基于同步多维数据流的脑网络动态特征辨识方法研究

针对人脑实时变化的特性,为了更好的观测和描述人脑网络的动态特征,在基于功能磁共振成像的脑功能网络重构技术基础上,给出了一种人脑网络动态特征辨识方法。首先利用同步多维数据流的即时更新能力,将在静息态功能磁共振成像数据采集区间上的血氧水平依赖信号由大时间序列分解重构为每个采样点上的小时间窗口序列,构建连续时间点上的状态观测窗口,从而实现对人脑功能共振信号的特定时间状态辨识,然后运用相关分析对状态观测窗口信号进行分析,得到单状态观测矩阵,最终构建全脑在整个数据采集区间上的动态特征矩阵。实验结果显示该方法可以为人脑网络的动态特征观测和描述提供一种有效手段,也为进一步研究人脑网络的动态特征演变奠定了基础。     

基于时间自动机的脑网络时空演化建模方法

人类大脑本质上是不断变化的整体,但基于静息态功能磁共振成像重构技术的人脑网络动态特性研究尚在起步阶段,并且大多采用定性的方法描述。采用时间自动机理论对脑网络在时间和空间上的系统动态特征和演化过程展开了建模方法研究,首先通过对采样时间区间上血氧依赖水平信号的处理得到全脑脑区在单个采样点上的状态描述,然后通过无监督聚类获取其状态集,研究其状态随时间转换的可观测性,最后在此基础上结合时间自动机理论对脑网络状态的演化过程进行建模,从而达到对脑网络动态特性定量描述的目的。实验结果显示该方法可定量描述人脑网络的状态转换规律和演变进程,对不同被试数据具有普适性,并且可辨识出被试的异常演化过程,为脑网络动态特性的深入研究提供了理论基础。     

静息态功能脑连接的空间动态分析及分类研究

现有的精神疾病分类模型仅采用脑网络的静态指标作为特征,忽略了脑网络的空间动态信息,导致分类性能不高。为克服这一局限性,提升分类模型的性能,提出了基于功能脑连接空间动态的分类方法。通过高维模板对脑连接进行空间动态分析,提取脑连接空间动态特征。利用统计分析进行特征选择,构建基于静息态功能脑连接的分类模型。通过对抑郁症患者与正常被试的分类实验结果表明,脑连接空间动态特征的分类准确率（83.0%）比传统采用脑网络的静态指标特征的分类准确率（77.8%）高5.2个百分点。     

带时间约束的Louvain算法在动态脑功能网络模块化中的应用研究#br#

针对在动态脑功能网络的模块化属性研究中,Louvain算法因过度追求模块度值最大化而导致的动态脑功能网络模块辨识度不高的问题,提出了一种带时间约束的Louvain算法。该算法以整个数据采集区间上的模块度值分布为依据构建迭代结束条件,以时间约束来达到模块在规模和数量上的均衡,从而保证模块划分更加合理。将本文算法用于静息态脑功能的模块划分实验时,对比结果显示,与原Louvain算法相比,带时间约束的Louvain算法能够得到更为合理的模块化结果,并可以观测到动态脑功能网络中小规模的模块结构。而采用本文算法用于健康人和自闭症患者的动态脑功能网络模块度对比实验,能够揭示两者在模块化上存在显著差别,从而验证了本文算法的有效性。     

基于深度自动编码器的脑网络状态观测矩阵降维方法

针对人脑网络状态观测矩阵高维无特征的特点,给出了一种基于深度自动编码器(DAE)的降维算法.利用深度学习网络,将高维的人脑网络空间表达映射到低维的本质特征空间中,为进一步提炼脑网络的动态性能提供了基础.实验结果证明:应用该方法可以达到有效的降维效果,且降维后脑网络状态通过自组织特征映射聚类具有一定的规律性,从而为脑网络的动态特性研究提供了基础.     

基于稀疏张量分解的动态功能网络分析

静息态功能磁共振成像(RS-fMRI)是目前研究人脑功能的重要技术之一,脑功能连接的动态分析为研究大脑内部状态变化提供了一种有效的手段。文中提出了一种基于稀疏张量CP分解算法的动态脑功能网络分析方法。首先利用静息态fMRI数据不同维度的信息构建张量模型,并对其进行优化求解。然后使用动态检测法对时变网络的状态进行划分,构建脑功能连接网络,并与常用的滑动窗口方法进行对比分析。实验结果表明,该方法能够准确识别出静息态fMRI数据的时间维度信息,捕获静息态fMRI数据中的动态功能连接。     

基于多尺度的稀疏脑功能超网络构建及多特征融合分类研究

脑功能超网络已成功应用于脑疾病的诊断。在之前的研究中,集中通过改变超边的方法来改善超网络的构建,忽略了不同尺度的节点定义对脑功能超网络拓扑的影响。考虑到该问题,提出了基于不同尺度的脑区划分来进行脑功能超网络的创建,从而分析其对脑功能超网络拓扑和分类性能的影响。具体来说,首先,基于自动解剖标记模板,利用聚类算法和随机动态种子点的方法对大脑进行细分割;其次,基于每种节点规模下所得的平均时间序列,利用LASSO方法分别进行脑功能超网络的构建;接着分别提取功能超网络的多组局部特征(节点度、最短路径长度、聚类系数),并利用非参数检验和基于相关的方法选取每种节点规模下的差异特征;最后,分别利用支持向量机构建分类模型。分类结果显示,随着节点规模的增大,所构建的脑功能超网络分类准确率增高,在节点尺度1 501下,准确率高达95.45%。同时,多尺度融合的分类准确率优于任一尺度下的分类准确率,这表明不同尺度的节点定义会影响脑功能超网络的拓扑,在未来的脑功能超网络研究中,除了关注超边的构建方法外,应更加关注大脑划分方案的选择,而且多种基于大脑划分的尺度融合特征可以补充更多的分类信息,提高抑郁症与正常人的分...     

基于elastic net方法的静息态脑功能超网络构建优化

脑网络分析已广泛应用于神经影像领域的研究。超网络构建方法被提出用于描述多个脑区之间的高阶关系。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归方法构建。在已有文献中,用于构建超网络的稀疏线性回归模型是采用lasso方法解决。然而这种方法存在局限,在超边构建时不能够有效的解决脑区之间的组效应。针对这一问题,本文提出将elastic net方法引入到超网络构建中,并且应用于抑郁症患者与正常被试的分类。实验结果显示基于lasso与基于elastic net的方法分别可以达到83.33%与86.36%的分类准确率。分类结果表明与原有方法相比,基于elastic net的方法可以得到更为有效的特征以及更好的分类效果。     

基于脑功能超网络的多特征融合分类方法

针对在超网络上提取局部脑区指标作为特征,忽视了全局的拓扑信息,继而影响网络拓扑的评估,降低分类器性能的问题,提出了一种基于脑功能超网络的多特征融合分类方法,该方法首先在抑郁症数据集上构建超网络,其次将局部脑区特征和子图特征进行融合。最后采用基于多核的SVM分类器进行分类。为了验证所提方法的有效性,选取28例正常被试和38例抑郁症患者进行实验,结果表明,该方法获得了令人满意的分类准确率,平均可达91.60%。获得的异常区域包括左侧舌回、左侧尾状核、左侧丘脑等重要的抑郁症病发区域。故而该基于脑功能超网络的多特征融合分类方法可以有效地用于分类正常人和抑郁症患者。     

基于脑网络和TSK模糊系统的癫痫脑电识别

脑电检测是癫痫疾病诊断的重要手段,但基于脑电信号特征的人工标记方法,对癫痫发作状态识别的准确度较低。将脑功能网络与TSK模糊系统相结合,提出一种癫痫脑电信号识别的新方法。通过分析多通道脑电信号之间的同步性,构建癫痫患者的脑功能网络,采用复杂网络方法提取特征参数;以脑网络参数为输入特征建立TSK模糊系统模型,通过监督式学习训练分类器,用于识别癫痫发作期的脑电波形。实验结果证明了该方法的有效性,模糊分类器对癫痫发作状态识别的准确度达到98.36%,99.48%敏感度和97.24%特异度。该方法将复杂网络与机器学习算法相融合,为通过脑电检测识别癫痫疾病状态提供了新方法,具有重要的应用价值。     

基于机器学习的脑网络分析方法及应用

脑网络学习旨在从整体上研究大脑各功能区的交互,对于人类深入了解大脑功能和结构以及对一些脑疾病的诊断都具有非常重要的作用。作为脑网络分析的重要工具,机器学习由于能够从数据中学习规律并对未知数据进行预测,已成为近年来脑网络分析领域一个新的研究热点。本文综述了近年来基于机器学习技术在脑网络分析中的典型研究方法和应用,主要从网络的构建、特征学习和分类预测等3个方面加以介绍。最后,总结全文并展望未来研究方向。     

基于动态功能性脑网络的情感分析

人脑活动是在秒级与毫秒级动态变化的,因此采用静态连接方式构建的功能性脑网络,会造成部分与时间相关有效特征的缺失.该文旨在研究情绪变化期间不同大脑区域之间相互作用的时空变化,提出了一个系统的分析框架.该框架包括相关性度量,脑状态分割,代表性时间片段提取以及动态网络构建和分析.首先,利用皮尔逊相关系数量化不同脑区之间的功能...     

不确定脑网络的异常拓扑分析及分类研究

静息态功能脑网络在脑疾病研究中得到了广泛的应用。然而传统的功能连接网络分析主要集中在确定图上,忽视了大脑区域之间的不确定信息。基于此,对不确定脑网络进行了研究,该方法不需要进行阈值选择,而且可以更准确地对功能连接网络进行建模。同时,将频繁子图挖掘应用到了不确定图上,并提出了几种新的判别性特征选择方法。分类结果显示,基于不确定脑网络的磁共振影像分类方法有效地提高了抑郁症诊断的准确率。     

基于小波包分解的时变脑电节律提取

研究从时变非平稳脑电信号中提取脑电动态节律的新方法。首先用小波包分解构造不同频率特性的时变滤波器以提取各种时变的脑电节律，研究临床脑电信号瞬时变化。在此基础上测试并分析两种不同功能状态下的脑电信号，并由此构造各种节律的时变脑电地形图。实验结果表明，小波包分解可以有效提取脑电不同节律的动态特性，此方法也适用于分析其他生物医学信号。     

多形式特征向量脑网络分类方法研究

目前已有的脑网络分类方法大多是通过处理收集的信号来构建脑网络,并根据一个或多个脑区之间的脑网络特征属性来进行分类。该分类方法只考虑一个特征属性,忽略了脑网络的其他特征属性,而被忽略的特征属性很可能会对实验结果产生较大的影响。为了克服已有分类方法的缺陷,文中考虑多种特征属性提出了一种基于多形式特征向量的脑网络分类方法并使用了新型图核,该分类方法由4步构成：将原始实验数据经过预处理后完成脑网络构建;根据不同的阈值来提取脑网络中多种脑网络属性值;利用支持向量机训练所有数据,根据训练结果的优劣,在每种网络属性值里挑选分类效果最优的阈值参数,并将它们进行特征融合;使用支持向量机训练融合后的特征向量。通过实验数据分析并与已有分类方法进行了对比,验证该方法在轻度认知障碍数据集上脑网络分类的有效性。     

基于子图选择和图核降维的脑网络分类方法

脑网络分类在脑科学研究和脑疾病诊断等领域引起了学者们的广泛关注。目前大多数有关脑网络分类的研究都是以单个脑区或成对脑区之间的相关性作为分类特征,其缺点是不能反映多个脑区之间的拓扑结构信息。为克服上述缺点,提出了一种基于子图选择和图核降维的脑网络分类方法。具体包括：（1）分别从正类训练样本组及负类训练样本组中提取多个频繁子图,进而利用基于频度差的子图选择算法选取最具判别性的子图集;（2）基于上述过程中得到的子图集,利用图核主成分分析（graph-kernel-based principal component analysis,GK-PCA）方法对经过子图选择后的图数据进行特征提取;（3）利用支持向量机（support vector machine, SVM）在特征提取后的数据上进行分类。在真实的轻度认知障碍（mild cognitive impairment,MCI）脑网络数据集上对该方法进行了验证,实验结果表明了该方法的有效性。     

基于t-SNE的脑网络状态观测矩阵降维方法研究

针对基于功能核磁共振重构的脑网络状态观测矩阵维数过高和无特征的特点,对其降维方法展开研究,给出了基于t-SNE的脑网络状态观测矩阵降维算法,并且利用Python实现了降维及可视化平台。实验结果表明,与目前主流的其他降维算法相比较,使用该方法得到的脑网络状态观测矩阵低维空间的映射点有明显的聚类表现,并且在多个样本上的降维结果显现出一定的规律性,从而证明了该算法的有效性和普适性。