支持向量機在進行不同眼動模式分類任務時受參數影響較大，針對這一問題，本文提出一種基于改進鯨魚算法優化支持向量機的算法以提升眼動數據分類性能。根據眼動數據特點，本研究先提取注視、眼跳相關的57個特征，再利用近鄰相關（ReliefF）算法進行特征篩選。針對鯨魚算法收斂精度低，易陷入局部最小值等問題，本文引入慣性權重平衡局部搜索和全局搜索，加快算法收斂速度，同時利用差分變異策略增加個體多樣性，跳出局部最優。本文對8個測試函數進行實驗，結果表明改進鯨魚算法具有最佳的收斂精度和收斂速度。最后，本文將改進鯨魚算法優化支持向量機模型應用于自閉癥眼動數據分類任務，公開數據集實驗結果表明，相較于傳統的支持向量機方法，本文方法的眼動數據分類準確率有著較大提升，相較于標準鯨魚算法和其他優化算法，本文方法優化后的模型具有更高的分類精度，為眼動模式識別提供了新思路與方法。未來或可利用眼動儀獲取的眼動數據，結合本文方法輔助醫療診斷。
目的 探索不同亞型注意缺陷多動障礙（attention-deficit/hyperactivity disorder, ADHD）患者腦白質微觀結構異常并建立分類模型。方法 前瞻性納入 2019 年 1 月－2021 年 9 月就診于四川大學華西醫院的 ADHD 患者及經廣告招募的健康對照者，所有受試者均接受彌散張量成像掃描。通過全腦基于體素的分析對混合型 ADHD（combined subtype of ADHD, ADHD-C）、注意缺陷型 ADHD（inattentive subtype of ADHD, ADHD-I）和對照組的各向異性分數（fractional anisotropy, FA）參數圖進行組間比較。運用支持向量機分類器及特征選擇方法構建個體化 ADHD 分類模型，并對 3 組受試者兩兩之間的分類效能進行檢測。結果 共納入 26 例 ADHD-C 型、24 例 ADHD-I 型患者及 26 例健康對照者。3 組受試者在雙側顳葉白質矢狀層及胼胝體峽部 FA 值差異有統計學意義（P<0.005），前者表現為 ADHD-C 型患者<ADHD-I 型患者<對照者，后者表現為 ADHD-C 型患者>ADHD-I 型患者>對照者；兩組亞型之間的差異點位于右側額中回白質，表現為 ADHD-C 型>ADHD-I 型。基于 FA 圖的分類模型在對兩種亞型患者間的分類預測中效能最高（P<0.05，總體準確率=76.0%，靈敏度=88.5%，特異度=70.8%）。結論 兩種亞型患者額腦白質微觀結構異常既存在共性也存在異質性。顳葉矢狀層和胼胝體的白質損害可能是 ADHD 疾病本身的病理生理基礎，而額葉區域的異常改變或為不同亞型患者間的區分點。