精神分裂症是一种严重的精神疾病,一般认为其患者大脑的某些脑区以及这些脑区间的功能性连接发生了异常。论文通过多体素模式分析研究精神分裂症患者和健康对照组受试者在静息态下的脑功能连通,找出患者异常的功能性连通网络和异常的脑区。论文对22例精神分裂症患者,患者都是符合美国精神疾病的诊断与统计手册第四版中精神分裂症的诊断标准,和22例在性别、年龄和教育程度等方面都与患者匹配的健康对照组受试者进行静息态下全脑的磁共振扫描。在对采集的数据进行预处理后,提取其功能性连通作为特征,再选用局部线性嵌入、线性判别分析和主成分分析分别对选取的特征进行降维,然后选用C均值聚类和支持向量机分别对数据进行分类。对比分析各类方法得到的分类结果,最后进一步对得到最优的分类率的结果进行重建,得到具有最大分辨力的功能性连通和脑区信息。结果显示,采用线性方法——主成分分析和线性核的支持向量机进行处理后的分类效果最好,分类率达到93.2%,大多数的连通特征是视觉皮层网络、默认模式网络和感觉运动网络。而且,在重建算法中,发现梭状回展现出了最大的权重。结果表明,基于fMRI的多体素模式分析可以将精神分裂症患者从健康对照组中识别出来,而梭状回可能会影响精神分裂症患者的一些明显的生理学症状。权重较大的区域可能也是精神分裂症患者信息交换中容易出问题的区域,因此,论文的结果将能为精神分裂症的临床诊断提供一种识别潜在的有效标记的方法。