局部信息方法在功能脑网络建模中的应用研究

发布时间：2017-10-29 19:25

  本文关键词：局部信息方法在功能脑网络建模中的应用研究

  更多相关文章： 功能脑网络建模 局部信息指标 网络相似度 链路预测

【摘要】：近年来,随着研究的深入,脑网络已经成为了热点领域。脑网络由结构脑网络与功能脑网络两部分组成,并且二者之间有着密不可分的关系。人们对脑网络进行研究,其主要关注点在于结构脑网络与功能脑网络的拓扑特性以及属性分析。脑网络是一个非常复杂的系统。在人脑中,神经元数量达数十亿之多,规模非常庞大。并且,神经元的连接还存在着不同的行为、认知模式。目前人们对脑网络的研究有神经元级别、体素级别以及脑区级别等不同的研究层面。有研究显示,当脑区划分达到4000个时,其计算量已经超出了目前的计算能力。由此可见,对功能脑网络的研究在很大程度上依赖于科学计算。正是由于计算量问题,许多学者开始寻求利用模拟仿真的方法来研究功能脑网络的拓扑属性,脑网络建模这一热点问题也就应运而生了。随着脑网络建模研究的不断发展,人们已经尝试过基于很多网络特性的建模方法,并已取得了一定的成果。在功能脑网络建模领域,经过大量的研究证实,结构度在预测功能脑网络特性方面具有很大的优势。也有一些研究将解剖距离作为功能连接的一个参数,也取得了一定的效果。还有一些研究将节点的共同邻居(Common Neighbor,CN)作为节点相似度指标用于模拟功能连接,并经过证实,基于共同邻居的建模结果非常好。至于建模所采用的数学模型,目前主流的模型是将脑网络的结构特性与功能特性分别作为建模的变量来模拟功能连接。经过大量的调研,本文最终也沿用了基于结构特性与功能特性的数学模型。本文的主要创新工作有以下几点:第一,将链路预测方法中所采用的局部信息指标应用到功能脑网络建模中。链路预测中的局部信息指标指的是根据节点的相似度来对节点之间是否存在连接进行预测。先前研究曾将节点的共同邻居作为节点相似性指标用于功能脑网络建模。本文经过调研发现,共同邻居就是一个最典型的局部信息指标。而且,除了共同邻居之外,还有很多局部信息指标存在,如果将这些指标用于建模,是否也能取得与共同邻居一样甚至更好的效果呢?本文根据链路预测精确度筛选出了8个指标,并将其用于预测功能脑网络的连接。局部信息指标的计算方式其实是有所不同的。有的指标是基于节点的度计算得到的,有的则是基于共同邻居计算得到的,而还有的指标是既要考虑节点的度,又要考虑共同邻居。因此,本文将局部信息指标分为3种类型:基于共同邻居的指标;基于节点的度的指标;将二者相结合的指标。本文重点研究了究竟哪类指标对功能脑网络建模的适用度最高。第二,提出了一种基于脑网络属性之间相对误差的网络相似度评价方法。在脑网络领域,公认的网络性能的评价指标是脑网络的全局与局部属性。全局属性,如特征路径长度,全局效率等;局部属性,如聚合系数,局部效率等。脑网络属性从本质上说是衡量网络通信效率的指标。在计算脑网络属性时,采用的是图论中的节点和边的概念。并且,脑网络属性都是复杂网络领域所采用的网络分析指标。但是对于网络相似度,目前脑网络领域尚没有一个权威的评价方法。本文结合脑网络实际问题提出了一种新的相似度的量化指标。在本文提出的相似度计算方法中,利用相对误差的绝对值来衡量各个模型网络的属性与真实网络属性的差异程度,并将各个属性的相对误差的绝对值相加,给出了一个综合多种脑网络属性的整体相似度评价指标。事实上,相对误差越大,说明网络的差异越大,所以更确切地说,相对误差衡量的是网络的差异程度而不是相似度。因此,本文沿用了先前研究中的E值形式,将多种脑网络属性的相对误差值作为分母,使得E值越大,网络的相似度越高。第三,提出了一种基于链路预测精确度的快速判断建模效果的方法。脑网络建模非常复杂,包括前期的数据采集,数据预处理,以及后续的功能脑网络构建,网络属性的计算以及网络相似度的评价等。完成脑网络建模需要付出大量的时间和计算成本。本文根据局部信息指标在链路预测实验中的表现提出了一种快速判断建模效果的方法(实验假设):假设局部信息指标在链路预测实验中精确度越高,则越适合用于功能脑网络建模。为了验证该假设,本文将网络相似度E值与链路预测精确度指标Precision Power进行了关联分析。结果显示,二者之间存在显著的线性关系,说明假设成立,我们可以根据链路预测精确度的数值大小来对局部信息指标用于功能脑网络建模的效果进行事前判断。
【关键词】：功能脑网络建模 局部信息指标 网络相似度 链路预测
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O157.5
【目录】：

• 摘要3-6
• ABSTRACT6-12
• 第一章 绪论12-21
• 1.1 研究背景及意义12-15
• 1.2 国内外研究现状15-18
• 1.2.1 结构脑网络与功能脑网络的关系15-16
• 1.2.2 基于解剖距离的脑网络建模16-17
• 1.2.3 局部信息指标的应用17-18
• 1.3 本文主要内容18-19
• 1.4 本文的章节安排19-20
• 1.5 本章小结20-21
• 第二章 静息态功能脑网络的构建21-29
• 2.1 数据采集及预处理21-24
• 2.1.1 实验数据的采集21-23
• 2.1.2 数据的预处理23-24
• 2.2 脑网络的构建24-28
• 2.2.1 节点的定义25-26
• 2.2.2 时间序列的提取26-27
• 2.2.3 边的定义27
• 2.2.4 阈值选择27-28
• 2.3 本章小结28-29
• 第三章 基于解剖距离及局部信息指标的功能脑网络建模方法29-42
• 3.1 建模实验的控制因素29-33
• 3.2 脑网络模型定义33-34
• 3.3 局部信息指标的选择34-36
• 3.4 功能脑网络拓扑属性的计算36-38
• 3.4.1 局部属性36-37
• 3.4.2 全局属性37-38
• 3.5 模型评价标准38-41
• 3.6 本章小结41-42
• 第四章 局部信息指标对功能脑网络属性的拟合42-49
• 4.1 对局部与全局网络属性的拟合42-47
• 4.1.1 属性的相对误差分析42-45
• 4.1.2 拟合效果的统计学差异45-47
• 4.2 网络整体相似度的评价47-48
• 4.3 本章小结48-49
• 第五章 基于链路预测的快速判断建模效果的方法探究49-56
• 5.1 链路预测方法简介49-50
• 5.2 链路预测精确度的评价指标50-52
• 5.3 建模效果的快速判断方法探究52-55
• 5.3.1 实验假设52
• 5.3.2 实验验证52-55
• 5.4 本章小结55-56
• 第六章 总结与展望56-59
• 6.1 总结56-57
• 6.2 展望57-59
• 参考文献59-66
• 致谢66-67
• 攻读硕士学位期间发表的学术论文67

【相似文献】

中国期刊全文数据库 前4条

1 苑玮琦;徐露;林忠华;;一种基于局部信息统计的虹膜分块编码方法[J];光学学报;2007年11期

2 樊斌锋;蔡虹;;基于局部信息的单播容错路由算法研究[J];太原师范学院学报(自然科学版);2013年02期

3 芦碧波;郭志昌;曹杨;李美慧;胡歆瑶;;非局部偏微分方程去噪模型[J];吉林大学学报(理学版);2007年06期

4 ;[J];;年期

中国硕士学位论文全文数据库 前10条

1 周连波;基于局部信息的复杂网络社团挖掘算法研究[D];燕山大学;2015年

2 于健;带有随机扰动的风场优化调度策略的研究[D];北京交通大学;2016年

3 牛会兰;局部信息方法在功能脑网络建模中的应用研究[D];太原理工大学;2016年

4 贾桂敏;基于物体局部信息的跟踪算法研究[D];天津大学;2008年

5 龙丽君;网络内容监管系统中基于局部信息的语义倾向性识别算法[D];南京理工大学;2004年

6 王聪;基于局部信息交流的命名游戏问题研究与应用[D];大连理工大学;2013年

7 谢德燕;局部信息保持投影及应用[D];西安电子科技大学;2010年

8 杨雨泽;基于整体和局部信息的多经验核学习及其应用研究[D];华东理工大学;2014年

9 夏磊;一种基于局部信息的社会网络聚类算法[D];哈尔滨工程大学;2012年

10 陈书杨;局部信息缺失情况下人脸识别研究[D];辽宁大学;2014年

，

本文编号：1114359