-
题名基于线图的无权脑超网络超边学习及融合特征分类
- 1
-
-
作者
上官学奎
黄晓妍
王春燕
郭浩
-
机构
山西省信息产业技术研究院有限公司软件工程事业部
太原理工大学计算机科学与技术学院(大数据学院)
-
出处
《科学技术与工程》
北大核心
2024年第21期9002-9014,共13页
-
基金
国家自然科学基金(61876124,61873178)
山西省科技厅基础研究计划(20210302123129,20210302124166,20210302123099)。
-
文摘
脑功能超网络已广泛用于脑疾病的分类诊断中。在现有研究中,研究人员集中于改进脑功能超网络的构建却忽略了脑超网络拓扑对于分类诊断的影响,大多使用节点特征表征脑网络的拓扑。而研究表明超边信息能够弥补超网络的特征,同时超边间的传递有助于整体学习。考虑到该问题,提出基于线图的无权脑功能超网络超边学习,以分析超边对脑功能超网络拓扑和分类性能的影响。具体来说,首先,基于功能磁共振数据,使用星型扩展方法构建脑功能超网络;其次使用线图理论构建超网络的线图模型;然后使用超边密度提取线图的局部属性特征并使用非参数检验方法进行局部特征选择;接着使用基于图的子结构模式挖掘算法提取线图的子图特征并使用频繁分数特征选择方法选取判别子图;最后分别利用支持向量机构建分类模型。结果表明,所提方法分类结果优于传统脑功能超网络分类结果,达到86.79%。这表明脑功能超网络模型的超边拓扑信息影响分类模型的构建。此外,基于线图模型所求得的融合特征优于任一单一类型的特征,达到88.68%。可见对于超边拓扑信息提取,不仅需要考虑超边的属性信息,还需考虑超边间的空间传递信息能力。
-
关键词
静息态功能磁共振影像
脑功能超网络
线图
超边密度
机器学习
阿尔兹海默症
-
Keywords
resting state functional magnetic resonance images
brain functional hypernetwork
line graph
hyperedge density
machine learning
Alzheimer s disease
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
