基于圖挖掘方法的腦網絡分類及其應用.pdf

1、近年來，隨著醫(yī)學成像技術的發(fā)展，從神經影像中發(fā)現對腦疾病敏感的生物標記和結構或功能連接特性，并用于腦疾病的分類，己成為一個新的研宄熱點?；跀祿诰蚝蜋C器學習的技術，對腦網絡進行分析，并從中發(fā)現規(guī)律，以用于對未知數據的預測，己成為研宄趨勢。本文基于圖挖掘的技術，對腦網絡分類開展了研宄。本文的主要創(chuàng)新點和研宄工作總結如下：
　　首先，提出了基于單網絡的頻繁和判別子網絡挖掘的腦網絡分類方法。我們的假設是同組的腦網絡存在相同的子網絡，而

2、不同組之間存在判別性的子網絡。便利用不同組間的頻繁和判別子網絡進行腦網絡的分類。具體而言：首先使用頻繁子圖挖掘技術在不同腦網絡組挖掘頻繁子網絡，然后基于所提出的判別子網絡選擇算法選出最具判別性的子網絡，最后用基于圖核的分類方法對腦網絡進行分類。實驗結果表明，提出的方法不僅能顯著提高學習算法的分類性能，而且對檢測出可能對疾病敏感的功能性連接、結構性連接和腦區(qū)表現了一定的潛力。
　　其次，在單網絡的基礎上提出了基于多網絡融合的頻繁和判

3、別子網絡挖掘方法。我們的假設是，使用不同的閾值對連接網絡進行閾值化后產生不同的閾值化網絡，而不同閾值對應的閾值化網絡具有不同層次的拓撲結構網絡特性，目的便是充分利用這些不同層次的拓撲結構網絡特性。具體地，在每一種選擇的閾值下，使用該閾值對全連接網絡進行閾值化。這樣，對于每一種閾值化的連接網絡，都進行頻繁和判別子網絡挖掘，并將每個閾值對應的判別子網絡組合在一起。實驗結果表明，多網絡融合的頻繁和判別子網絡挖掘算法可以獲得更穩(wěn)定的分類性能，并