基于非监督学习的动态脑功能网络分析

发布时间：2020-05-27 23:12

【摘要】：静息状态功能磁共振成像(fMRI)是研究人脑功能的重要技术之一。对脑功能网络的动态属性进行分析是目前脑功能研究的热点,而脑功能网络状态划分则是脑功能网络动态属性分析的重要方面。目前国际上广泛采用的脑功能网络状态划分策略是基于k-means聚类算法对短时功能网络矩阵进行聚类,而k-means聚类算法存在聚类个数难以确定及对聚类结果有重大影响的初始类中心这两个问题,并且k-means聚类算法不能考虑脑功能网络的动态时序性。为有效解决这些问题,本研究开展了如下三项工作:其一,基于描峰聚类的脑功能网络状态划分。考虑描峰聚类能直观展现合理的类别数,从而有效解决k-means聚类中k值难以确定的问题,我们率先引入描峰聚类开展人脑动态功能网络划分研究。此外,考虑基于滑动窗方法获取的功能连接特征的高维度,在描峰聚类之前,我们基于多种距离度量使用多维尺度分析算法进行有效降维。实验结果表明,有效的脑功能网络状态数为3到5。其二,基于隐马尔可夫模型(Hidden Markov Model,HMM)的脑功能网络状态转移研究。考虑HMM能充分利用脑功能网络的动态时序性,从而有效弥补k-means聚类忽略动态时序性信息的缺点。此外,考虑基于滑动窗方法获取的功能连接特征的高维度,在使用HMM之前,我们基于多种降维算法,对功能连接特征进行有效降维。实验结果表明,基于时序性无监督算法能获取不同视角的人脑功能网络的动态属性信息。其三,基于时序子空间聚类的脑功能网络研究。考虑人脑中随时间变化而重复出现的“时空连续的模式(Spatiotemporal Pattern)”具有重要意义,我们率先引入时序子空间聚类开展脑动态功能网络划分研究。此外,考虑短时功能网络与全序时间序列数据意义不同,我们使用时序子空间聚类同时捕捉两种数据中存在的“时空连续的模式”。两种实验结果均表明,大脑功能网络状态与发育之间具有强相关性。本研究的创新性在于:(1)引入描峰聚类,解决传统的基于k-means聚类的人脑功能网络状态划分中类别数难以确定的问题;(2)引入HMM,充分考虑人脑功能网络状态间的时序性;(3)引入时序子空间聚类概念,充分考虑人脑功能网络的时空域上连续的模式。实验结果表明,本文提出的三类脑功能网络状态划分策略均可行并且有效。
【图文】：

人工数据,样本点,聚类

则点＇成为聚类中心的可能性越大。逡逑根据文献［４（）］所述，每个样本点可以在新的二维坐标下表示，这样可以得到数据逡逑集Ｘ的聚类决策图。使用描峰聚类进行的一个人工数据集简单示例如图２－１所示。逡逑Ａ逦Ｂ逡逑＠逦１，０－逦（？）逡逑？？％邋？邋＠邋0，：邋？逡逑＠逦０．２－逦热逡逑逦！１＂邋＇邋ｉ邋＇邋Ｉ邋，＂？逦１邋ｔ邋＇邋ｆ邋、逦．ｒ．邋．邋ｋ邋；逦ｉ逡逑逦邋Ｃ１２３４Ｓ６７８逡逑Ｐ逡逑图２－１人工数据集上的聚类结果R[（来自Ａｌｅｘｅｔａｌ．，邋２０１４）逡逑Ｆｉｇｕｒｅ邋２－１邋Ｃｌｕｓｔｅｒｉｎｇ邋ｒｅｓｕｌｔｓ邋ｏｎ邋ａｒｔｉｆｉｃｉａｌ邋ｄａｔａｓｅｔｓ［４０］（ｆｒｏｍ邋Ａｌｅｘ邋ｅｔ邋ａｌ．，２０１４）逡逑图２－ｌ（Ａ）展示了人工数据集中的样本点分布。可以发现样本点１和样本点１０逡逑的局部密度大而且与密度更高的点间的距离也大，故将其作为类簇中心。图２－ｌ（Ｂ）逡逑７逡逑

人工数据,样本点,聚类

则点＇成为聚类中心的可能性越大。逡逑根据文献［４（）］所述，每个样本点可以在新的二维坐标下表示，这样可以得到数据逡逑集Ｘ的聚类决策图。使用描峰聚类进行的一个人工数据集简单示例如图２－１所示。逡逑Ａ逦Ｂ逡逑＠逦１，０－逦（？）逡逑？？％邋？邋＠邋0，，：邋？逡逑＠逦０．２－逦热逡逑逦！１＂邋＇邋ｉ邋＇邋Ｉ邋，＂？逦１邋ｔ邋＇邋ｆ邋、逦．ｒ．邋．邋ｋ邋；逦ｉ逡逑逦邋Ｃ１２３４Ｓ６７８逡逑Ｐ逡逑图２－１人工数据集上的聚类结果R[（来自Ａｌｅｘｅｔａｌ．，邋２０１４）逡逑Ｆｉｇｕｒｅ邋２－１邋Ｃｌｕｓｔｅｒｉｎｇ邋ｒｅｓｕｌｔｓ邋ｏｎ邋ａｒｔｉｆｉｃｉａｌ邋ｄａｔａｓｅｔｓ［４０］（ｆｒｏｍ邋Ａｌｅｘ邋ｅｔ邋ａｌ．，２０１４）逡逑图２－ｌ（Ａ）展示了人工数据集中的样本点分布。可以发现样本点１和样本点１０逡逑的局部密度大而且与密度更高的点间的距离也大，故将其作为类簇中心。图２－ｌ（Ｂ）逡逑７逡逑
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.2;TP181

【参考文献】