面向脑网络的新型图核及其在MCI分类上的应用

发布时间：2020-06-13 22:43

【摘要】：作为一种图的相似性度量,图核已经被提出用于计算脑网络的相似性,并用于分类一些脑疾病,如阿尔茨海默病(Alzheimer’s Disease,AD)以及它的早期阶段,即轻度认知功能障碍(Mild Cognitive Impairment,MCI).然而,已有图核主要面向一般图而构建,从而忽略了脑网络自身特有的特性,如节点的唯一性(即每个节点对应着唯一的脑区),这可能影响到脑网络分析(分类)性能.为了解决这个问题,构建一种面向脑网络的图核,用于测量一对脑网络的相似性.具体而言就是:首先,以网络中每一个节点为中心,构建一组子网络来反映网络的局部多层次拓扑特性.而后,利用节点的唯一性,构建测量每对子网组之间相似性函数,从而获得用于测量一对脑网络的相似性的图核.不同于已有的图核,提出的图核充分考虑到脑网络自身特有的特性,以及保留了脑网络局部连接特性.在两个真实的MCI数据集上,实验结果表明,相对于现阶段的图核,文中提出的图核能够显著提高分类的性能.
【图文】：

框架图,框架,阈值化,图核

表示基核，即构建在第ｍ个阈值化脑网络上的图核，Gｍｉ和Gｍｊ对应着第ｍ个阈值化后的脑网络，Ｍ是阈值的个数，μｍ是一个非负权重向量，并且满足约束∑Ｍｍ＝１μｍ＝１．许多多核学习方法采用联合学习参数μｍ和ＳＶＭ的其他参数［５２－５３］．与这些方法不同的是，本文采用网格搜索（ｇｒｉｄｓｅａｒｃｈ）的方法来确定最优μｍ．一旦确定μｍ，多个核将能被组合为一个核，则标准ＳＶＭ将能被用于ＭＣＩ病人和正常人的分类．图２总结了整个分类框架的详细过程．图２提出方法的分类框架１６７２计算机学报２０１６年

数据,数据集,图核,分类精度

为Ｅｇｏ－ｎｅｔ），Ｂｏｒｇｗａｒｄｔ和Ｋｒｉｅｇｅｌ［４１］构建的最短路径核（表示为Ｓｈｏｒｔｅｓｔ－ｐａｔｈ）．所有比较的图核都是基于无标记图而构建的，也就是没有考虑连接网络节点的标签（即唯一性）信息．另外，为了比较，本文也从脑网络中直接提取节点的聚类系数［９］特征作为Ｂａｓｅｌｉｎｅ方法用于分类，其中ｔ－ｔｅｓｔ方法用于特征选择，而线性ＳＶＭ被用于执行分类．表３和表４分别给出了在两个数据集上所有方法的分类结果．图３和图４分别画出了这些方法在两个数据集上的ＲＯＣ曲线．为了比较，表５和表６分别给出了在两个数据集上仅使用单个阈值化脑网络时所有方法的分类精度．表３在Ｄｕｋｅ脑网络数据集上不同方法的分类性能方法分类精度／％敏感度／％特异度／％ＡＵＣＢａｓｅｌｉｎｅ６７．６４１．７８０．００．５７Ｅｇｏ－ｎｅｔ８１．１４１．７１００．００．６９Ｓｈｏｒｔｅｓｔ－ｐａｔｈ６７．６０．０１００．００．５６ＷＬ－ｅｄｇｅ７３．０２５．０９６．００．６９ＷＬ－ｓｕｂｔｒｅｅ８１．１５８．３９２．００．８７ＷＬ－Ｓｈｏｒｔｅｓｔｐａｔｈ７０．３２５．０９２．００．６８Ｐｒｏｐｏｓｅｄ８３．８５０．０１００．００．９０图３在Ｄｕｋｅ脑网络数据上不同方法的ＲＯＣ曲线从表３、表４和图３、图４可以看出，在两个数据集上，，提出图核的分类精度和ＡＵＣ值上都要好于比较的图核．具体而言，在Ｄｕｋｅ脑网络数据集上，提出方法获得了８３．８％的分类精度和０．９０的ＡＵＣ值，而比较方法最好分类精度是

【相似文献】