基于组MCP和复合MCP的人脑功能超网络分析及抑郁症分类研究

近年来,脑功能超网络模型在脑疾病诊断中多有应用.传统的脑功能超网络大多通过LASSO方法进行构建,然而由于脑区间存在组效应问题,在过去的几年里,对LASSO方法进行延伸以进一步改善超网络成为主要研究内容,由此出现各种分组模型方法.但这些方法均存在同样的问题,即惩罚函数对系数的过强压缩,导致模型中目标变量回归系数的有偏估计,使得噪声变量在压缩的同时,目标变量也进行了一定程度的压缩.因此,本文考虑到该问题,并在组效应的基础上,提出两种基于Minimax Concave Penalty(MCP)的无偏稀疏模型用以改进原有方法:组MCP方法和复合MCP方法.实验结果表明,两种方法均优于传统方法,而两种方法由于对变量是否进入模型采取了不同解决方式,因而构建的超网络结构差异较大,复合MCP方法构建的超网络的超边分布范围较为集中,而组MCP方法则较为分散;此外,复合MCP方法得到较好的分类表现和较高的分类权重.本文提出的方法所构建的脑功能超网络可以更好地表达抑郁症患者与正常对照的结构差异,具有重要的理论意义和临床价值.     

基于多特征融合的重叠组套索脑功能超网络构建及分类

脑功能超网络的研究对脑疾病的准确诊断具有重要作用,目前已经有多种超网络的构建方法被应用于脑疾病的分类研究,但这些方法均未考虑到组间的重叠性问题.研究证明,组间的重叠性可能会对相关超网络模型的构建及构建后的分类应用产生影响,因此若仅使用非重叠组结构会限制其在超网络中的适用性.针对已应用于脑疾病分类研究的超网络构建方法在构...     

基于sparse group Lasso方法的脑功能超网络构建与特征融合分析

功能超网络广泛地应用于脑疾病诊断和分类研究中,而现有的关于超网络创建的研究缺乏解释分组效应的能力或者仅考虑到脑区间组级的信息,这样构建的脑功能超网络会丢失一些有用的连接或包含一些虚假的信息,因此,考虑到脑区间的组结构问题,引入sparse group Lasso（sgLasso）方法进一步改善超网络的创建。首先,利用sgLasso方法进行超网络创建;然后,引入两组超网络特有的属性指标进行特征提取以及特征选择,这些指标分别是基于单一节点的聚类系数和基于一对节点的聚类系数;最后,将特征选择后得到的两组有显著差异的特征通过多核学习进行特征融合和分类。实验结果表明,所提方法经过多特征融合取得了87.88%的分类准确率。该结果表明为了改善脑功能超网络的创建,需要考虑到组信息,但不能逼迫使用整组信息,可以适当地对组结构进行扩展。     

基于重叠稀疏组深度信念网络的图像识别

深度信念网络的隐含神经元大部分为噪声变量,且具有组结构相关性。组稀疏深度信念网络模型通过组Lasso模型对隐含神经元变量进行约束,从而实现变量组选择。然而,组稀疏深度信念网络模型未能考虑特征可同时属于多个特征组,并且隐含神经元在变量层面上不稀疏的问题。在组稀疏深度信念网络模型上引入重叠组结构,解释了重叠组Lasso模型在变量层面上比组Lasso模型稀疏的原因,并在变量层面上作进一步的稀疏,提出了重叠稀疏组深度信念网络模型。在MNIST、USPS、ETH-80以及人脸数据集上的识别结果表明,重叠稀疏组深度信念网络具有更高的识别率。     

基于样条变换偏最小二乘回归应用航油干点的软测量

在偏最小二乘回归和样条变换理论研究的基础上,提出炼油装置常压塔航油干点的软测量.采用偏最小二乘同归方法筛选一种辅助变昔和建立航油干点的软测最模型.仿真结果表明,本方法选择的辅助变量携带信息量大,对主导变量解释能力强.如样本集相同.比RBF网络和支持向量机软测量模型预测精度高,泛化能力强.     

基于elastic net方法的静息态脑功能超网络构建优化

脑网络分析已广泛应用于神经影像领域的研究。超网络构建方法被提出用于描述多个脑区之间的高阶关系。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归方法构建。在已有文献中,用于构建超网络的稀疏线性回归模型是采用lasso方法解决。然而这种方法存在局限,在超边构建时不能够有效的解决脑区之间的组效应。针对这一问题,本文提出将elastic net方法引入到超网络构建中,并且应用于抑郁症患者与正常被试的分类。实验结果显示基于lasso与基于elastic net的方法分别可以达到83.33%与86.36%的分类准确率。分类结果表明与原有方法相比,基于elastic net的方法可以得到更为有效的特征以及更好的分类效果。     

基于稀疏组lasso-granger因果关系特征的脑电信号情感识别

针对目前基于单一脑区功能性网络层面的特征提取,文中提出稀疏组lasso-granger因果关系方法.首先从效应性脑网络层面提取不同脑区之间的因果关系作为脑电特征,分别提取受试者α,β,γ脑电波段的granger因果特征值.然后引用稀疏组lasso算法对获取的granger因果特征值进行特征筛选,获得高相关性特征子集作为情感分类特征.最后使用SVM分类器进行情感分类.此外,为了减少计算时间复杂度,使用过滤特征选择(ReliefF)算法,选取有效的脑电信号通道.实验表明,文中方法在Valence-Arousal二维情感模型上获得较高的平均情感分类准确率,分类效果优于对比的脑电特征,提取的情感脑电特征可以有效识别受试者的不同情感状态.     

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。     

融合PLS监督特征提取和虚假最近邻点的数据分类特征选择

在高维数据分类中,针对多重共线性、冗余特征及噪声易导致分类器识别精度低和时空开销大的问题,提出融合偏最小二乘(Partial Least Squares,PLS)有监督特征提取和虚假最近邻点(False Nearest Neighbors,FNN)的特征选择方法:首先利用偏最小二乘对高维数据提取主元,消除特征之间的多重共线性,得到携带监督信息的独立主元空间;然后通过计算各特征选择前后在此空间的相关性,建立基于虚假最近邻点的特征相似性测度,得到原始特征对类别变量解释能力强弱排序;最后,依次剔除解释能力弱的特征,构造出各种分类模型,并以支持向量机(Support Vector Machine,SVM)分类识别率为模型评估准则,搜索出识别率最高但含特征数最少的分类模型,此模型所含的特征即为最佳特征子集。3个数据集模型仿真结果:均表明,由此法选择出的最佳特征子集与各数据集的本质分类特征吻合,说明该方法:有良好的特征选择能力,为数据分类特征选择提供了一条新途径。     

模式识别在烟草化学中的过拟合现象研究

烟草化学建模过程中,化学成分间的多重共线性是常见的问题,使用偏最小二乘判别分析可以有效克服这一问题,但是模型容易出现过拟合的现象,即模型的构建效果好,但是预报能力差。本文选取湖南烟区3个种植大区,即湘南、湘中、湘西北种植的53种不同烟叶,使用偏最小二乘判别分析建立了烟叶主要化学指标与地区大类之间的模型,但是由于变量过多以及噪声的干扰,模型的预报精度差,偏最小二乘判别分析方法出现了过拟合现象,模型的稳健性受到破坏。本文采用了多种模式识别的方法,逐步筛选变量,准确提取出特征变量9个,对产地变量有更好的解释能力,并能够有效地在模型预测的过程中避免变量间的多重共线性以及仪器检测的噪声干扰,建立了有效的烟叶一产地识别模型。模型预报的准确率由未筛选变量之前的75%提高到87.5%,模型的稳健性得到很大提高,改善了模型的过拟合现象。     

基于多层次模板的脑功能网络特征选择及分类

基于单一脑图谱模板的功能连接网络中提取的特征表示不足以揭示患者组和正常对照组（NC）之间的复杂拓扑结构差异，而传统的基于多模板的功能脑网络定义多采用独立模板，缺乏模板间的关联，从而忽略了各模板构建的功能脑网络中潜在的拓扑关联信息。针对上述问题，提出了一种多层次脑图谱模板和一种使用关系诱导稀疏（RIS）特征选择模型的方法。首先定义了具有关联的多层次脑图谱模板，挖掘模板之间潜在关系和表征组间网络结构差异；然后用RIS特征选择模型进行参数优化，进而提取组间差异特征；最后利用支持向量机（SVM）方法构建分类模型，并应用于抑郁症患者的诊断。在山西大学第一医院抑郁症临床诊断数据库上的实验结果显示，基于多层次模板的功能脑网络通过使用具有RIS特征的选择方法取得了91.7%的分类准确率，相比传统多模板方法的准确率提高了3个百分点。     

基于转化策略的异质超网络表示学习

与传统网络相比,超网络结构更加复杂,并对现有网络表示学习方法提出了很大的挑战。为了克服网络表示学习面临的超网络结构的挑战,提出一种基于转化策略的异质超网络表示学习方法MT2vec。首先,结合团扩展和星型扩展将抽象为超图的异质超网络转换为抽象的2-截图+关联图的异质网络;然后提出一种感知节点语义相关性的元路径游走方法来捕获节点之间的成对关系和元组关系;最后,设计一种结合多层感知器的skip-gram优化模型同时训练节点成对相似性和元组相似性来获得节点表示向量。通过在三个不同类型的超网络数据集上进行实验。结果表明MT2vec算法在链接预测和超网络重建任务中,效果优于其他基线方法。     

用于不平衡数据分类的代价敏感超网络算法

传统的超网络模型在处理不平衡数据分类问题时,具有很大的偏向性,正类的识别率远远高于负类。为此,提出了一种代价敏感超网络Boosting集成算法。首先,将代价敏感学习引入超网络模型,提出了代价敏感的超网络模型;同时,为了使算法能够自适应正类的错分代价,采用Boosting算法对代价敏感超网络进行集成。代价敏感超网络能很好地修正传统的超网络在处理不平衡数据分类问题时过分偏向正类的缺陷,提高对负类的分类准确性。实验结果表明,代价敏感超网络Boosting集成算法具有处理不平衡数据分类问题的优势。     

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。     

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。     

基于脑电功能连接拓扑表征的心算任务分类

使用脑网络图的方法分析脑电功能连接存在阈值选择、忽略了脑电图动力学特性的问题。针对这一问题,提出了一种使用拓扑动态建模的方法来分析脑电功能连接矩阵,以提高心算任务分类识别正确率。该方法首先将功能连接矩阵转换为无向加权图,然后使用持续同调工具来构建不同的复形,记录拓扑动态过程中形成的不同阶的同调特征,形成持续图,最后使用持续景观图特征作为分类特征,输入到随机森林分类器进行心算状态识别。在心算状态识别和心算质量分类两个任务中分别获得了最高99.26%、99.20%的识别准确率,97.87%、99.80%的敏感性,以及99.78%、97.64%的特异性,并且在跨个体验证实验中分别获得了66.81%、66.85%的准确率。实验结果表明,该方法能充分考虑所有可能的阈值,有效提取脑电功能连接的分类信息,实现脑电心算状态自动识别。     

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。