基于多特征融合的大脑机制研究及应用

发布时间：2022-02-17 19:53

　　经济全球化促使各国的经济和技术飞速发展,人们在享受快节奏生活带来的便利生活时,生活成本和生活压力日趋升高,各种精神疾病接踵而至,摧残着人类脆弱的身心健康。作为精神疾病之首的抑郁症,患者会出现持久的情绪低落、意志消沉甚至自残自杀,给患者、家庭乃至社会带来了极大的生活和医疗负担,预计到2030年抑郁症将成为全球第一大疾病。因此,我们急需找出抑郁症等精神疾病的致病机理,及时对患者进行诊断治疗。精神疾病一般与大脑结构和功能的异常有关,而目前医疗技术和计算机技术的快速发展,给深入研究大脑机理提供更多的可能性。本文基于抑郁症的结构和功能磁共振数据,并结合图论、统计学、人工智能和复杂网络等知识,对患者的大脑网络结构和拓扑属性等进行分析。主要进行了以下工作:（1）本文基于抑郁症患者和健康被试的大脑核磁共振数据,通过皮尔逊相关系数构建了两组被试的结构网络和功能网络。通过比较网络的全局属性发现,抑郁症患者结构网络和功能网络的聚类系数均出现了一定程度的下降,其小世界属性也出现了下降,并呈现出向随机网络演化的趋势。抑郁症患者的同配性、模块化程度、层次化程度、同步性与健康被试相比,均出现了一定程度的下降。因而健... 

【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

核磁共振图像预处理流程图

第二章大脑网络相关理论及应用技术25图2-23层BP神经网络结构图则可以更便捷地获得不同层的权值修正量。输出层与隐含层间的权值修正量，如式（2-31）所示：()`()jkjkkkwhdyfnet（2-31）隐含层与输入层的权值修正量，如式（2-32）所示：10`()()`()KijjkkkjkikvfnetdyfnetwO（2-32）BPNN算法是神经网络中一种监督式学习算法，在理论上可以逼近任何函数，非线性变化的单元的组成结构使它具有非线性映射能力。此外，还具有较好的自学习、自适应能力和容错能力。实际应用时，实现BPNN算法的ANNs不能有太多的层阶，因为随着层数的增多，其计算的时间开销呈指数级上升。另外，在实现BPNN时还需要注意局部极小化、应用实例与网络规模的矛盾、BP神经网络样本依赖性、BP神经网络预测能力和训练能力的矛盾等问题。2.4.3LightGBMGBM（gradientboostingmachine）是由Friedman，Hastie等人提出的一种将决策树子模型进行迭代拟合并逐步消除残差的集成学习方法。GBM通过在每个步骤创建与整个集合的损失函数的负梯度最大相关的基础学习器来拟合新模型[62]。由于复杂性的增加，与决策树相比，使用GBM和其他增强方法创建的模型在基础模型结构方面可能会失去一些可解释性。XGBoost（ExtremeGradientBoosting）是GB（GradientBoosting）算法的高效实现版本，是一个基于CART树，结合多

图3-1两组被试的带权结构网络


本文编号：3630013