多节点规模下的抑郁症功能脑网络分类研究

发布时间：2018-01-19 19:13

本文关键词： 脑网络拓扑属性节点规模机器学习抑郁症　出处：《计算机科学》2016年07期 　论文类型：期刊论文

【摘要】：脑网络作为复杂网络分析方法在神经影像领域的应用已得到广泛的认可。研究发现脑网络中的节点规模对网络的拓扑属性会产生重要的影响。利用静息态功能影像数据,在5种不同的节点规模下分别完成抑郁症患者和正常对照的脑网络构建,比较了网络拓扑属性的变化,并选择了4种不同的分类算法进行脑疾病分类研究。结果表明,网络节点数量不仅对拓扑属性产生了影响,而且对分类模型的构建也有直接作用。支持向量机(RBF核函数)模型在节点规模为250时,分类效果最好,平均正确率为83.18%。该研究结果在抑郁症的临床诊断中具有重要的应用价值,为基于脑网络的机器学习分类研究在网络节点规模的选择上提供了重要的参考依据。
[Abstract]:As a complex network analysis method, brain network has been widely used in the field of neural imaging. It is found that the size of nodes in the brain network has an important impact on the topological properties of the network. Like data. The brain networks of depression patients and normal controls were constructed under five different nodal scales, and the changes of network topology properties were compared. Four different classification algorithms are selected to classify brain diseases. The results show that the number of network nodes not only has an impact on the topological attributes. Support vector machine (SVM) RBF kernel function model has the best classification effect when the node size is 250. The average accuracy is 83.18.The results of this study are of great value in the clinical diagnosis of depression. It provides an important reference for the research of machine learning classification based on brain network in the selection of network node size.
【作者单位】：太原理工大学计算机科学与技术学院;
【基金】：国家自然科学基金项目(61170136,61373101,61472270,61402318) 太原理工大学青年团队启动基金项目(2013T047)资助
【分类号】：R749.4;O157.5
【正文快照】： 到稿日期:2015-06-03返修日期:2015-09-25本文受国家自然科学基金项目(61170136,61373101,61472270,61402318),太原理工大学青年团队启动基金项目(2013T047)资助。脑网络作为复杂网络,在神经影像领域的重要应用已经得到了越来越多研究人员的关注。有研究将复杂网络的基本原理[

【相似文献】