动态功能连接磁共振分析方法在阿尔茨海默病疾病谱脑网络的研究进展

动态功能连接(dynamic functional connectivity,dFC)是磁共振功能连接的进阶分析方法,在认知类疾病脑网络研究领域具有重要地位。常规功能连接分析方法往往忽略连接的时变特性,这导致蕴含大量时变信息的影像数据未被充分利用。在此基础上构建的脑网络,可为临床研究提供更加精准的影像学特征标志物,并作为崭新的可量化指标参与到预测疾病进展中。笔者总结讨论了近期国内外dFC分析在阿尔茨海默病(Alzheimer's disease,AD)疾病谱脑网络研究的现状,显示dFC分析在海马、楔前叶、额下回等脑区具有深入挖掘其发病机制的卓越潜力,为解释AD纵向进展过程提供更可靠的影像理论基础。本文将以dFC为脉络,回顾和展望其在AD疾病谱脑网络的研究进展,为未来针对AD的神经影像学研究提供新的思路。

基于BP神经网络的复合材料螺栓连接强度预测

针对复合材料螺栓连接强度预测问题,设计拉伸试验并记录极限载荷。将试验变量数值化抽象为神经网络输入神经元参数,基于BP神经网络理论,建立强度预测模型。使用三组预留的试验结果验证模型的准确性,三个测试组预测误差分别为6.13%、1.63%、3.34%。调整训练组的组成并重新训练模型,结果表明,本文模型针对训练组未出现参数值有着较好的预测能力。最后建立有限元分析模型进行对比分析,结果表明,针对复合材料螺栓连接强度预测问题,相比有限元方法,神经网络方法精度相当,且具有明显的速度优势。

子连接有源可重构智能表面辅助的宽带无蜂窝网络能效优化

面对无蜂窝网络中超密集基站部署产生的高功耗问题,提出了一种基于子连接有源可重构智能表面辅助的宽带无蜂窝网络系统。考虑有源智能超表面最大功率约束、放大因子约束和基站端最大功率约束,构建了一个联合基站和可重构智能表面波束优化的能效最大化问题。由于所形成的优化问题非凸,提出了一种交替优化方案将原问题转化为多个子问题,进而利用块坐标下降、拉格朗日对偶变换、多维复二次变换等方法将每个子问题转化为凸优化问题,通过交替求解每个子问题最终获得原问题的解。仿真结果验证了所提方案的有效性。

动脉自旋标记成像观察帕金森病患者纹状体-丘脑-皮层环路的代谢网络连接属性

目的 从代谢网络连接的角度探讨帕金森病(Parkinson’s disease, PD)患者纹状体-丘脑-皮层(striatal-thalamo-cortical,STC)环路紊乱的影像学特征。材料与方法 采用动脉自旋标记成像技术,获取62名PD患者以及65名健康对照(healthy control,HC)受试者的脑血流量(cerebral blood flow, CBF)数据。基于CBF信息计算两组STC环路代谢网络的连接属性,包括种子点-连接、皮层-连接及模块-连接。随后使用置换检验分别进行三种网络连接的组间比较。结果 两组的年龄、性别、受教育程度及认知量表评分差异均无统计学意义(P>0.05)。相较于HC受试者,PD患者其种子点-连接值在双侧颞下回、双侧梭状回、双侧额中回、左侧枕中回以及右侧中央后回等脑区显著增高,而在双侧颞中回、左侧额直回、左侧颞上回、双侧额下回、双侧楔前叶、右侧辅助运动区以及双侧顶下回等脑区显著减低(P<0.05);其与感觉运动皮层存在显著增强的皮层-连接、而与运动皮层及顶-枕叶皮层存在显著减弱的皮层-连接(P<0.05);模块-连接于额叶模块与运动模块、感觉运动模块与顶-枕叶模块以及顶-枕叶模块与颞叶模块之间呈现显著升高;而于额叶模块与颞叶模块、运动模块与顶-枕叶模块以及感觉运动模块与颞叶模块之间呈现显著降低(P<0.05)。结论 PD患者存在代谢层面的神经网络紊乱,涉及到STC环路内以基底节区为枢纽的广泛性连接异常。

面向大规模低地球轨道卫星网络的星间链路连接策略

针对大规模低地球轨道(LEO)卫星网络,提出了2类新型星间链路(ISL)连接策略:Grid-V和Grid+,并对传统的Grid连接策略进行改进。所提策略充分利用了次邻轨和跨邻轨星间链路,Grid-V连接策略舍弃了Grid连接策略的轨内链路,利用次邻轨和跨邻轨的星间链路形成网络拓扑;Grid+连接策略在保留Grid连接策略中的星间链路基础上,允许卫星与同轨道或者次邻轨道卫星建立跨星连接。针对Walker-Delta星座构型的大规模LEO卫星网络,设计了基于所提星间链路连接策略的最短距离路由算法,并分别从几何拓扑和数据包层面对路由进行了系统级仿真,以评估各连接策略的性能。仿真结果表明,在几何拓扑层面,所提策略可以有效减少平均路由跳数与路径切换次数;在数据包层面,所提策略在往返时延及抖动、路径占用率、平均吞吐量等方面具有更好的性能。

基于孪生神经网络的楔形环连接结构预紧状态辨识

楔形环连接结构由于其连接简单可靠、同时兼具节省空间及减重的优势,常被应用于鱼雷、航天飞行器等武器装备。针对楔形环连接结构预紧状态辨识方面存在的机理模型复杂、样本量小且类别不平衡的问题,提出了一种基于孪生神经网络模型的预紧状态辨识方法。为提高模型训练效率和效果,首先利用时频处理技术进行孪生神经网络模型特征增强,基于增强特征建立了3层孪生神经网络分类模型,实现楔形环预紧状态宏观分类。同时,为指导楔形环精密装配,通过特征可视化技术,深入分析了孪生神经网络训练过程特征聚类效果,并基于二维特征建立了预紧状态定量表征模型,引入目标状态聚类中心与接受域参量,用于实现楔形环连接结构预紧状态定量评估。通过试验验证了所提方法的有效性,该方法可为楔形环连接结构定量辨识提供新的技术途径和思路,具有一定工程应用价值。

基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。

基于多尺度密集连接网络的电容层析成像图像重建

为求解电容层析成像中的非线性病态反问题,提出了一种多尺度密集连接网络(MD-Net)模型。该模型由多尺度特征融合模块和密集连接块组成,以通过融合多尺度特征进一步提高图像的重建精度。通过MATLAB仿真实验平台构建了流型数据集,利用密集连接网络的非线性映射能力,完成训练集的学习与训练,并利用测试集进行训练效果评价。在此基础上进行了静态实验。仿真与静态实验结果均表明:与LBP、Landweber迭代算法和其他深度学习方法相比,该方法的重建精度最高、抗噪能力强,并具有良好的泛化能力。

基于GRU的密集连接时空图注意力网络的城市交通预测

城市道路拓扑结构的复杂性、交通流量的实时变化以及多元的外部环境等因素给交通预测带来了极大的困难。现有方法对交通路网的时空特征挖掘性不足,缺乏对外部因素的考虑,为此本文提出了一种基于门控循环单元(GRU)的时空图注意力密集连接网络,通过门控循环单元来捕获路网数据的动态规律,并以图注意力密集连接网络来提取路网复杂的空间结构特征,建立城市交通网络对时空的依赖关系。针对外部客观因素,采用独热编码的方式对城市各路段发生的交通事件进行数据建模,增强交通网络的信息属性。以杭州申花路及周围共309个路段为例,对所提出模型的预测能力和可行性进行验证。实验结果表明,模型预测精度最高达到了81.64%,与传统数学模型和主流的神经网络模型对比,预测精度较ARIMA提高了35.42%,较图注意力网络(GAT)和GRU神经网络分别提高了17.45%和3.02%。实验证明该方法可以适应复杂的交通流进行长期的交通预测任务,同时也能增强交通管理能力,减少交通拥堵成本。

针刺阳陵泉对中风偏瘫患者脑网络功能连接的即刻效应

目的 基于功能磁共振成像(fMRI)技术,对比针刺阳陵泉真穴/假穴对中风偏瘫患者感觉运动网络(SMN)、背侧注意网络(DAN)功能连接的即刻效应,探讨针刺对中风偏瘫患者中枢调节机制及经穴特异性。方法 纳入中风偏瘫患者20例,间隔2周分别进行1次针刺阳陵泉真穴与假穴的fMRI扫描,应用独立成分分析提取运动相关的SMN、DAN,比较功能连接差异。结果 在SMN内,针刺阳陵泉真穴后较针刺前功能连接增强,增强的脑区有右侧中央前回、颞上回、额下回、楔叶、楔前叶,左侧颞中回、枕中回、颞上回、海马旁回、额下回、颞上回;针刺阳陵泉假穴后较针刺前功能连接增强,增强的脑区有右侧中央前回、额上回、额中回、扣带回,左侧额内侧回、前扣带回、豆状核、尾状核。在DAN中,针刺阳陵泉真穴后较针刺前功能连接增强,增强的脑区包括右侧大脑楔前叶、颞上回、颞中回、枕中回,左侧扣带回、后扣带回、楔前叶;针刺阳陵泉假穴后较针刺前功能连接增强,增强的脑区包括右侧前扣带回,左侧前扣带回、额内侧回。结论 针刺阳陵泉能激活中风偏瘫患者SMN、DAN双侧相关脑区,可能通过调节运动的启动及执行促进患者运动功能的恢复,且相较假穴更具经穴特异性。

基于独立成分分析的终末期肾病患者静态及动态功能网络连接研究

目的:探索终末期肾病(ESRD)患者功能网络连接(FNC)的静态及动态变化特点。方法:收集33例ESRD患者及34例健康对照组作为研究对象。首先基于独立成分分析识别到6个静息态功能网络,即听觉网络、凸显网络、视觉网络、感觉运动网络(SMN)、执行控制网络(ECN)及默认网络。然后比较两组静态功能网络连接(sFNC)和动态功能网络连接(dFNC)相关参数的差异,并与神经心理测试进行相关分析。结果:sFNC分析显示ESRD组ECN与SMN的sFNC强度显著高于健康对照组(P<0.05,FDR校正),而且与执行功能评分[连线追踪测试A(TMT-A)]呈显著正相关(r=0.429,P=0.018)。dFNC分析显示ESRD组状态3的时间分数和平均驻留时间显著低于健康对照组(P<0.05);状态2的时间分数(r=0.503,P=0.005)和平均驻留时间(r=0.412,P=0.024)与TMT-A评分呈显著正相关;状态4的时间分数与焦虑评分呈显著负相关(r=-0.372,P=0.043)。结论:本研究采用独立成分分析的方法揭示了ESRD患者静态及动态功能网络连接的特点,为深入理解ESRD患者神经病理损害机制提供了新视角。

MCI患者高阶动态功能连接的图论网络构建方法及分类

针对在低阶脑网络应用图论忽视了功能连接高阶动态性的问题,提出了一种基于高阶动态功能连接的图论网络构建方法(GNC-HodFC),提取高阶FC网络的图论特征以对轻度认知障碍患者和健康被试者进行差异性分析及分类。首先定义了表征高阶动态脑网络连接的图论节点和边;然后利用滑动窗相关技术提取低阶功能连接信息,提出平稳性判据,选取最优特征子集以构建图论的节点;最后提出自适应阈值策略对高阶动态功能连接信息进行选取以构建图论的边,最终完成高阶动态脑网络的图构建。实验结果表明,GNC-HodFC的平均分类准确率可以达到70.5%,优于其他三种对比方法,且患者组和健康组的图论特征中存在显著性差异,GNC-HodFC方法可以为轻度认知障碍的诊断提供新的辅助手段。

5G超密集异构网络双连接技术架构设计

双连接(Dual Connectivity,DC)技术是一种创新型技术,可以满足5G超密集异构网络(Heterogeneous Network,HetNet)日益增长的高数据速率传输需求。在5G超密集HetNet中,DC切换是对传统移动网络切换的进一步优化和发展。因此,以DC技术的一般概念为基础,设计了5G非独立接入(Non-Standalone Access,NSA)架构和独立接入(Standalone Access,SA)架构。同时,为确保5G超密集HetNet业务的连续性,避免小蜂窝之间频繁切换和乒乓效应的发生,设计了基于DC的切换程序。

基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。

攻击方式动态不确定条件下网络连接性能分析

在给定的网络中,由于用户接入的随机性,容易造成网络设备的损毁或网络性能下降。首先分析合法用户与非法用户在给定网络中的接入机制,接着提出了基于非法用户随机出现和随机消亡条件下的用户接入模型。经过迭代计算用户的接入数目与设备的损毁数目,计算得到网络的连接指数。最后通过仿真验证,给出不同影响因素下用户的接入性能和连接指数变化情况。仿真结果表明,非法用户的最终接入直接影响网络连接指数,网络设备的可连接数目对连接性能的影响程度较大。

重型抑郁障碍患者默认网络静态与动态功能连接变化

目的 基于静息态功能MRI(rs-fMRI)观察重型抑郁障碍(MDD)患者默认网络(DMN)静态与动态功能连接变化。方法 回顾性分析55例MDD患者(MDD组)及35名健康体检者(对照组)头颅高分辨率结构图像及rs-fMRI;以Matlab平台CONN工具箱进行图像预处理及独立成分分析(ICA)以提取DMN;比较组间DMN与全脑静态与动态功能连接变化;采用Pearson相关性分析观察MDD组与对照组存在差异脑区DMN与汉密尔顿抑郁量表-24项(HAMD-24)、汉密尔顿焦虑量表(HAMA)及韦氏智力测验评分的相关性。结果 相比对照组,MDD组DMN与丘脑、楔前叶及中央前回静态功能连接均减弱(P均<0.05);MDD组DMN与丘脑功能连接强度与HAMD-24评分呈低度负相关(r=-0.333,P=0.014)。相比对照组,MDD组DMN内侧前额叶皮层、左/右外侧顶叶与伏隔核,以及左外侧顶叶、后扣带回与丘脑动态功能连接均减弱。MDD组DMN内侧前额叶皮层-伏隔核、后扣带回-丘脑动态功能连接强度与HAMD-24评分呈低度正相关(r=0.313,P=0.019;r=0.311,P=0.021)。结论 MDD患者DMN与局部脑区存在静态与动态连接异常,部分与抑郁症严重程度相关。

注意力密集连接网络的早期AD脑形态学表征与分类

针对阿尔茨海默病(Alzheimer’s disease,AD)这种神经退行性疾病早期阶段难以被及时发现,无法进行诊断与干预的问题,提出基于注意力密集连接网络的早期AD脑形态学特征提取与分类方法。采用密集连接网络为主干架构、多视角三维图像信息作为网络输入的设计策略,引入注意力机制使得网络能够捕获对AD分类具有重要贡献的脑区。实验结果表明,提出算法对认知正常(cognitively normal,CN)与轻度认知障碍(mild cognitive impairment,MCI)、MCI与AD、CN与AD的分类正确率依次达到了98.37%、97.63%、98.60%,在AD分类领域处于较高水平。此外,通过对注意力机制得到的注意力图进行分析,可发现AD患者脑形态学演变轨迹,由CN转化为MCI涉及皮层下结构的脑形态学异常改变,再转化为AD则进一步涉及皮层结构的脑形态学异常改变。

基于rs-fMRI的2型糖尿病患者动态功能网络连接研究

目的 应用动态功能网络连接(dynamic functional network connectivity, dFNC)分析技术探讨2型糖尿病(type 2 diabetes mellitus, T2DM)患者脑功能连接时变性及其动态功能指标与临床指标的相关性。材料与方法 前瞻性纳入31例T2DM患者的临床和影像资料,并记录患者的糖尿病相关生化指标和神经心理学测试得分。同期招募32名年龄、性别及受教育年限相匹配的健康对照(healthy control, HC)。使用滑动时间窗技术进行dFNC分析得到4个功能连接状态及dFNC指标(平均停留时间、时间分数、转换次数)。采用两独立样本t检验计算不同状态内FNC矩阵以及dFNC指标的组间差异,采用Spearman相关分析计算T2DM组dFNC指标与临床指标和认知评分的相关性。结果 在状态1弱连接中,T2DM组与HC组相比,平均停留时间增多(t=2.086,P<0.05)。在状态3局部强连接中,T2DM组与HC组相比,平均停留时间减少(t=-2.250,P<0.05),时间分数减小(t=-2.582,P<0.05),默认模式网络(default mode network, DMN)与视觉网络(visual network, VIS)之间的功能连接减弱(t=-4.875,P<0.05,FDR校正)。T2DM患者的病程与状态1弱连接状态的平均停留时间呈正相关(r=0.42,P<0.05),其他糖尿病相关生化指标和认知功能评分与dFNC指标无相关性(P>0.05)。结论 dFNC分析能捕获更多有关T2DM患者脑网络连接改变的潜在信息,揭示大脑网络复杂多变的时变特征及活动形式,有望为探究T2DM相关认知障碍的神经生物学机制提供新的见解。

联合图随机游走和跳跃连接的动态超图神经网络

针对传统超图神经网络难以提取节点直接邻域外关联度高的节点特征,导致全局特征信息不完整的问题,对动态超图神经网络(DHGNN)进行改进,提出联合图随机游走和跳跃连接的动态超图神经网络(RWS-DHGNN),用于非欧几里得数据的分类。该网络在DHGNN的基础上,引入了图随机游走,从而有效地获取直接邻域外关联度高的节点特征。同时,引入残差网络的思想在超图的顶点卷积处增加跳跃连接构成残差结构。所提网络模型充分发挥图结构和超图结构的优势。在Cora数据集的标准分割和随机分割上将所提网络与GCN、HGNN、GAT和DHGNN进行对比实验,实验结果表明,该模型可以有效提高分类准确率。

基于轻量级全连接张量映射网络的高光谱图像分类方法

近年来,基于卷积神经网络的深度学习模型已经在高光谱图像分类领域取得优异表现.然而,模型性能的提升通常依赖于更深、更宽的网络结构,导致参数量和计算量增长,从而限制了模型在机载或星载载荷中的实际部署.为此,本文提出基于轻量级全连接张量映射网络的高光谱图像分类方法.根据全连接张量网络分解的映射思想以及高光谱图像“图谱合一”的结构特点,本文设计两种张量映射卷积单元,通过使用多个具有全连接结构的小尺寸卷积核代替原始卷积核,降低了卷积层的时间和空间复杂度.此外,基于新单元构建残差双分支张量模块.双分支结构共享同一组权重参数,并采用通道分割操作减少特征通道数,提升特征提取过程的实时性.本文所提模型通过使用新单元和新模块充分挖掘高光谱图像的局部空谱信息和全局光谱信息,有效提高了分类性能并减少硬件资源消耗.在三个常用高光谱图像数据集上的实验结果表明,所提模型相较于其他现有工作具有更高的分类性能以及更低的参数量和计算量.