一种基于稀疏表示的脑功能子网络构建方法

针对根据大脑功能磁共振成像数据构建脑功能交互子网络的问题.将小波变换一致性定义为感兴趣区域(region of interest,ROI)之间功能交互模式的测度,通过稀疏表示提取每个ROI的特征,最后运用谱聚类的方法对其进行聚类,聚类结果将大脑划分为八个功能交互子网络.结果表明,这八个子网络分别对应着大脑的视觉、运动感知等主要功能系统,与当前的神经科学知识相一致,为脑功能网络研究提供了一种新的思路.     

一种基于fMRI数据的脑功能网络构建方法*

人脑可以用复杂网络方法进行定量分析。为了研究基于功能磁共振成像数据来构建脑功能网络,首先,用标准脑模板将全脑分割成90个功能区域,每个区域定义为一个网络节点;然后,用脑区的平均时间序列来计算相关系数, 网络节点间是否有边相连取决于其相关水平;最后,生成一系列不同网络密度的无向无权图,用来分析网络统计特性。结果表明,所构建的网络具有小世界拓扑结构。该脑功能网络的构建方法可以应用在某些认知障碍的临床诊断上。     

基于先验信息和谱分析的聚类融合算法

在聚类过程中利用先验信息能显著提高聚类算法的性能,但已存在的聚类融合算法很少考虑到数据集的先验信息。基于先验信息和谱分析,提出一种聚类融合算法,将成对限制信息引入到谱聚类算法中,用受限的谱聚类算法产生聚类成员,再采用基于互联合矩阵的集成方法生成最后的聚类结果。实验结果表明,利用先验信息能有效提高聚类的效果。     

一种基于先验信息的混合数据聚类个数确定算法

聚类个数的确定是聚类分析中一个富有挑战性的难题。现有的聚类个数确定方法主要采用随机选取初始聚类中心的策略,导致聚类过程中迭代次数的稳定性不强。基于此,在利用含有类标签的先验信息优化初始类中心的基础上,提出了一种基于先验信息的混合数据聚类个数确定算法。实验证明,该算法是有效的。     

一种基于谱聚类的半监督聚类方法

半监督聚类利用少部分标签的数据辅助大量未标签的数据进行非监督的学习,从而提高聚类的性能。提出一种基于谱聚类的半监督聚类算法,其利用标签数据的信息,调整点与点之间的距离所形成的距离矩阵,而后基于被调整的距离矩阵进行谱聚类。实验表明,该算法较之于已提出的半监督聚类算法,获得了更好的聚类性能。     

基于主动学习先验的半监督K-means聚类算法

基于迭代框架的主动半监督聚类框架（IASSCF）是一个流行的半监督聚类框架。该框架存在两个问题：其一,初始先验信息较少导致迭代初期聚类效果不佳,进而影响后续聚类结果;其二,每次迭代只选择信息量最大的一个样本标记,导致运行速度慢、性能提升慢。针对这两个问题,设计了一种基于主动学习先验的半监督K-means聚类算法。该方法包含初始化阶段和迭代阶段。初始化阶段主动选择代表性较高的节点集合,并基于代表节点集合构建各类的先验节点集合和约束先验集合。迭代阶段,每次迭代包含三步：1）基于当前约束先验集合,利用约束半监督聚类算法PCK-means对数据进行聚类;2）依据当前聚类结果,主动选择每个簇中最具价值信息的未标注样本点;3）利用选择样本点扩充先验节点集合及约束集合。迭代此过程至达到收敛阈值。实验结果表明,与基于原IASSCF框架的半监督K-means聚类算法相比,所提算法运行速度更快,性能更优。     

基于小波域的fMRI脑功能连通性检测方法

将小波变换和聚类方法结合,提出了一种基于小波域的fMRI激活区聚类检测方法.该方法首先采用多步决策的思想,对fMRI图像进行模糊C均值聚类,去除fMRI数据的不平衡问题;之后利用平稳小波变换,对数据进行小波分解,提取出感兴趣的频率范围的信息,并在小波域对体素用改进的K均值聚类算法进行分析,从而找出大脑中因任务刺激而激活的区域.对多名被试进行了视觉刺激实验,并与目前主流的SPM方法进行了比较,结果表明本文方法较SPM方法具有更高的合理性,对大脑功能连通性检测具有指导意义和实用价值.     

一种基于离群点信息的新型无监督聚类方法

在图像检索领域，聚类分析技术有着广泛应用。因为在对图像进行聚类分析时，通常缺少可资利用的先验知识，所以需要采用无监督的聚类算法。为了适应图像检索的需要，提出了一种新型的无监督聚类方法，即根据离群点信息来自动确定聚类算法的终止时机。此方法还弥补了现有聚类算法在离群点识别、使用上的缺欠。为验证其可行性，用其改进了CURE和ROCK两个经典算法。实验表明，改进后的两个算法都能自动终止，并能取得优于以往的聚类效果。     

一种新的网络热点话题提取方法

网络热点话题提取是网络舆情分析的重要手段,已成为信息检索领域研究的热点内容之一.传统聚类方法因其聚类结果不允许相交等因素,暴露了其在基于(主题)词聚类进行话题发现中的诸多缺点.本文基于小世界理论建立词的共现网络模型并去除大量冗余词,然后运用极大相容块技术并基于过滤后的词共现网络实现对相交话题的提取,获取网络热点话题.本文方法与传统聚类方法有本质区别,基于(主题)词聚类进行话题发现具有独特的优势,较好克服了已有方法的缺点.实验说明了本文方法对提取网络热点话题是有效和可行的,比同类算法具有更好的性能,且具有较好的可伸缩性.     

Fusing functional connectivity with network nodal information for sparse network pattern learning of functional brain networks

Sparse learning methods have been powerful tools for learning compact representations of functional brain networks consisting of a set of brain network nodes and a connectivity matrix measuring functional coherence between the nodes. However, these tools typically focus on the functional connectivity measures alone, ignoring the brain network nodal information that is complementary to the functional connectivity measures for comprehensively characterizing the functional brain networks. In order to provide a comprehensive delineation of the functional brain networks, we develop a new data fusion method for heterogeneous data, aiming at learning sparse network patterns to characterize both the functional connectivity measures and their complementary network nodal information within a unified framework. Experimental results have demonstrated that our method outperforms the best alternative method under comparison in terms of accuracy on simulated data as well as both reproducibility and prediction performance of brain age on real resting state functional magnetic resonance imaging data.     

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 new learning method using prior information of neural networks

In this paper, we present a new learning method using prior information for three-layer neural networks. Usually when neural networks are used for identification of systems, all of their weights are trained independently, without considering interrelated weights values. Thus, the training results are usually not good. The reason for this in that each parameter has its influence on others during learning. To overcome this problem, we first give an exact mathematical equation that describes the relation between weight values given a set of data conveying prior information. The we present a new learning method that trains part of the weights and calculates the others using these exact mathematical equations. This method often a priori keeps the given mathematical structure exactly the same during learning; in other words, training is done so that the network follows a predetermined trajectory. Numerical computer simulation results are provided to support this approach. This work was presented, in part, at the Fourth International Symposium on Artificial Life and Robotics, Oita, Japan, January 19–22, 1999.     

静息态功能磁共振成像的脑功能分区综述

目的 越来越多的研究表明,基于静息态功能磁共振成像（rs-fMRI）的大脑功能分区比传统的大脑结构分区（如AAL分区、Brodmann分区等）在功能网络构建中功能一致性更高。但现阶段对于大脑功能模块的划分较粗糙,需要更精细准确的脑功能分区,明确宏观尺度的基本功能单元。为能使脑科学领域的研究者对基于静息态功能磁共振成像的脑功能分区进行有益的探索和应用,本文对其进行系统综述。方法 从rs-fMRI数据与大脑功能网络的关系出发,理清脑功能区分割的一般思路,对近几年来脑功能分区算法中出现的新思路、新方法以及对原有方法的改进做了较全面的阐述;最后总结该领域现阶段面临的问题并对未来的研究方向做了展望。结果 根据脑区情况,将脑功能分区分为全脑功能分区和局部脑功能分区,并分别阐释这两方面的优势与应用。同时,将脑功能分区算法归纳为基于数据驱动和基于模型驱动两大类,并展示了各类分区算法的优势以及面临的难点和挑战。结论 基于静息态功能磁共振成像的脑功能分区的研究已经取得了一些进展和有价值的研究成果,但是距离研究人脑机制,应用于脑部疾病的预防和诊断以及启示类脑科学的发展,还需要对脑功能分区方法进行更深入的研究和完善。后续研究中可将传统的分区算法和先验知识、空间领域信息、空间约束、稀疏编码、特征选择和采样学习等思想结合起来,形成融合性的脑功能分区算法,致力于更为细致准确的大脑功能分区和脑功能网络构建,解析脑的高级功能。     

基于同步多维数据流的脑网络动态特征辨识方法研究

针对人脑实时变化的特性,为了更好的观测和描述人脑网络的动态特征,在基于功能磁共振成像的脑功能网络重构技术基础上,给出了一种人脑网络动态特征辨识方法。首先利用同步多维数据流的即时更新能力,将在静息态功能磁共振成像数据采集区间上的血氧水平依赖信号由大时间序列分解重构为每个采样点上的小时间窗口序列,构建连续时间点上的状态观测窗口,从而实现对人脑功能共振信号的特定时间状态辨识,然后运用相关分析对状态观测窗口信号进行分析,得到单状态观测矩阵,最终构建全脑在整个数据采集区间上的动态特征矩阵。实验结果显示该方法可以为人脑网络的动态特征观测和描述提供一种有效手段,也为进一步研究人脑网络的动态特征演变奠定了基础。     

基于异质信息网络的模糊推荐算法

随着互联网信息的爆炸式增长,推荐系统扮演着越来越重要的角色。为了解决传统推荐系统存在的信息稀疏问题,并且合理表达用户的偏好,提出基于异质信息网络的模糊推荐算法(HFR)。HFR方法构建三角模糊评分模型将用户离散的评分信息模糊化,此外,还加入了项目的属性信息并使用元路径表示;在此基础上充分利用多源信息,提出了一种新的相似性度量,并预测评分获得最终的推荐结果。实验结果表明,HFR方法有效解决了信息稀疏问题,提高了推荐质量。     

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。     

基于深度自动编码器的脑网络状态观测矩阵降维方法

针对人脑网络状态观测矩阵高维无特征的特点,给出了一种基于深度自动编码器(DAE)的降维算法.利用深度学习网络,将高维的人脑网络空间表达映射到低维的本质特征空间中,为进一步提炼脑网络的动态性能提供了基础.实验结果证明:应用该方法可以达到有效的降维效果,且降维后脑网络状态通过自组织特征映射聚类具有一定的规律性,从而为脑网络的动态特性研究提供了基础.     

先验信息不确定条件下贝叶斯网结构学习方法

针对先验信息不确定条件下的贝叶斯网络学习问题,提出了一种非确定先验结构信息贝叶斯网络的结构学习方法。主要在以下几个方面开展了工作：提出了一种贝叶斯网络结构的不确定先验信息表示方法;改进了MDL测度,提出了SMDL测度,使之能在学习过程中考虑先验信息的不确定性;基于模拟退火算法,对问题进行求解。最后通过实验对算法的可行性进行了验证。