带时间约束的Louvain算法在动态脑功能网络模块化中的应用研究

发布时间：2022-01-16 12:33

　　针对在动态脑功能网络的模块化属性研究中,Louvain算法因过度追求模块度值最大化而导致的动态脑功能网络模块辨识度不高的问题,提出了一种带时间约束的Louvain算法。该算法以整个数据采集区间上的模块度值分布为依据构建迭代结束条件,以时间约束来达到模块在规模和数量上的均衡,从而保证模块划分更加合理。将本文算法用于静息态脑功能的模块划分实验时,对比结果显示,与原Louvain算法相比,带时间约束的Louvain算法能够得到更为合理的模块化结果,并可以观测到动态脑功能网络中小规模的模块结构。而采用本文算法用于健康人和自闭症患者的动态脑功能网络模块度对比实验,能够揭示两者在模块化上存在显著差别,从而验证了本文算法的有效性。 

【文章来源】：计算机工程与科学. 2020,42(07)北大核心CSCD

【文章页数】：10 页

【部分图文】：

动态脑功能网络构建及模块划分流程

图2所示的是使用Louvain算法对动态脑功能网络进行模块划分得出的不同时间点的模块度Q值时间序列,其中,图2a和图2c为2个健康人样本,图2b为自闭症患者样本。由图2可以看出,3个样本的峰值分别达到0.82,0.83,081,最小值分别为0.71,0.68,0.55,平均值分别为0.77,0.76,0.71,而模块度Q值的合理范围应该在0.3～0.7。规模过大的脑功能模块可能会使得一些重要的亚功能脑模块被忽略,不利于深入研究脑功能网络的属性。针对上述问题,本文提出了一种带时间约束的Louvain算法,其原理如图3所示,图3a中原Louvain算法要不断迭代至模块度增益为0时才停止,而带时间约束的Louvain算法,如图3b所示,在不断合并小模块过程中,采用与时间相关的约束使得迭代在适当的时候停止,因此动态脑功能网络中的一些小规模模块也会被识别出来。

针对上述问题,本文提出了一种带时间约束的Louvain算法,其原理如图3所示,图3a中原Louvain算法要不断迭代至模块度增益为0时才停止,而带时间约束的Louvain算法,如图3b所示,在不断合并小模块过程中,采用与时间相关的约束使得迭代在适当的时候停止,因此动态脑功能网络中的一些小规模模块也会被识别出来。2.2 带时间约束的Louvain算法原理与步骤

【参考文献】：
期刊论文
[1]非线性脑区相关性分析及动态脑网络构建方法[J]. 龙雨涵,王彬,薛洁,杜芬,刘辉,熊新.  信号处理. 2018(08)



本文编号：3592666