基于独立成分的高序不确定脑网络拓扑分析及分类研究

基于独立成分的高序不确定脑网络拓扑分析及分类研究

论文摘要

静息态功能磁共振成像技术结合复杂脑网络理论已成为当前神经疾病研究的重要方法之一。这种方法能准确地诊断包括抑郁症在内的多种精神疾病。然而,静息态功能网络没有考虑大脑区域之间功能连接的动态不确定性。同时,传统的脑网络分析往往需要通过设定阈值将不确定图转化为确定图,但是目前的研究中没有就阈值的设定范围达成共识。之前有研究者采用最小生成树分析方法来进行脑网络的分析。然而,最小生成树可能低估了低权重连接和集群在脑网络信息处理中的重要性,也没有充分考虑关于网络拓扑结构的信息,限制了分类性能的进一步改进。为了解决这些问题,本文提出了一种基于独立成分的高序不确定静息态功能脑网络的方法。该方法不需要依赖先验的脑图谱模板,也不需要进行阈值选择,还充分考虑了扫描时间内的时变特征,可以更精确地对脑网络进行建模,保留了更多的网络细节。同时,为了更精准地找到判别性子图特征,本文也提出了几种新的判别性特征选择方法。分类结果显示,基于独立成分的高序不确定静息态功能脑网络的方法有效地提高了抑郁症诊断的准确率。本文主要研究工作如下:第一,基于独立成分分析构建了静息态功能连接网络,独立成分分析不需要依赖先验的脑图谱模板,避免了不同脑图谱模板造成的分析结果差异,而且可以充分地体现体素之间的空间关系,获得更合理的功能连接模式。第二,提出了一种高序不确定脑网络的构建方法,充分考虑了脑网络中的动态功能连接和不确定信息,提高了脑网络表达能力,而且该方法不需要进行阈值选择,尽可能详尽地保留了脑网络细节,展现了更庞大、更抽象的交互关系。第三,针对已有的不确定图判别性特征选择方法分类精度不高的问题,提出了几种新的判别性特征选择方法,该方法通过计算子图模式在样本中出现概率的统计指标,并结合常见的判别分数函数,选择最具有判别能力的子图作为特征。本文是国家自然科学基金项目《静息态功能脑网络高阶复杂时空效应分析及建模研究》(No.61876124)的主要组成部分。研究工作还得到了山西省科技厅应用基础研究项目(201801D121135),山西省教育厅高等学校科技创新研究项目(20116139),山西省科技厅重点研发计划项目(201803D31043),教育部赛尔网络下一代互联网技术创新项目(NGII2 0170712)的支持。本文重点研究了高序不确定脑网络的构建及分类方法,并提出了几种新的判别性特征选择方法,以期寻找可靠的生物学指标,辅助临床医学诊断。

论文目录

  • 摘要
  • Abstract
  • 符号说明
  • 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 独立成分分析的研究
  •     1.2.2 高序功能连接网络的研究
  •     1.2.3 不确定图的研究
  •     1.2.4 频繁子图挖掘算法的研究
  •   1.3 本文主要研究工作
  •   1.4 本文章节的组织结构安排
  •   1.5 本章小结
  • 第二章 高序不确定脑网络的构建
  •   2.1 数据采集及预处理
  •   2.2 组独立成分分析
  •     2.2.1 组独立成分分析算法
  •     2.2.2 组独立成分分析流程
  •   2.3 高序不确定脑网络的构建
  •     2.3.1 动态功能连接探讨
  •     2.3.2 低序功能连接网络的构建
  •     2.3.3 高序功能连接网络的构建
  •     2.3.4 高序不确定脑网络的构建
  •   2.4 本章小结
  • 第三章 基于频繁判别子图模式的分析
  •   3.1 方法框架
  •   3.2 不确定图的频繁子图挖掘
  •     3.2.1 数字定义
  •     3.2.2 基于频繁边的频繁子图挖掘
  •   3.3 判别性特征选择
  •   3.4 子图模式特征分类
  •   3.5 本章小结
  • 第四章 抑郁症脑网络差异分析
  •   4.1 固有连接网络
  •   4.2 功能连接分析
  •     4.2.1 高序不确定脑网络
  •     4.2.2 固有连接网络功能连接分析
  •   4.3 异常成分
  •     4.3.1 频繁子图模式
  •     4.3.2 异常成分分析
  •   4.4 本章小结
  • 第五章 分类结果及影响因素分析
  •   5.1 分类结果
  •     5.1.1 本方法分类结果
  •     5.1.2 不同方法分类结果比较
  •   5.2 参数影响
  •     5.2.1 滑动窗体长度对分类结果的影响
  •     5.2.2 滑动步长对分类结果的影响
  •     5.2.3 特征数对分类结果的的影响
  •     5.2.4 参数φ对分类结果的的影响
  •     5.2.5 SVM参数寻优
  •   5.3 可重复性验证
  •   5.4 本章小结
  • 第六章 总结与展望
  •   6.1 总结
  •   6.2 展望
  • 参考文献
  • 附录1:被试基本信息统计表
  • 附录2:固有连接网络成分激活峰值的坐标
  • 附录3:固有连接网络成分的时间序列和激活图
  • 致谢
  • 攻读学位期间发表的学术论文
  • 文章来源

    类型: 硕士论文

    作者: 刘峰

    导师: 郭浩

    关键词: 抑郁症,独立成分分析,高序不确定脑网络,判别性特征选择,分类

    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: 国家自然科学基金项目《静息态功能脑网络高阶复杂时空效应分析及建模研究》(No.61876124)的主要组成部分,山西省科技厅应用基础研究项目(201801D121135),山西省教育厅高等学校科技创新研究项目(2016139),山西省科技厅重点研发计划项目(201803D31043),教育部赛尔网络下一代互联网技术创新项目(NGII20170712)

    分类号: O157.5;R318

    总页数: 76

    文件大小: 5573K

    下载量: 109

    相关论文文献

    • [1].基于独立成分的加权高阶脑网络的分类方法[J]. 太原理工大学学报 2018(05)
    • [2].独立成分相关分析的自适应故障监测方法[J]. 控制理论与应用 2018(09)
    • [3].汉英独立成分的界定及比较[J]. 咸宁学院学报 2008(04)
    • [4].是独立成分还是独立语[J]. 长春师范学院学报(人文社会科学版) 2008(09)
    • [5].独立成分汉英差异的原因分析[J]. 三峡大学学报(人文社会科学版) 2008(03)
    • [6].对利用独立成分分析的高光谱图像波段选择方法的分析[J]. 科技经济导刊 2018(27)
    • [7].基于负熵的无预白化的独立成分分析算法[J]. 科技视界 2019(19)
    • [8].日语句子中的独立成分[J]. 林区教学 2016(04)
    • [9].基于ICA的引潮力互相关谱分析[J]. 地球科学进展 2019(01)
    • [10].脑电信号中眼电伪迹自动识别与去除方法研究[J]. 计算机工程与应用 2018(13)
    • [11].语用功能视角下汉英独立成分之对比分析[J]. 景德镇高专学报 2014(04)
    • [12].融合ICA的BP网络在人民币汇率预测中的应用[J]. 系统工程学报 2014(03)

    标签:;  ;  ;  ;  ;  

    基于独立成分的高序不确定脑网络拓扑分析及分类研究
    下载Doc文档

    猜你喜欢