脑网络的表示学习及应用研究

发布时间：2021-08-18 01:55

　　机器学习技术（如稀疏学习、支持向量机等）已被成功地应用到各个领域,包括图像处理,医学影像分析等。最近,研究人员也将机器学习应用到基于功能磁共振成像（functional magnetic resonance imaging,fMRI）的脑网络分析（分类）中,获得很好的性能。但由于脑网络数据本质上是高维的结构化数据,对其抽象表达和精确刻画,仍是这类研究中面临的一个重要问题,也是后续脑网络分析的基础。基于此背景,本文展开了面向功能性脑网络的表示学习研究工作,具体工作包括以下三部分:（1）提出一种基于权值分布的自适应阈值化方法（称之为WDT）,用于自适应地阈值化功能性脑网络。阈值化处理是脑网络分析非常基础的步骤,传统的方法一般采用单一值或者单一比例值方法对整个脑网络进行阈值化处理,从而忽略了脑区间连接的多样性,即不同脑区间的连接强弱（权重）不同,应该采用不同阈值进行处理。另外,在实践当中,并没有一个好的标准来确定相应的阈值或百分比,往往根据经验或者需要尝试大量可能的值来确定相应的阈值。基于此,提出的WDT方法能够充分利用不同脑区间连接权重的分布信息,对每个连接能够自适应地确定一个最优阈值,从... 

【文章来源】：安徽师范大学安徽省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

提出基于WDT方法的分类框架

31表3.7基于社区特征学习的四种方法在eMCIvs.NC分类任务上的性能MethodACCSENSPEAUC（%）（%）（%）baseline58.920.987.546.8ST63.60.566.164.7PT70.155.880.466.9WDT(ours)74.648.892.970.4表3.8基于社区特征学习的四种方法在ADHDvs.NC分类任务上的性能MethodACCSENSPEAUC（%）（%）（%）baseline56.450.061.955.2ST62.761.263.660.7PT64.939.885.663.2WDT(ours)66.652.078.860.5(a)MCIvs.NC分类(b)lMCIvs.eMCI分类(c)eMCIvs.NC分类(d)ADHDvs.NC分类图3.6基于聚类系数特征在四种分类任务上的精度

323.7本章小结脑网络的表示学习不仅能够简化学习模型，提升脑疾病的分类性能，而且能够帮助理解一些脑疾病的病理，已被应用到脑网络分析中。本章节中，本文提出了基于权值分布的阈值化表示学习方法，用于基于功能连接网络的脑疾病分类。与目前现有方法通常采取的单阈值与稀疏百分比阈值化方法不同，本文提出的WDT方法充分考虑脑网络数据在各脑区节点间可能存在的关联性差异，进而采取对样本进行分布式自动产生自适应阈值，保留各脑区间的差异性信息，除去不具备判别性的冗余信息，进而简化后续特征学习与分类步骤，提升了整体模型性能。(a)MCIvs.NC分类(b)lMCIvs.eMCI分类(c)eMCIvs.NC分类(d)ADHDvs.NC分类图3.7基于社区结构特征在四种分类任务上的精度


本文编号：3348955