基于HubGLasso注意力机制的脑网络分类研究

脑网络分类有助于脑疾病的早期诊断,也有益于理解脑疾病发病机理,具有重要的研究与应用价值。其中,卷积神经网络应用广泛,可以提取脑网络的拓扑特征,是脑网络分类中的一个前沿热点。然而,现有方法未考虑脑网络中Hub节点对脑功能的重要贡献,这可能会导致特征提取不充分,限制了它们的分类性能。为此,该文提出了一种基于HubGLasso注意力机制的卷积神经网络模型,用于进行脑网络分类任务。该方法包含了一种新的卷积层结构,首先利用GLasso模型去除脑网络中的冗余信息,然后引入Hub约束与注意力机制,使其能够提取与异常Hub结构相关的重要特征,并用于脑疾病诊断。实验结果表明,该方法在包含1112个被试的真实自闭症数据集上取得了68.67%的准确率,显著优于目前已有方法,证明了其应用价值。更进一步,通过对训练后的模型进行特征分析,能够得到与脑疾病相关的脑区信息与Hub节点结构信息,为脑疾病病理机制的研究提供了全新的视角。