抑郁症患者功能脑网络属性特征分类研究

重度抑郁症是一种常见的心理障碍.功能影像研究表明,重度抑郁症与大脑许多区域的异常有关,这些区域包括海马、海马旁回、中央前回、尾状核等.复杂网络理论为脑网络拓扑结构的研究提供了一个有效的研究方法,但以往的研究方法主要集中在功能脑网络属性的统计分析上.通过对抑郁症患者和正常人的功能脑网络属性特征的分类对比研究,从机器学习的角度提出一种新的诊断抑郁症患者的方法.     

静息态功能脑网络差异指标分析及抑郁症分类应用

为了构建辅助诊断模型,以提高抑郁症诊断的准确率。在连续的阈值空间(8%~32%)内构建所有被试的功能脑网络并使用复杂网络理论对抑郁症患者的脑网络进行分析。通过设定阈值,根据统计显著性提取不同数量的节点属性与全局属性组合作为分类特征,并选择四种不同的分类算法进行分类研究,以得到构建一个准确率较高的模型。结果是SVM和神经网络算法在阈值P为0.05下,所建的模型的分类模型的准确率较高,分别达82.78%及81.36%,因此利用该方法所构建的诊断模型可以用于抑郁症的辅助临床诊断中。     

静息态功能脑网络的基因基础以及分类研究

为了判断抑郁症患者组与健康对照组之间是否存在显著的基因型差异及基因型与疾病状态间是否存在显著交互效应,选择GSK-3β(Glycogen Synthase Kinase-3β)基因,通过功能脑网络指标进行统计分析,并利用统计显著性作为特征选择的依据,提取不同数量的节点属性作为分类特征。选择四种不同的分类算法进行分类研究,结果表明SVM和人工神经网络算法构建的分类模型正确率较高,疾病状态分类模型分别达到73.50%和70.87%,基因分类模型分别达到74.35%和76.66%。因此,基因对静息态功能脑网络存在着一定的影响,并且证明了脑网络的相关指标可以作为对基因与抑郁症疾病之间存在交互效应的判断依据。     

基于基因基础的静息态功能脑网络及分类研究

为了判断基因是否对抑郁症患者的功能脑网络存在影响,以及是否与抑郁症疾病状态之间存在相互效应,本实验选择了GSK-3β基因,利用功能脑网络的特性对其进行统计分析,再根据统计检验方法,构建分类模型.结果表明,SVM和神经网络在特征数目为25-30左右,分类模型的正确率比较高,疾病状态分别达到了77.30%和73.50%,基因型分别达到了77.35%及76.30%.由此可见,基因对静息态功能脑网络存在一定影响,也证明了基因与抑郁症疾病状态之间存在相互效应.     

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。     

多站点自杀倾向抑郁症脑功能网络同质化研究

目前来自采集中心的具有自杀倾向的重度抑郁症（Major depressive disorder,MDD）患者脑功能影像存在异质性,从而造成的计算瓶颈影响了分析可靠性。为此,本文借助同质化多站点算法,试图扩充MDD患者静息态功能磁共振成像（Resting-state functional magnetic resonance imaging,rfMRI）的样本体量,探究自杀倾向对MDD脑功能网络的影响。实验纳入3个站点、共99例MDD患者（包括非自杀倾向（Non-suicidal MDD,nMDD）67例、自杀倾向（Suicidal MDD,sMDD）32例）及72例健康对照（Healthy controls,HC）组rfMRI数据,计算Pearson相关性的功能连接并由ComBat技术同质化多站点功能连接;以小世界属性为稀疏度判别标准,以功能连接为边建立脑网络并进行图论分析;在节点度、节点效率指标上采用多重比较校正进行组间显著性对比。实验结果表明,同质化有效清除了站点间功能连接异质性。在小脑下半月小叶及蚓锥体,sMDD组较nMDD组和HC组皆具有组间显著性（pFDR<0.05）,...     

基于混合特征选择算法的抑郁症分类方法

使用尽可能少的特征进行快速而准确地诊断抑郁病症在临床应用中十分重要,然而单一传统特征选择算法仅保留特征的一种特性而忽略其他特性。针对这种情况,提出以混合特征算法联合遗传算法来选择分类特征集。利用信号间的相位锁定构建了五个频段下两组被试的脑功能连接矩阵,并根据t检验的结果,将具有显著差异(p<0.05)的连接值作为特征。面对高维特征,提出使用基于互信息的二次规划特征选择和费舍尔分数对所有特征分别进行排序,并将二者的前100个特征进行交集或者并集的包装处理。通过遗传算法进一步选择最优子集进行分类。实验结果表明,该分类法不仅将特征数目降维了90%以上,还拥有最高的分类精度,达到96.8%。     

不确定脑网络的异常拓扑分析及分类研究

静息态功能脑网络在脑疾病研究中得到了广泛的应用。然而传统的功能连接网络分析主要集中在确定图上,忽视了大脑区域之间的不确定信息。基于此,对不确定脑网络进行了研究,该方法不需要进行阈值选择,而且可以更准确地对功能连接网络进行建模。同时,将频繁子图挖掘应用到了不确定图上,并提出了几种新的判别性特征选择方法。分类结果显示,基于不确定脑网络的磁共振影像分类方法有效地提高了抑郁症诊断的准确率。     

抑郁症复杂脑网络社团结构差异分析及分类研究

为比较抑郁症脑网络结构差异及实现患者自动识别,提出了基于功能脑网络社团结构特征的机器学习方法.利用静息态功能磁共振影像数据构建功能脑网络,利用基于“堆结构”的贪婪算法进行社团划分,从脑网络模块结构的角度分析正常人和抑郁症患者的差异,并将脑网络的模块指标用于机器学习方法.利用统计显著性为阈值以筛选特征,以判断不同特征数目对分类模型的性能影响.实验结果表明,神经网络算法在28个特征下(P＜0.05),分类正确率最高达90.50％.     

静息态脑功能网络的社团结构研究

为了探索人脑的工作机制,提出将社团划分算法应用于人脑功能网络。利用功能磁共振(fMRI)采集28名健康被试静息态脑功能数据,构建了基于时间序列的脑功能网络;根据模块度和网络全连接理论对网络中的边数划定阈值范围,利用层次聚类算法和贪心算法对脑网络进行社团划分,实验结果证明两种算法的划分结果基本一致,验证了人脑功能网络具有模块化结构;进而分析了脑网络社团结构在跨阈值范围内的差异化表现,提出了研究脑功能网络的边数有效阈值范围是180至320条边。挖掘脑网络的社团结构有助于研究脑病变机理,以辅助脑疾病的诊断治疗。     

基于脑功能网络和共空间模式分析脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。     

一种改进的基于神经网络的文本分类算法

提出并实现了一种结合前馈型神经网络和K最近邻的文本分类算法。其中,在选取特征项时考虑到Web文本不同标签组所代表的意义和权重有所区别,采用了一种改进的TFIDF特征选择法。最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率。     

认知任务驱动的fMRI脑功能网络构建方法

针对脑功能网络的构建受到特定大脑图谱对兴趣点描述准确度及覆盖度的限制,提出了基于认知任务信息和神经影像数据的脑功能网络构建方法。首先计算fMRI体素对于认知任务的敏感度,然后在此基础上选取兼顾分布均衡和去中心化的大脑兴趣点,从而构建任务驱动的脑功能网络。实验通过在人脸情绪识别认知任务相关的梭状回构造任务驱动的脑功能网络,其度中心性、聚类系数、全局效率、局部效率这四个复杂网络指标均优于典型大脑图谱梭状回中兴趣点构成的网络。结果表明,计算得到的大脑兴趣点具有更强的整合性,更适合用于表征特定认知任务下的脑功能网络。     

A neural network approach for defect identification and classification on leather fabric

In this paper, an automated vision system is presented to detect and classify surface defects on leather fabric. Visual defects in a gray-level image are located through thresholding and morphological processing, and their geometric information is immediately reported. Three input feature sets are proposed and tested to find the best set to characterize five types of defects: lines, holes, stains, wears, and knots. Two multilayered perceptron models with one and two hidden layers are tested for the classification of defects. If multiple line defects are identified on a given image as a result of classification, a line combination test is conducted to check if they are parts of larger line defects. Experimental results on 140 defect samples show that two-layered perceptrons are better than three-layered perceptrons for this problem. The classification results of this neural network approach are compared with those of a decision tree approach. The comparison shows that the neural network classifier provides better classification accuracy despite longer training times.     

一种使用DBSCAN聚类的网络流量分类方法*

提出了基于DBSCAN算法的网络流量分类方法,对流的定义、特征产生、特征选择以及分类规则和分类性能的评测等内容进行了介绍。提出了基于PCA的网络流量最优特征子集的选择方法。实验结果表明,提出的分类方法能够达到较高的总精确度和查准率,能够有效地使用于网络流量分类中。     

具有抗噪性能的协议分类特征研究

针对未加密条件下的协议分类问题,研究了具有抗噪能力的协议特征构造方法。利用局部敏感哈希算法,筛选出协议样本数据中高频相似的数据片段,在此基础上提出了一种能够反映协议数据取值分布固有属性的协议特征。相比于基于协议流量统计测量的外部特征,协议数据内容的内在特征不易受到网络传输环境的干扰。采用多种典型分类器对该特征的分类性能进行实验验证,结果表明协议分类的准确率大多能达到80%以上,在有噪声干扰的仿真测试条件下,该特征表现出较好的分类抗噪性能。     

差分化节点特征对复杂网络链接预测的分类性能分析

链接预测属于复杂网络分析的研究分支,它根据网络历史结构信息预测未来节点间会产生链接的可能性,从而挖掘网络的传播和演化方式。通过引入差分化节点的贡献权重并结合经典的节点和共邻节点网络拓扑结构特征,分别应用七类有监督学习-分类模型对社交、生物、交通等不同领域的八个真实复杂网络数据集进行实验,并采用Precision和ROC曲线对实验结果进行分析与评价。实验表明,引入基于差分化节点的贡献特征能够在深入挖掘网络结构信息的基础上比其余特征有更优的预测精确度,同时差异化的分类模型和特征选择对链接预测性能有相异的影响。     

精神分裂症患者工作记忆EEG功能网络属性分析

精神分裂症与一些认知障碍如信息处理、工作记忆等联系紧密,研究工作是记忆任务中精神分裂症患者与正常人的多通道脑电在各个阶段、各个频段存在哪些显著性差异,可为精神分裂症的诊断提供依据。使用相位锁值（Phase Locking Value,PLV）来量化任意两个电极通道之间的相位同步性,构建脑功能网络的关联矩阵,计算不同稀疏度下脑网络的全局属性以及局部属性曲线下面积,在同一阶段、同一频段下对精神分裂症患者和正常人得到的属性值进行非参数检验,找出差异显著的属性及节点,将对应值作为特征训练SVM分类器,进而将精神分裂症患者和正常人分类。属性分析结果表明,工作记忆任务中[θ]和[α]频段发挥主要作用的脑区集中在右侧额叶区和枕叶区,[γ]频段相关的脑区集中在顶叶区;精神分裂症患者额叶右侧区域与枕叶区电极间[θ、][α]波相关性低于正常人,而其顶叶区电极间[γ]波的相关性高于正常人。