脑功能动态变化的问题，研究人员提出了一种结合局部多项式回归(LPR)、置信区间交集(ICI)和粒子群优化(PSO)的自适应滑动窗方法。该方法通过数据驱动的可变带宽选择机制，显著降低了时变相关系数估计的均方误差(MSE)，并在自闭症谱系障碍(ASD)研究中实现74.1%的分类准确率，为临床诊断提供了新工具。

　　

在功能磁共振成像(fMRI)动态功能连接分析领域，传统固定滑动时间窗方法常面临难以选择合适窗口捕捉脑功能动态变化的困境。这项研究创新性地将局部多项式回归(Local Polynomial Regression, LPR)应用于感兴趣区域(ROI)时间序列拟合，通过核函数带宽的动态调整实现偏差-方差平衡。

研究团队设计了融合置信区间交集(Intersection of Confidence Intervals, ICI)的数据驱动带宽选择机制：首先利用ICI自适应确定最小化均方误差(MSE)的局部最优带宽，计算所有ROI在不同时间点的带宽值并取平均，形成个体化的时变带宽序列。该序列进一步输入基于粒子群优化(Particle Swarm Optimization, PSO)的带宽优化算法进行全局调优。

模拟数据实验显示，LPR-ICI-PSO方法在不同噪声场景下均展现出更优的时变相关系数估计性能，MSE值显著降低。在自闭症谱系障碍(Autism Spectrum Disorder, ASD)实际应用中，采用支持向量机(Support Vector Machine, SVM)结合10折交叉验证策略，该方法实现了典型对照组(Typical Controls, TC)74.1%的分类准确率。这些发现不仅验证了该方法捕捉脑功能动态变化的有效性，更为临床诊断提供了量化工具，有助于揭示脑功能连接模式的差异特征。