一种基于多尺度特征和改进采样策略的异构网络对齐方法

网络对齐是集成不同平台数据的重要途径。利用网络表示学习得到节点表征并建立节点匹配策略是当前异构网络对齐的主流技术之一。在这类研究中,网络表示模型和计算复杂性为两大关键问题。本文提出一种基于多尺度特征建模和优化采样策略的无监督网络对齐方法。首先,提出一种不同尺度的节点特征表示,提取节点特征;然后利用网络嵌入模型获得网络的初表征,在此基础上设计了一种基于节点重要性的采样策略选择地标节点,改进随机抽样策略;建立了基于地标节点的网络节点相似关系矩阵,引入低秩矩阵近似方法进行矩阵分解,得到节点表示;最后,根据节点表示的相似性对网络进行对齐。在3个数据集上的实验结果表明,本模型优于其他基线模型。

脑激活任务区分度的分析及应用研究

大脑在执行不同类型任务时激活模式各不相同,变化很大,各个脑区的变化程度也不同。据此,提出任务区分度计算这一全新的方法。用相似性度量对任务态功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)分析,衡量大脑在执行不同条件时各个脑区激活模式的区分程度,揭示大脑各个区域对任务的表征能力。实验对正常人和狂躁症患者记忆提取任务的fMRI数据进行分析,使用皮尔逊相关分析、余弦相似度分析和欧几里德距离计算3种常用的相似性度量方法,并计算各个脑区的任务区分度。结果表明区分度较高的脑区参与记忆、注意和视觉信息等功能,表明了该方法的准确性和科学性。狂躁症患者在负责记忆和注意等脑区的任务区分度较正常人低,表明患者脑功能受损。此外,研究还发现基于皮尔逊相关分析的区分度计算表现较好。通过与SVM方法的对比证明了该方法在区分不同任务的激活模式时的优越性。综上,基于相似性度量的脑激活任务区分度的方法能够适用于任务态fMRI分析及其相应的脑功能分析。