國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五章結論與探討
這篇論⽂文⾸首先先將原本為 Beta-series 相關係數矩陣的資料轉成能讓演算法
去運算的資料，再使⽤用 DCG tree 去看不同距離下的 ASD 與 TD 的 fMRI 資料結
構，得出了歐幾⾥里德距離是最適合拿來分析此類型資料。︒｡為了減少多變數產⽣生的
缺點，也使⽤用了多種刪減維度的⽅方式，選出最能顯⽰示兩類差異的變數，⽽而 t 檢定
篩選出了最後的答案。︒｡考慮變數間分組可能影響資料結構分析，使⽤用雙層距離來
減少變數間分組產⽣生的誤差，最後得出歐幾⾥里德雙層距離加上 t 檢定篩選出之變
數最能表⽰示此資料的幾何型態。︒｡
由以上敘述列出此篇論⽂文之重點結論：
i. 使⽤用獨⽴立雙樣本 t 檢定能有效的得出確實有差異之變數，以篩選多餘之資訊
ii. 歐幾⾥里德雙層距離能有效地表達出此 fMRI 資料的幾何型態
iii. DCG tree由不同尺度總結之結構有很好的結果(H. Wang et al., 2012)，在本篇
論⽂文中也呈現並應證了在總結結構上的良好結果
iv. 若結果不是很理想，可試著提⾼高閥值，讓 DCG tree 能有更多時間去確定資
料幾何的形態，以得到更好的結果
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
以上幾點希望可作為未來 fMRI 分類分析之參考資料，以得到更好的結果。︒｡
若能增進 fMRI 的研究結果，並將 fMRI 的數據進⾏行分析，就可使研究學者檢測
⼤大腦的活動和對象執⾏行任務之間的相關性，進⽽而確定⼤大腦的活動，並提取有⽤用的
信號。︒｡將⼤大腦區域中分群，有相似的活動模式地⽅方分在同⼀一群，可以幫助⽣生理學
家獲得更多關於⼤大腦功能的信息。︒｡此外，依研究對象⼤大腦活動模式將其分群，可
以幫助醫療專業⼈人員確定⼈人的臨床診斷狀況。︒｡
雖然本研究的的 Accuracy 達到 0.84，Precision 更達到 1，與其它演算法相⽐比
已經勝出許多，但此類型研究的最終⽬目的，仍希望得到較準確的診斷預測，以正
確判斷有疾病的⼈人。︒｡從原始資料轉換的⽅方⾯面來說，Rissman, Gazzaley, & D'Esposito
於 2004 年的⽂文章提到 Beta-series 相關係數為⼀一種新的⽅方法，能特徵化不同區域
之間的交互關係，且跟以往不同的是，能使⽤用到腦連結不同階段的數據，能更穩
健，不會受到不同階段的影響，因此是⽬目前很好的選擇了。︒｡
從資料後續處理⽅方⾯面來說，篩選變數⽅方式，如直接使⽤用 Tzourio-Mazoyer et al.
於 2002 年提到 106 個 ROI 所在的 10 個腦域(Tzourio-Mazoyer et al., 2002)當作分
組根據，將同個腦域 ROI 間的 Beta-series 相關係數取出，使⽤用得到的相關係數
矩陣來做分析，還能由此分析哪個腦域是主要影響來源；距離的選擇，如曼哈頓
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
距離、︑､⾺馬⽒氏距離等，嘗試看不同的距離是否能更好的表現出資料的結構，由不同
篩選變數的⽅方式加上不同距離的選擇，都可作為後續研究的材料。︒｡
我們相信，這項研究將對功能磁共振成像數據分群研究帶來更多的資訊與想
法。︒｡我們使⽤用雙層距離⽅方法來揭開隱藏在多維資料下變數間的相互依存模式。︒｡所
計算的模式信息可被⽤用為構建學習演算法的基礎。︒｡我們可以提供⼤大腦活動和臨床
狀況有意義的關係。︒｡識別患者的臨床狀況，使他們能早期治療。︒｡這⽅方法不局限於
功能磁共振成像數據。︒｡我們可以將我們的學習⽅方法⽤用於任何⼤大數據集並找到雙關
係，縮⼩小數據集的⼤大⼩小。︒｡例如，此⽅方法可以應⽤用到⼈人類⾏行為的研究，了解⼤大眾的
意⾒見和他們的⾏行為或基因藥物和基因疾病的研究。︒｡我們提出的學習規則可應⽤用到
許多不同的領域，並為社會做出貢獻。︒｡
‧
analysis of structural and functional systems. Nat Rev Neurosci, 10(3), 186-198.doi: 10.1038/nrn2575
Chou, E. (2014). Computed Data-geometry based Supervised and Semi-supervised
Learning in High Dimensional Data. ProQuest, UMI Dissertations Publishing.
Cordes, D., Haughton, V., Carew, J. D., Arfanakis, K., & Maravilla, K. (2002).
Hierarchical clustering to measure connectivity in fMRI resting-state data.
Magnetic Resonance Imaging, 20(4),
305-317. doi:10.1016/s0730-725x(02)00503-9
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297. doi: 10.1007/bf00994018
Filzmoser, P., Baumgartner, R., & Moser, E. (1999). A hierarchical clustering method for analyzing functional MR images. Magnetic Resonance Imaging, 17(6), 817-826. doi: 10.1016/s0730-725x(99)00014-4
Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems.
Annals of eugenics, 7(2), 179-188.
Fix, E., & Hodges Jr, J. L. (1951). Discriminatory analysis-nonparametric discrimination: consistency properties: DTIC Document.
Fushing, H., Wang, H., Vanderwaal, K., McCowan, B., & Koehl, P. (2013).
Multi-scale clustering by building a robust and self correcting ultrametric topology on data points.
PLoS One, 8(2),
e56259. doi:10.1371/journal.pone.0056259
Hastie, Tibshirani, & Friedman. (2009). The Elements of Statistical Learning (2 ed.).
New York: Springer-Verlag.
Jenatton, R., Gramfort, A., Michel, V., Obozinski, G., Bach, F., & Thirion, B. (2011).
Multi-scale mining of fMRI data with hierarchical structured sparsity. Paper
presented at the Pattern Recognition in NeuroImaging (PRNI), 2011 International Workshop on.Johnson, S. C. (1967). Hierarchical clustering schemes. Psychometrika, 32(3),