孔伶旭，吴海锋，2*，曾 玉，2，陆小玲

（1.云南民族大学电气信息工程学院，昆明 650500；2.云南省高校智能传感网络及信息系统科技创新团队（云南民族大学），昆明 650500）

（*通信作者电子邮箱whf5469@gmail.com）

0 引言

阿尔兹海默症（Alzheimer’s Disease，AD）是最常见的一种老年痴呆症［1］，且至今没有有效药物可以阻止或逆转其发展，只有在AD 早期时通过一些治疗来改善症状和干预其进一步的恶化［2］，从而减轻患者的病情和延长存活时间。对于AD 患者，往往会经历轻微认知障碍（Mild Cognitive Impairment，MCI）［3］，且患有MCI 的患者会有更大概率发展成为AD［4-6］。因此准确诊断MCI对AD的预防和治疗十分关键。

目前使用深度学习对MCI 的辅助诊断研究，常基于静息态功能核磁共振成像（resting-state functional Magnetic Resonance Imaging，rs-fMRI）的脑功能性连接（Functional Connectivity，FC），重点都在不同的深度学习模型上，而FC 的计算还是使用传统的皮尔逊（Pearson）相关法或加窗的皮尔逊（Window Pearson，WP）相关法。

皮尔逊相关法是研究FC 的常用方法［7-9］，它从若干兴趣区（Region Of Interest，ROI）中提取血氧水平依赖（Blood Oxygenation Level Dependent，BOLD）信号，然后计算它们之间的皮尔逊相关系数，以衡量连接强度和构建网络。该方法计算简单，可操作性强，但若BOLD 信号呈现出非平稳特性时，皮尔逊相关就难以反映动态特性。为此，可在BOLD 信号上加上若干时间窗后计算窗口内的皮尔逊系数［10］；然而，窗口的大小会对非平稳信号的相关系数计算带来影响［11］，窗口大则时间分辨率降低，窗口小则相关系数本身分辨率降低。

另外更重要的是，无论是皮尔逊相关还是加窗的皮尔逊相关，虽然在一些深度学习模型中有着不错的表现，但这两种FC 的研究更多关注在时间维度上。……