多节点规模下的功能网络拓扑属性分析及分类研究

多节点规模下的功能网络拓扑属性分析及分类研究

论文摘要

利用脑网络模板对脑网络进行构建是当前脑网络疾病领域的一个研究重点,该方法为脑神经疾病的诊断提供了一种更有效的技术。研究发现,不同模板定义下的网络节点规模的差异对网络的结构及其拓扑属性会产生极大影响。然而,传统单一模板构建的网络忽略了节点的规模,也缺乏不同节点规模对拓扑属性可信度影响的探究。同时,对于机器学习方法中网络节点规模的差异是如何影响网络结构、分类准确率的仍在研究中。为解决这些问题,本文在前人的基础上,针对节点规模对网络拓扑属性、分类特征表现、选择策略及分类准确率的影响进行深入研究。以下为本文的主要工作:第一,定义多节点模板并构建网络。本文使用纽约大学公开的正常被试的数据集和山西医科大学抑郁症的数据集分别进行脑区划分,得到五个不同节点数量的脑网络。第二,探究不同节点数量对拓扑属性的影响。对纽约大学公开的正常被试的数据集构建的不同节点规模的脑网络的局部属性进行提取,然后对比拓扑属性的差异,最后对脑网络的功能连接和网络拓扑属性的可靠性进行分析。第三,探究节点规模对分类特征的选择及性能的影响。首先提取抑郁症数据集构建的不同节点规模的脑网络的局部属性,然后通过K-S检验法在局部属性之间进行统计分析,经过判断,选取判别性特征(显著性差异的属性)作为分类特征,采用SVM对抑郁症与正常人进行分类。第四,使用最大相关最小冗余法对特征间的冗余性进行分析,并判断不同节点规模的脑区间的距离对冗余度的影响与传统的统计显著性的特征选择方法在不同节点规模的可行性,最后检验实验中高维特征是否存在过拟合问题。综合考量发现,随着空间节点数量的增加,网络结构的可靠性在逐渐提高,分类效果也在不断改善。结果表明,不同节点规模得到的特征有效性相当,即节点数量多的模板虽然不能提供更有效的特征,但是,却可以提供更多的有效特征,这将导致分类准确率的提升。同时,节点数量多的模板由于脑区间距离更接近,特征间的冗余程度也在增强。文中还发现传统的统计显著性的特征选择方法在不同节点规模下均可行,但分析结果表明,传统的0.05的阈值设置过于严格。本研究得到国家自然科学基金(61672374,61741212,61876124,61873178),山西省自然科学基金(201601D021073,201801D121135),山西省高校科技创新项目(2016139)的研究资助。山西省重点研发(R&D)项目(201803D31043)。本文的研究重点在于多节点模板定义及网络构建,在此基础上进一步探讨了网络节点规模对网络拓扑属性以及分类特征的选择及性能的影响。本文为今后将脑网络拓扑属性应用到机器学习方法时,为构建网络选择合适的模板提供了一定的参考价值。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 研究背景及意义
  •   1.2 国内外研究现状
  •     1.2.1 静息态功能磁共振影像的应用
  •     1.2.2 脑网络节点定义的研究
  •     1.2.3 脑网络与机器学习的应用
  •   1.3 本文研究内容及技术路线
  •   1.4 本文章节的组织结构安排
  •   1.5 本章小结
  • 第二章 多节点规模的静息态功能脑网络的构建
  •   2.1 数据的采集与预处理
  •     2.1.1 被试数据采集
  •     2.1.2 数据预处理
  •   2.2 不同节点规模的功能脑网络的构建
  •     2.2.1 分割定义
  •     2.2.2 连接定义
  •     2.2.3 阈值选择
  •   2.3 本章小结
  • 第三章 网络拓扑属性分析
  •   3.1 网络指标
  •     3.1.1 局部属性
  •     3.1.2 曲线下面积
  •     3.1.3 统计分析
  •     3.1.4 重测信度
  •   3.2 不同节点数量对网络结构的影响
  •     3.2.1 不同节点数量对功能连接的影响结果
  •     3.2.2 不同节点数量对局部属性的影响结果
  •   3.3 不同节点数量对网络重测性度的影响结果
  •     3.3.1 不同节点数量对功能连接重测性度的影响结果
  •     3.3.2 不同节点数量对局部属性重测性度的影响
  •   3.4 本章小结
  • 第四章 基于不同节点规模的脑网络的分类及结果分析
  •   4.1 特征选择
  •     4.1.1 方法介绍
  •     4.1.2 特征选择的结果
  •   4.2 分类
  •   4.3 分类结果的讨论
  •     4.3.1 特征数量
  •     4.3.2 五种规模下的特征有效性分析
  •     4.3.3 特征冗余性分析
  •     4.3.4 P值作为特征选择方法的可行性
  •     4.3.5 过拟合
  •   4.4 本章小结
  • 第五章 总结与展望
  •   5.1 总结
  •   5.2 展望
  • 参考文献
  • 附录1 :Data Set1 基本信息统计表
  • 附录2 :Data Set2 基本信息统计表
  • 附录3 :AAL模板脑区定义名称及缩写
  • 附录4 :不同节点规模下的节点体素数量统计
  • 致谢
  • 攻读学位期间发表的学术论文目录
  • 文章来源

    类型: 硕士论文

    作者: 刘鸿丽

    导师: 郭浩

    关键词: 机器学习,抑郁症,节点数量,分类器,脑网络

    来源: 太原理工大学

    年度: 2019

    分类: 基础科学,医药卫生科技

    专业: 数学,生物学,生物医学工程

    单位: 太原理工大学

    基金: 国家自然科学基金(61672374,61741212,61876124,61873178),山西省自然科学基金(201601D021073,201801D121135),山西省高校科技创新项目(2016139),山西省重点研发(R&D)项目(201803D31043)

    分类号: R318;O157.5

    总页数: 74

    文件大小: 4316K

    下载量: 89

    相关论文文献

    • [1].男性阻塞性睡眠呼吸暂停患者静息态功能脑网络的异常拓扑属性分析[J]. 临床放射学杂志 2019(06)
    • [2].基于fMRI数据的全脑动态功能连接网络拓扑属性的研究[J]. 应用概率统计 2018(02)
    • [3].概念拓扑同化论[J]. 外国语(上海外国语大学学报) 2012(05)
    • [4].阻塞性睡眠呼吸暂停患者默认网络功能连接及拓扑属性异常[J]. 中国医学影像技术 2018(08)
    • [5].基于DTI的早中晚期帕金森病脑白质网络拓扑属性改变研究[J]. 中国神经免疫学和神经病学杂志 2019(03)
    • [6].歇后语的拓扑解析[J]. 外语学刊 2016(04)
    • [7].基于脑电信号因效性脑网络的情感状态分析[J]. 西安邮电大学学报 2020(02)
    • [8].基于链接重要性的动态链接预测方法研究[J]. 计算机研究与发展 2011(S3)
    • [9].“簇群”交集在建筑或建筑群体中的拓扑属性[J]. 城市建设理论研究(电子版) 2018(31)
    • [10].功能脑网络规模对特征选择及分类的影响研究[J]. 现代电子技术 2019(24)
    • [11].基于实时拓扑属性的虚拟网络映射算法(英文)[J]. Journal of Zhejiang University-Science C(Computers & Electronics) 2015(02)
    • [12].脑卒中后抑郁患者脑网络拓扑属性改变及其与临床症状的相关性[J]. 临床神经病学杂志 2020(05)
    • [13].脑白质网络构建方案对拓扑属性个体差异的影响[J]. 科学通报 2019(21)
    • [14].多节点规模下的抑郁症功能脑网络分类研究[J]. 计算机科学 2016(07)
    • [15].蛋白质相互作用网络的多参数模糊关系分析[J]. 模糊系统与数学 2010(05)
    • [16].基于多核CPU的脑网络拓扑属性并行分析方法[J]. 计算机工程与设计 2016(12)
    • [17].新发帕金森病伴焦虑的脑网络拓扑属性分析研究[J]. 中华老年心脑血管病杂志 2017(08)
    • [18].基于解剖距离的功能脑网络建模方法研究[J]. 科学技术与工程 2014(32)
    • [19].基于功能一致性和网络拓扑属性预测冠心病致病基因[J]. 生物化学与生物物理进展 2009(06)
    • [20].Internet拓扑抽样探测的偏向性研究[J]. 计算机工程与应用 2010(09)
    • [21].水稻蛋白质相互作用网络的预测与分析[J]. 四川大学学报(自然科学版) 2010(06)
    • [22].基于静息态fMRI评价中药复方干预抑郁症脑网络拓扑属性的理论探讨[J]. 中医学报 2019(11)

    标签:;  ;  ;  ;  ;  

    多节点规模下的功能网络拓扑属性分析及分类研究
    下载Doc文档

    猜你喜欢