基于组选择的近似无偏稀疏脑功能超网络模型构建与分类研究

针对LASSO方法构建脑功能超网络模型缺乏组效应解释能力和网络有偏性问题,提出了两种基于组变量选择的近似无偏稀疏脑功能超网络模型来改善超网络的构建,分别为组最小最大凹惩罚方法和组平滑剪裁的绝对值偏差方法,并将其分别应用于抑郁症的分类研究中。分类结果显示,两种方法的分类表现均优于传统超网络模型,且组最小最大凹惩罚方法的分类准确率最高,达到86.36%。结果表明若想构建有效的脑功能超网络模型,不仅需要考虑脑区间组效应的解释能力,还需考虑模型变量选择的有偏性问题。而且在考虑到超网络有偏性的基础上,选取较为宽松的惩罚方式来选取目标变量,则可更精确地表征人脑的复杂高阶多元交互信息。     

基于脑功能超网络的多特征融合分类方法

针对在超网络上提取局部脑区指标作为特征,忽视了全局的拓扑信息,继而影响网络拓扑的评估,降低分类器性能的问题,提出了一种基于脑功能超网络的多特征融合分类方法,该方法首先在抑郁症数据集上构建超网络,其次将局部脑区特征和子图特征进行融合。最后采用基于多核的SVM分类器进行分类。为了验证所提方法的有效性,选取28例正常被试和38例抑郁症患者进行实验,结果表明,该方法获得了令人满意的分类准确率,平均可达91.60%。获得的异常区域包括左侧舌回、左侧尾状核、左侧丘脑等重要的抑郁症病发区域。故而该基于脑功能超网络的多特征融合分类方法可以有效地用于分类正常人和抑郁症患者。     

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...     

动态脑功能网络Rich-club时空观测方法

基于fMRI-BOLD信号的脑功能网络重要脑区时变特征辨识问题,提出了一种动态脑网络Rich-club时空观测模型的构建方法。该方法通过将样本所有时间采样点的Rich-club集合相似性进行聚类,从而将脑功能网络的空间与时间融合在一起,并构建脑网络中动态Rich-club重要性评价模型,定量地描述脑网络中Rich-club集合在时间以及空间两个维度的综合重要程度,从而为脑功能网络重要脑区的动态特征观测提供了一种有效的方法,也为分析健康人与自闭症患者之间的脑区重要性差异提供了依据。     

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。     

融合节点中心性和度相关聚类的有向网络链路预测

现存大部分有向网络的链路预测方法仅关注链接方向信息和互惠链接信息而忽略节点重要性及度相关聚类的贡献,导致预测精度下降。针对以上不足,提出基于节点中心性和度相关聚类的有向网络链路预测指标。首先,利用节点中心性统计任意节点邻居数量去衡量节点的影响力;其次,将节点度相关聚类系数方法扩展到有向网络去评估节点聚类能力,并与网络同配系数相融合获得节点对高聚类能力;最后,融合以上2类信息提出一个带参的有向网络链路预测指标。在6个真实世界有向网络上与最近代表性预测指标比较,所提指标AUPR和AUC分别提高了33%和1.6%。     

基于多层次灰色关联分析的复杂网络节点排序模型

复杂网络节点重要性是研究复杂网络特性的重要方面之一,被广泛应用于数据挖掘、Web 搜索、社会网络分析等众多研究领域。在选取评估节点重要性指标时,考虑到普通聚类系数仅能衡量网络节点聚类的疏密度,不能衡量聚类的规模,提出了修正的聚类系数;同时,选取了Erdos数和介数两个指标来综合衡量网络节点重要性,建立多层次 灰色关联分析模型,确定出各个节点与理想节点的关联度,实现对复杂网络节点的排序。模型不仅考虑到度、路径距离对节点排序的影响,而且也考虑到每个节点聚类程度对节点排序的影响。通过与实际网络和其他方法的排序结果对比,模型能够准确找到复杂网络的核心节点,并且排序结果真实反映了节点依次的重要程度。     

基于超网络的基因和脑影像关联分析*

基因影像学现有研究大多只重视脑部感兴趣区域的特征提取,而针对脑区与脑区之间相互关联这种连接性特征的研究工作相对较少.最近的研究显示使用结构化的网络模型量化脑区之间的复杂连接可以更好地反映大脑的综合特性.因此,文中提出基于超网络的稀疏多任务典型相关分析算法.首先使用稀疏表示的方法从功能核磁共振图像(fMRI)的时间序列中建立超网络,然后从超网络中提取3种聚类系数作为脑影像特征,最后采用稀疏多任务典型相关分析求得基因与3种影像特征之间的关联.在ADNI数据集上的实验证明文中算法不仅有助于提高基因与影像之间关联分析的能力,还可以发现一些与疾病密切相关的遗传风险因素.     

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...     

基于子图相似性的多动症患者脑网络分析

多动症会严重影响儿童发育，对多动症患者的有效诊断受到广泛关注。该文结合脑网络的拓扑结构信息和图上的信号，提出一种基于稀疏表示的图相似性计算方法，从微观到宏观分析脑区之间的差异。该方法使用Pearson相关系数构建全连通脑网络，基于稀疏表示从底层结构中提取节点子网络，根据图核函数计算子网络相似性，最后给出了脑网络相似性的全局指标。以受试者间的相似性作为特征在公共数据集ADHD-200上的分类实验结果表明，该方法能够以93.1%的准确度区分多动症患者和健康对照者，分类性能明显优于其他已有算法。此外，结果表明多动症患者在中央前回、丘脑、海马和脑岛等脑区之间有更强的连接。     

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。     

使用深度对抗子空间聚类实现高光谱波段选择

高光谱图像（HSI）由数百个波段组成,波段之间的相关性强且具有较高的冗余度,导致出现维度灾难并且分类的复杂性很高。为此,使用深度对抗子空间聚类（DASC）网络进行高光谱的波段选择,并引入拉普拉斯正则化使网络更优,在保证分类精度的前提下降低分类的复杂度。该网络通过在编码器和解码器中引入自表达层来模仿传统子空间聚类的“自表达”属性,充分运用光谱信息和非线性特征转换得到波段之间的相互关系,解决传统波段选择方法无法同时考虑光谱和空间信息的问题。同时,引入对抗学习来监督自编码器的样本表示和子空间聚类,使得子空间聚类具有更好的自表达性能。为了使网络性能更优,加入拉普拉斯正则化来考虑反映图像几何信息的局部流形结构。实验在两个公开的高光谱数据集上进行,所提出的方法和几种主流的波段选择方法进行对比的结果表明,DASC方法在分类精度上优于对比方法,其选出的波段子集可以满足应用需求。     

基于EK-medoids聚类和邻域距离的特征选择方法

针对传统聚类算法中只注重数据间的距离关系,而忽视数据全局性分布结构的问题,提出一种基于EK-medoids聚类和邻域距离的特征选择方法。首先,用稀疏重构的方法计算数据样本之间的有效距离,构建基于有效距离的相似性矩阵;然后,将相似性矩阵应用到K-medoids聚类算法中,获取新的聚类中心,进而提出EK-medoids聚类算法,可有效对原始数据集进行聚类;最后,根据划分结果所构成簇的邻域距离给出确定数据集中的属性重要度定义,应用启发式搜索方法设计一种EK-medoids聚类和邻域距离的特征选择算法,降低了聚类算法的时间复杂度。实验结果表明,该算法不仅有效地提高了聚类结果的精度,而且也可选择出分类精度较高的特征子集。     

特征聚类自适应变组稀疏自编码网络及图像识别

由于缺乏先验信息,组Lasso模型在训练时仅是基于组数参数对单元进行均匀、连续、固定的分组,缺乏分组依据,容易造成变量组结构的有偏估计。为此,提出特征聚类自适应变组稀疏自编码网络模型,在迭代过程中使用特征聚类法来改变隐层单元的分组,使得分组能够随着特征的收敛而自适应地发生改变,从而更好地实现变量组结构的估计。实验表明,该模型能够很好地捕捉训练过程中出现的组相关信息,并在一定程度上提高图像的分类识别率。     

基于特征聚类集成技术的在线特征选择

针对既有历史数据又有流特征的全新应用场景,提出了一种基于组特征选择和流特征的在线特征选择算法。在对历史数据的组特征选择阶段,为了弥补单一聚类算法的不足,引入聚类集成的思想。先利用k-means方法通过多次聚类得到一个聚类集体,在集成阶段再利用层次聚类算法对聚类集体进行集成得到最终的结果。在对流特征数据的在线特征选择阶段,对组构造产生的特征组通过探讨特征间的相关性来更新特征组,最终通过组变换获得特征子集。实验结果表明,所提算法能有效应对全新场景下的在线特征选择问题,并且有很好的分类性能。     

群体分类偏好下的双重语言信息融合聚类方法

研究一类基于双重信息融合的群体聚类方法。依据偏好信息下专家意见相似关系挖掘群体分类偏好信息;考虑专家决策依据向量的相似程度,设计一致性和非一致性测度指标,以表征双重维度下群体聚类的一致及差异度;以群体聚类结果差异最小为目标构建规划模型,测算属性权重,并以编网聚类的思想给出聚类结果。算例研究验证了所提出方法的科学性和合理性。