基于高阶最小生成树脑网络的多特征融合分类方法

摘要：

现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络.低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式.高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大.基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类.实验结果表明所提方法的分类精确度高达97.54％,获得了很好的分类性能.

关键词：低阶功能连接网络、高阶功能连接网络、最小生成树、频繁子图

所属期刊栏目：45

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61373101 ,61472270 ,61402318 ,61672374 ,山西省科技厅应用基础研究项目青年面上项目201601D021073 ,山西高等教育机构科技创新项目2016139

在线出版日期：2018-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：293-298,314