静息态功能脑连接的空间动态分析及分类研究

现有的精神疾病分类模型仅采用脑网络的静态指标作为特征,忽略了脑网络的空间动态信息,导致分类性能不高。为克服这一局限性,提升分类模型的性能,提出了基于功能脑连接空间动态的分类方法。通过高维模板对脑连接进行空间动态分析,提取脑连接空间动态特征。利用统计分析进行特征选择,构建基于静息态功能脑连接的分类模型。通过对抑郁症患者与正常被试的分类实验结果表明,脑连接空间动态特征的分类准确率（83.0%）比传统采用脑网络的静态指标特征的分类准确率（77.8%）高5.2个百分点。     

脑磁图脑功能连接网络癫痫棘波识别方法研究

脑磁图（MEG）现在被广泛用于临床检查及很多领域的医学研究中,基于静息态的脑磁图脑网络分析能用于研究大脑生理或病理机制。脑磁图分析对癫痫疾病的诊断具有重要的参考价值。对癫痫脑磁信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。现有文献中对癫痫脑电信号的自动分类方法的研究已比较充分,但对癫痫脑磁信号的研究比较薄弱。提出了一种基于脑功能连接网络的全频段机器学习癫痫脑磁棘波信号自动判别方法,对四种分类器进行了综合判别对比,选择了效果最优的分类器,判别准确率可达到93.8%。因此,该方法在脑磁图癫痫棘波的自动识别与标记方面有较好的应用前景。     

基于独立成分分析功能连接的抑郁症分类研究*

已有的功能连接研究大多根据脑图谱构建全脑功能连接,但目前可选用的脑图谱种类有限且采用不同脑图谱的分析结果可能存在一定的差异。针对上述问题,利用独立成分分析方法研究了抑郁症辅助诊断问题。首先利用组独立成分分析提取独立成分并构建全脑功能连接网络,然后采用BoostFS(Boosting Feature Selection)方法进行特征选择,最后应用多元模式分析方法对20名抑郁症患者和21名健康被试进行分类。实验分类准确率达到95.12%,错分了一名抑郁症患者和一名健康被试。进一步分析表明,具有较强分辨能力的脑网络为感觉运动网络、默认网络和视觉网络,与已有基于脑图谱的研究结果基本一致,从而说明了基于独立成分分析方法的合理性,使其可能成为抑郁症辅助诊断的一种新方法。     

基于高阶最小生成树脑网络的多特征融合分类方法

现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络。低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式。高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大。基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类。实验结果表明所提方法的分类精确度高达97.54%,获得了很好的分类性能。     

基于相对极差的不确定脑网络特征提取与分类

近年来,脑网络被广泛应用在脑部疾病的诊断和分类中。考虑到大脑的不确定性特征,先前的研究将不确定图应用在脑网络建模中。在不确定脑网络研究中,传统的特征提取方法多采用均值、方差、极差等进行子图特征提取,但是它们存在泛化性能差以及子图间差异无法直接衡量的问题,进而影响分类准确率。因此,相对极差被提出作为新的特征提取方法。这一方法的优点在于既考虑到子图模式间的最大差异,又考虑到子图模式间的组间差异,可以有效避免传统方法的弊端。结果表明,相对极差与其他特征提取方法相比,其分类性能显著高于传统方法。同时,在不同的特征选择方法下相对极差表现出较好的分类性能,具有很强的泛化性。该研究为不确定脑网络特征提取方法提供了重要的参考意义。     

基于脑连接网络的阿尔茨海默病临床变量值预测

目前脑功能连接网络已被广泛用于大脑疾病诊断,然而传统的脑网络分类方法无法评估疾病所处的阶段以及预测病情的发展。近期的研究表明,脑疾病的临床变量值可以有效地帮助医生进行疾病评估,为此提出一种基于脑连接网络的方法,用于对阿尔茨海默病临床变量值进行预测。首先从脑影像中提取功能连接网络,然后使用LASSO进行特征选择,剔除不具有判别性的边。同时融合网络的聚类系数和边的权重作为特征。最后使用支持向量回归机预估临床变量值。在ADNI数据集上对提出的方法进行验证,实验结果表明,提出的方法不仅能够准确地预测疾病临床变量值而且还验证了多种特征融合的有效性。     

基于子图选择和图核降维的脑网络分类方法

脑网络分类在脑科学研究和脑疾病诊断等领域引起了学者们的广泛关注。目前大多数有关脑网络分类的研究都是以单个脑区或成对脑区之间的相关性作为分类特征,其缺点是不能反映多个脑区之间的拓扑结构信息。为克服上述缺点,提出了一种基于子图选择和图核降维的脑网络分类方法。具体包括：（1）分别从正类训练样本组及负类训练样本组中提取多个频繁子图,进而利用基于频度差的子图选择算法选取最具判别性的子图集;（2）基于上述过程中得到的子图集,利用图核主成分分析（graph-kernel-based principal component analysis,GK-PCA）方法对经过子图选择后的图数据进行特征提取;（3）利用支持向量机（support vector machine, SVM）在特征提取后的数据上进行分类。在真实的轻度认知障碍（mild cognitive impairment,MCI）脑网络数据集上对该方法进行了验证,实验结果表明了该方法的有效性。     

基于图核的动态脑网络状态构建方法及其应用

动态脑网络能有效反映脑网络中连接结构的动态变化信息，被广泛使用于脑疾病的识别研究中。动态脑网络由一组连接矩阵组成。通常研究者会基于矩阵上三角元素向量的L2距离，计算所有样本连接矩阵的距离矩阵，使用状态聚类将这些连接矩阵划分为不同的状态。但是简单地使用L2距离，且在全部样本上进行状态聚类会导致忽视连接矩阵所代表的脑网络的图结构信息以及个体之间的差异。因此，提出一种新的基于图核的动态脑网络状态构建方法。该方法针对单个体的动态脑网络设计，使用图核衡量单个样本的动态脑网络连接矩阵之间的相似性，随后根据相似性矩阵，将连接矩阵与其最相似的矩阵进行合并。在精神分裂症数据集上验证该方法的有效性，其结果证明所提方法可以获取81.6%的分类精度。     

基于高阶最小生成树的脑网络分析及对阿兹海默氏症患者的分类

利用静息态功能磁共振成像技术来研究大脑的功能连接网络是当前脑疾病研究的重要方法之一。这种方法能准确地检测包括阿兹海默氏症在内的多种脑疾病。然而,传统的网络只是研究两个脑区之间相关程度,而且缺乏对大脑区域之间更深层次的交互信息和功能连接之间关联程度的研究。为了解决这些问题,提出了一种构建高阶最小生成树功能连接网络的方法,该方法不仅保证了功能连接网络的生理学意义,而且研究了网络中更复杂的交互信息,提高了分类的准确率。分类结果显示,基于高阶最小生成树功能连接网络的静息态功能磁共振成像分类方法大幅提高了阿兹海默氏症检测的准确率。     

多节点规模下的抑郁症功能脑网络分类研究

脑网络作为复杂网络分析方法在神经影像领域的应用已得到广泛的认可。研究发现脑网络中的节点规模对网络的拓扑属性会产生重要的影响。利用静息态功能影像数据,在5种不同的节点规模下分别完成抑郁症患者和正常对照的脑网络构建,比较了网络拓扑属性的变化,并选择了4种不同的分类算法进行脑疾病分类研究。结果表明,网络节点数量不仅对拓扑属性产生了影响,而且对分类模型的构建也有直接作用。支持向量机(RBF核函数)模型在节点规模为250时,分类效果最好,平均正确率为83.18%。该研究结果在抑郁症的临床诊断中具有重要的应用价值,为基于脑网络的机器学习分类研究在网络节点规模的选择上提供了重要的参考依据。     

面向阿尔茨海默病的脑网络多频融合图核

复杂网络分析与机器学习方法相结合的阿尔茨海默病辅助诊断研究受到了越来越多的关注,其通常采用脑功能网络的方法来描述大脑活动的信息.然而,现有的成果大多基于时域信号匹配构建脑功能网络,忽略了脑活动信息在各个频段下的差异.因此,本文提出了脑网络多频融合图核的阿尔茨海默病诊断方法.首先,将功能磁共振成像产生的图像通过小波变换的方法进行分频段处理;其次,分别计算得到的各频段图像中任意两个脑区间的互信息,并设定阈值与互信息值进行比较进而构造出多频脑网络模型;然后,基于此提出面向多频脑网络模型的融合图核;最后,基于多频融合图核、采用核极限学习机在ADNI(Alzheimer’s Disease Neuroimaging Initiative)公开数据库中获取的一组数据以及在OASIS(Open Access Series of Imaging Studies)公开数据库上获取的一组数据进行阿尔茨海默病的诊断.同时,还通过实验验证了不同参数设置对诊断结果的影响.两组数据集的实验结果表明,提出的多频融合图核的辅助诊断方法能够取得最佳性能,且该方法的辅助诊断准确率在两种数据集上比对比方法的最好结果分别提高了13.79%和15.29%.     

MCI患者高阶动态功能连接的图论网络构建方法及分类

针对在低阶脑网络应用图论忽视了功能连接高阶动态性的问题,提出了一种基于高阶动态功能连接的图论网络构建方法(GNC-HodFC),提取高阶FC网络的图论特征以对轻度认知障碍患者和健康被试者进行差异性分析及分类。首先定义了表征高阶动态脑网络连接的图论节点和边;然后利用滑动窗相关技术提取低阶功能连接信息,提出平稳性判据,选取最优特征子集以构建图论的节点;最后提出自适应阈值策略对高阶动态功能连接信息进行选取以构建图论的边,最终完成高阶动态脑网络的图构建。实验结果表明,GNC-HodFC的平均分类准确率可以达到70.5%,优于其他三种对比方法,且患者组和健康组的图论特征中存在显著性差异,GNC-HodFC方法可以为轻度认知障碍的诊断提供新的辅助手段。     

一种基于先验信息的脑功能网络提取方法*

目的 脑功能网络的提取在脑科学研究中具有重要意义,本文提出一种基于先验信息的脑功能网络提取方法。方法该方法首先基于先验信息得到初始的目标和背景种子点,然后基于图论将整个脑图像构建图,最后利用半监督聚类技术提取脑功能网络。基于不同信噪比的模拟数据,本文对提出方法、基于种子点的方法、独立成分分析方法、以及两种聚类方法（归一化最小化割和K均值方法）进行比较。基于真实脑静息态功能核磁共振数据,本文使用提出方法对默认模式网络进行提取。结果 基于模拟数据的实验结果表明提出算法相对于传统的方法可以得到更为准确且鲁棒的脑功能网络。基于静息态功能核磁共振数据得到的默认模式网络在一些重要脑区具有高的稳定性,且不同地点采集数据得到的结果具有较强的一致性。结论 提出方法是一种有效的脑功能网络提取方法。     

社交网络下的不确定图隐私保护算法

社交网络平台的快速普及使得社交网络中的个人隐私泄露问题愈发受到用户的关心,传统的数据隐私保护方法无法满足用户数量巨大、关系复杂的社交网络隐私保护需求.图修改技术是针对社交网络数据的隐私保护所提出的一系列隐私保护措施,其中不确定图是将确定图转化为概率图的一种隐私保护方法.主要研究了不确定图中边概率赋值算法,提出了基于差分隐私的不确定图边概率赋值算法,该算法具有双重隐私保障,适合社交网络隐私保护要求高的场景.同时提出了基于三元闭包的不确定图边概率分配算法,该算法在实现隐私保护的同时保持了较高的数据效用,适合简单的社交网络隐私保护场景.分析与比较表明：与（k,ε）-混淆算法相比,基于差分隐私的不确定图边概率赋值算法可以实现较高的隐私保护效果,基于三元闭包的不确定图边概率分配算法具有较高的数据效用性.最后,为了衡量网络结构的失真程度,提出了基于网络结构熵的数据效用性度量算法,该算法能够度量不确定图与原始图结构的相似程度.     

基于最小生成树的多特征融合的脑网络分类研究*

针对传统图论方法设置阈值等问题,采用最小生成树方法进行脑网络的构建。传统的分类方法是从脑网络中提取一些可量化指标用于分类,忽视了多个脑区之间的拓扑信息。针对此问题,提出了一种脑区特征和连接模式相结合的多特征融合的分类方法,利用不同类型的特征来量化不同的网络性能。结果表明,抑郁症患者的最小生成树更趋向于随机网络,且局部属性出现显著异常的脑区集中在边缘系统-皮层-纹状体-苍白球-丘脑神经环路（Limbic-Cortical-Striatal-Pallidal-Thalamic, LCSPT）。此外,与单一类型特征的分类方法相比,多特征融合的方法能够有效地提高分类精度。进一步分析表明,最小生成树方法可以用于抑郁症的辅助诊断;不同形式的特征表示方法具有信息描述方面的互补性。     

基于多图核的迁移学习方法

医学数据标注成本高昂,不同研究中心提供的脑影像数据间存在分布差异,无法有效整合,影响预测模型性能.针对此问题,文中提出基于多图核的迁移学习方法,将不同的图核用于挖掘脑网络结构信息并衡量脑网络间的相似性.提出多核学习框架,提高迁移模型的性能.在自闭症谱系障碍(ASD)多中心数据集上验证文中方法可有效利用脑网络数据的结构信息.多核学习框架也可综合不同图核的优点,进一步提高方法在脑网络数据上的分类性能.     

图聚类算法的评价模型

关系数据可抽象为网络,在通常情况下,缺乏对这些现实网络背景知识的了解。为了评价图聚类算法在现实网络上的性能表现,构建了一种接近现实的网络模型,通过算法在模型网络上的性能表现来推断其分析现实网络的能力。为了确保此推断的合理性,构建的模型网络具有与所研究网络完全相同的一阶统计特征。同时,构建的模型网络可具有任意设定的集团结构,这就相当于给定了背景知识,即真实的分类信息是已知的。实例说明,构建的模型为客观评价图聚类算法提供了一条途径。     

基于不确定攻击图的攻击路径的网络安全分析

随着科学技术的发展,现有攻击图生成算法在描述突发网络拥塞、网络断开、网络延迟等意外情况时存在不足;并且对于在攻击图中同样可以达到目标状态的攻击路径,哪一条路径网络更可靠等问题还未开始研究。通过不确定图模型提出了一种攻击图的生成算法,从攻击者的目标出发,逆向模拟生成攻击图,可以较好地模拟现实攻击情况并找出最可靠攻击路径,而且可以避免 在大规模网络中 使用模型检测方法出现状态空间爆炸的问题,以帮助防御者更好地防御网络漏洞攻击。实验结果表明,该方法能够正确生成攻击图,并且对大型网络的模拟也很实用。