| 基于组选择的近似无偏稀疏脑功能超网络模型构建与分类研究 |
| |
| 作者姓名： | 李瑶 周子淏 梁家瑞 Ibegbu Nnamdi Julian 郭浩 陈俊杰 |
| |
| 作者单位： | 太原理工大学信息与计算机学院,山西 晋中030600,太原理工大学数学学院,山西 晋中030600,太原理工大学软件学院,山西 晋中030600 |
| |
| 基金项目： | 国家自然基金资助项目（61672374,61876124,61472270,61741212,61976150,61873178）;;山西省重点研发计划项目（201803D31043）;;山西省科技厅应用基础研究项目青年面上项目（201801D121135,201803D31043）; |
| |
| 摘 要： | 针对LASSO方法构建脑功能超网络模型缺乏组效应解释能力和网络有偏性问题,提出了两种基于组变量选择的近似无偏稀疏脑功能超网络模型来改善超网络的构建,分别为组最小最大凹惩罚方法和组平滑剪裁的绝对值偏差方法,并将其分别应用于抑郁症的分类研究中。分类结果显示,两种方法的分类表现均优于传统超网络模型,且组最小最大凹惩罚方法的分类准确率最高,达到86.36%。结果表明若想构建有效的脑功能超网络模型,不仅需要考虑脑区间组效应的解释能力,还需考虑模型变量选择的有偏性问题。而且在考虑到超网络有偏性的基础上,选取较为宽松的惩罚方式来选取目标变量,则可更精确地表征人脑的复杂高阶多元交互信息。
|
| 关 键 词： | 近似无偏稀疏模型 超网络 组最小最大凹惩罚 组平滑剪裁的绝对值偏差 机器学习 |
| 收稿时间： | 2021-08-26 |
| 修稿时间： | 2022-02-16 |
| 本文献已被 维普 万方数据 等数据库收录！ |
| 点击此处可从《计算机应用研究》浏览原始摘要信息 |
|
点击此处可从《计算机应用研究》下载全文 |
|
