摘要目的 传统的静息态功能性磁共振成像(fMRI)的功能脑网络(FBN)研究是基于在整个扫描过程中FBN固定不变的假设.但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息.本文提出一种多任务融合最小绝对值收缩和选择算子(Lasso)方法来构建静息态fMRI的动态FBN.方法 提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性.具体来说,首先用滑动窗方法得到交叠的静息态fMRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性.结果 采用公开的fMRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果.实验使用阿尔兹海默症神经影像学计划(ADNI)公开的fMRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能.在3组二分类实验中,本文方法分别达到了92.31％、80.00％和84.00％的准确率.实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果.结论 本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助.多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于fMRI数据的脑部疾病的分类研究中.