基于频率排序的判别子图筛选及在精神分裂症分类中的应用

【目的】从脑网络中提取准确的判别性特征作为分类特征,可以提高SCZ的分类准确率,避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息,最小生成树丢失了部分脑区连接,子图虽然保留了拓扑信息,但传统的判别子图的筛选会产生部分冗余信息,进而影响分类准确率。【方法】提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen, FSS),使用FSS筛选判别子图,在不损失原有判别信息的情况下,消除冗余信息。使用OpenfMRI的公开数据,对比了使用不同特征和不同分类算法的分类性能。【结果】FSS特征的分类性能优于其他传统脑网络特征,且该特征不受分类算法影响,分类准确率优于已有SCZ分类文献。

基于对抗生成网络的时序脑功能网络预测方法

【目的】通过实现脑功能网络的预测,为研究脑功能网络的变化演化规律提供参考。【方法】建立基于对抗生成网络的时序脑功能网络的链路预测模型,通过图卷积和长短期记忆网络分别捕捉脑功能网络的拓扑特征和时序特征,通过全连接层进行特征融合,实现脑功能网络的预测。【结果】所提出的脑功能网络预测方法在两种不同的静息状态功能性磁共振成像数据上,预测AUC为0.95,MAP为0.92,与其他的链路预测模型相比较,该方法在脑功能网络上可以达到较好的预测效果。对脑功能网络的准确预测,在脑网络解码和脑机接口领域具有广泛的应用前景。

基于链路预测的脑功能网络重构方法及应用

【目的】传统的静息态功能磁共振成像脑网络构建方法可能存在虚假链接或者缺失边,网络表达不够准确,重复测量的稳定性有待进一步提高。【方法】基于3种局部信息指标和4种节点定义策略,将链路预测算法用于脑功能网络重构,并利用两组测试数据对重构网络拓扑指标的可靠性进行分析。【结果】实验结果表明,重构网络提高了重复测量的稳定性。此外,利用重构网络对阿尔兹海默症(alzheimer’s disease, AD)患者脑网络进行组间差异分析,结果发现重构网络存在显著的组间差异,符合已有研究结果。

脑网络中不同负连接处理方法的重测信度研究

为了准确刻画和评估脑功能网络的拓扑结构,如何定义网络的节点和边缘至关重要。基于四种节点定义策略和两种负连接处理方法来构建脑功能网络,并对其进行不同时间间隔的重测信度分析,通过绝对值与正相关网络的比较旨在发现负连接对脑功能网络可靠性的影响。实验结果表明,包含负连接信息的绝对值网络表现出相对较低的长期可靠性,并受到节点定义策略的限制。不同负连接处理方法的重测信度差异为人脑的功能网络研究提供了方法学建议。