多层复杂网络在精神分裂症分类中的应用研究

发布时间：2020-07-01 16:35

【摘要】：近年来基于复杂网络的脑疾病研究成为热点,利用脑电数据构建复杂网络是传统研究人类脑疾病的重要方法,前人的研究主要集中在单层复杂网络,重点研究某一频段、某一阶段存在的属性差异,但是传统的研究范式有着无法回避的缺陷,整个频段的各个阶段无法作为整体考虑,实验的各个阶段的各个频段也是分开讨论,而单层复杂网络的网络特点也使得一些主要信息被隐藏或无法表达,使其获取的显著差异属性偏少,分类准确率偏低,分类正确性不足。基于多层复杂网络理论可以同时包含多种不同类型的对象和关系,比传统复杂网络表征更丰富的信息,更好地支持建模求解和分析预测任务。本文多角度的探讨多层脑功能网络的构建与分析方法,提出了两种多层脑功能网络的构建方法。基于精神分裂症患者脑电数据,充分利用多层复杂网络的理论构建多层脑网络,通过分析和对比患者多层脑网络全局和局部属性,找出差异显著属性,利用SVM分类器进行分类对比,分类准确率最高达90%以上。综合分析来看,通过多层复杂网络理论得到的脑网络属性可作为精神分裂症疾病的判断分析指标,应用到精神分裂症的发病区域研究及临床诊断。主要工作如下:(1)构建多层脑功能网络。首先将头皮节点作为节点,节点连接确定边和阈值,然后按照阶段、频率进行设置,最后混合三个阶段和五个频段构建三层复杂网络和五层复杂网络。(2)计算由时序转化的三层脑功能网络的局部属性和全局属性,在各个频段下,将精神分裂症患者组和正常人组三层脑网络属性进行比较,提取显著差异属性值,进行分类分析,找出在工作记忆实验中患者组在各个频段表现异常的节点,分析其脑区功能。结果显示,局部属性综合情况要优于全局属性。而在频段比较中,θ频段的各项指标表现差异性较大,可以作为区分精神分裂症患者和正常人的重要指标考虑。(3)计算由频域转化的五层脑功能的局部属性和全局属性,在三个阶段中,计算两组五层脑功能网络的各项属性值,用机器学习的方法进行分类比较找出显著差异属性。观察各个属性在工作记忆实验中各个阶段显著差异属性的变化,分析脑区功能变化。结果显示,在各个阶段各个频段,精神分裂症组与正常人组均存在大量显著差异属性,其分布在各个脑区,证明了精神分裂症是一种全脑性疾病而非仅仅是局部脑区病变。总之,本文重要着重研究了基于多层复杂网络的脑功能网络的构建方法以及分类分析,探索了多层脑功能网络的基本拓扑属性,为脑电结构下的脑网络研究提供了新的思路和视角。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R749.3;O157.5
【图文】：

示意图,时序网络,层网络,示意图

10图 2-2 时序网络转化多复杂层网络示意图-2 Schematic diagram of time series network transformation of multiple complex layer

全局,属性,频段,图G

图 3-16 α 频段 12%～40%稀疏度下全局属性差异值图Global attribute difference value map of 12%-40% sparsity

【相似文献】