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。     

基于时序区分子图的阿尔茨海默症辅助诊断方法

为解决现有区分子图方法在解决阿尔茨海默症辅助诊断上忽略脑网络动态连接变化的问题,提出一种基于时序区分子图的辅助诊断方法.将功能磁共振成像经过处理后形成二值矩阵并使同一测试者的多张动态脑网络形成时序差异图,之后进行频繁差异子图挖掘、频繁差异序列挖掘,进而筛选出保留脑网络时序特性的生物标记物——时序区分子图.获取ADNI公开数据集的一组数据进行实验,通过与现有的早期阿尔茨海默症辅助诊断方法进行大量的实验对比,证明本文方法的辅助诊断准确率在该数据集上提高了12.7%,进而证明所提方法的有效性.     

基于加权子图和支持向量机相融合的邮件分类算法

为了提高邮件分类的准确性和分类速度,提出一种基于加权子图和支持向量机相融合的邮件分类方法.首先通过收集邮件分类样本数据,利用加权子图提取邮件特征,并实现加权,然后采用核主成分分析选择邮件的最优特征子集,最后输入到支持向量机中进行学习,并采用布谷鸟算法搜索支持向量机参数,建立最优邮件分类器.仿真实验结果表明,该邮件分类方法不仅提高了邮件分类的正确率,而且分类速度明显加快,可以较好地满足网络邮件在线分类要求.     

基于加权频繁子图挖掘的图模型在文本分类中的应用

针对传统文本分类算法的分类精度低和计算复杂度高的问题,提出一种基于加权频繁子图挖掘的图模型文本分类算法。首先将文档集表示成图集;然后运用加权图挖掘算法提取频繁子图;最后,对特征向量进行分类。提出的算法仅提取最重要的子图,使其整体具有较好的分类效果和较高的计算效率。为评估该算法有效性,将其与多种现有分类算法分别对一个数据集进行分类实验,实验结果表明,提出的算法具有更高的识别精度和更少的运行时间。     

一种基于特征子图的不确定图分类算法

采用频繁子图作为特征子图,对不确定图进行分类.提出AGF频繁子图挖掘算法,该算法将频繁子图挖掘问题转换为频繁项挖掘问题,可有效提高频繁子图生成效率.利用频繁子图构造分类模型,首次应用于不确定图,通过实验证明,给出的分类算法具有良好的分类正确率.     

基于有效检测准则的fMRI源信号数目的估计方法

独立成分分析方法已经成功地运用于分析功能磁共振成像数据.尽管独立成分分析方法是一个很有前景的数据驱动分析方法,但是在执行独立成分分析之前,需要确定好独立成分的数目.准确地估计出功能磁共振成像数据中独立成分数目对减少过估计或者低估计能起重要作用,目前有许多信息理论准则方法已经广泛运用于独立成分数目估计中,但通常容易出现过估计现象.该文提出一种基于有效检测准则的fMRI源信号数目的估计方法.模拟数据实验结果表明,该方法对不同平滑数据具有很好的鲁棒性.将该方法用于真实的功能磁共振成像数据中,可以减少色噪声下真实数据的过估计,对功能磁共振成像源信号数目的估计表现出了较好的综合性能.     

树结构组套索人脑超网络构建与分类

已有研究证明,基于连接多个节点的静息态脑功能超网络已成功应用于脑部精神疾病的诊断和分类研究。然而大多数超网络通过套索方法进行建模,但该方法不能解决脑部功能协同合作的问题。因而提出基于分组的超网络构建方法,但仍存在局限性：一方面它们多是基于自动分组,忽视了人脑中复杂的先验组结构;另一方面它们方法虽然组级上实现了预设组的考虑,但组间仍然是自动选择,导致缺乏先验知识的解释。考虑到该问题,本文提出树结构组套索方法进一步改善超网络的构建。首先使用树结构组套索方法来构建脑功能超网络。其次,对构建成的超网络进行局部聚类属性计算。然后对从超网络提取的特征中选取最具判别性的特征。最后,对选择出来的差异特征进行分类。实验结果表明,树结构组套索方法得到较好的分类性能,其分类准确率达到87.25%。     

基于Granger因果检验和PCA的脑网络效应连接方法

为了提高脑功能效应连接网络检测的可靠性,提出了一种基于Granger因果关系检验和主成分分析(PCA)的功能磁共振(fMRI)数据效应连接方法.该方法首先通过PCA提取感兴趣区域内fMRI信号的时间主成分,以此特征作为时间参考信息,然后计算参考信息与大脑其余每个体素之间的Granger因果关系,并映射到全脑,形成Granger因果图(GCM).理论推导阐明了所提方法的有效性.采用该方法研究人脑运动功能脑区在手动任务下的效应连接GCM,结果验证了运动功能神经网络理论.     

基于对gSpan改进的有向频繁子图挖掘算法

提出的新算法对gSpan算法做了适用性改进,算法所采用的图编码技术与传统的频繁子图挖掘（FSG）,快速频繁子图挖掘（FFSM）,基于先验的图挖掘（AGM）等算法对图结构的编码均不同,由于对有向图进行了新的二维特征定义,因此可使算法适用范围有效地扩展至对有向图的学习,称之为基于对gSpan改进的有向频繁子图挖掘算法（DF...     

基于曲线波和独立成分分析的人脸识别

针对曲线特征更能反映人脸图像的主要特征和独立成分分析能够提取高阶信息的优势,提出了一种基于曲波变换与独立成分分析的人脸识别方法.首先将人脸图像进行曲波变换,选择粗尺度层系数作为曲波特征,然后对曲波特征下采样后进行独立成分分析,提取部分独立成分构成特征空间,最后根据最近邻分类器分类.在0RL和Yale人脸库上的相关实验表明:该方法在识别性能方面优于对比方法.     

基于fMRI脑机接口的数据分类方法的研究

为了解决脑机接口中功能磁共振成像(functional magnetic resonance imaging,fMRI)信号的数据分类问题,提出了使用后顶叶皮层进行特征选择的支持向量机分类方法。首先通过核磁设备采集数据,对数据预处理后,将后顶叶皮层的体素选择为特征,然后把血氧水平依赖(blood oxygen level dependent,BOLD)值的峰值和累积变化作为特征提取,最后使用支持向量机进行数据的分类。实验表明,选择后顶叶皮层作为特征是可行的;使用BOLD峰值的分类精度要高于使用BOLD累积变化的分类精度。     

组套索超图正则化特征选择方法及抑郁症分类研究

【目的】抑郁症分类诊断研究中，特征选择扮演了重要角色。【方法】针对现有超图正则化特征选择缺失组效应信息问题，提出基于组套索的超图正则化特征选择方法。首先，对抑郁症功能磁共振影像(functional magnetic resonance imaging, fMRI)数据集进行预处理。其次，基于预处理后的功能磁共振数据，构建5个不同尺度的脑网络模型并计算拓扑属性提取特征。基于提取的特征，利用组套索方法构建超图，利用超图正则化特征选择方法进行特征选择。最后，使用支持向量机构建分类模型并评估分类性能。此外，还在UCI数据集中验证了所提方法的有效性。【结果】所提方法在5个不同节点定义模板下，均高于传统的特征选择方法。此外，在模板的节点数量相似的情况下，此方法有更高的分类诊断性能。     

基于图卷积和全局对齐策略的图分类网络

受限于图数据拓扑结构的不规则性,以及图结点的无序性和规模多变性,现有图分类网络往往对结点嵌入向量采取简单聚合或排序等方式来构建图级别的表示向量,这会导致特征过度压缩以及特征平移等问题.针对这些问题,提出基于全局对齐策略的图卷积网络,通过构建子图特征近似分布将图表示特征向量做全局对齐,在避免过度压缩和特征平移、有效提高下游分类网络对于特征信息挖掘效率的同时,又利用子图特征的分布信息,进一步学习图数据之间内在的结构相似性,从而提升整体网络对于图分类任务的推理能力.在多个图分类数据集上的实验结果表明,采用全局对齐的图卷积网络相较于其他网络模型有2％～6％左右分类精度的稳定提升,消融实验和超参数敏感性分析实验也进一步证实了全局对齐策略的有效性和鲁棒性.     

基于稳定学习的图神经网络模型

图神经网络(GNN)在对图样本进行分类工作时效果差强人意,无法发现数据背后真实的功能网络.为提高图神经网络在图分类上的稳定性,提出一种基于稳定学习的图神经网络模型(Stable-GNN).该模型将基于随机傅里叶特征的样本加权采样干预技术与图神经网络结合,尝试在神经网络训练过程中,剔除虚假因果特征,提高模型在图样本分类上的稳定性.实验结果表明,该方法能有效发现真实的关联网络,提高图网络的稳定性.     

基于集合经验模式分解和公共空间模式的脑电信号特征提取

公共空间模式(common spatial pattern,CSP)能够较好地提取运动想象任务时脑电信号的判别特性,但是其性能与大脑进行想象任务的频带相关。为了确定这样一组频带实现精确的分类,基于集合经验模式分解、FIR滤波器组以及公共空间模式算法提出了一种脑电特征提取方法。预处理去除伪迹后的信号首先经过集合经验模式算法获得多个模函数,然后选择出包含μ节律和β节律范围的分量实现信号重构,重构后的脑电信号作为带通滤波器组的输入得到若干子带信号集合,从每个子带信号中提取CSP特征,最后将提取的特征经过支持向量机(support vector machine,SVM)进行分类。运用该方法对脑-计算机接口(brain-computer interface,BCI)竞赛数据集进行分类,实验表明该方法能够自适应地提取、筛选和判别每个受试者的空间CSP特征,分类准确率达96. 53%。     

基于加权二部图的个性化方案推荐

针对传统协同过滤算法难以解决数据稀疏性、冷启动及用户兴趣各异的问题,提出了基于加权二部图的个性化推荐方法,解决个性化设计方案推荐问题。采用加权二部图,基于用户特征和方案特征的评分,对用户和方案分类,减轻数据稀疏性,形成用户-方案规则库;采用加权网络的协同过滤算法,计算新用户特征与用户-方案规则库中用户特征的改进相似度,通过Top-N方法筛选高相似的方案集进行推荐,解决冷启动和用户兴趣各异的问题。最后与传统协同过滤算法、加权二部图个性化推荐进行比较,证明该方法的有效性和实用性。     

基于图的挖掘关联规则改进算法

关联知识挖掘算法中一种广为人知的算法就是Aprior算法,之后所有关联规则挖掘算法的基本思想都是基于频繁项目集发现算法的基础上进行了改进.为了提高关联规则挖掘效率,首先回顾了基于图的关联规则挖掘算法;然后,在此基础上进行了改进,把关联规则挖掘中寻找频繁项集的问题转换为图中寻找完全子图的问题,通过在图中查找完全子图来寻找频繁项集.提出了一种基于图的关联规则挖掘改进算法,并且对原算法和改进的算法从时间和空间的性能进行了比较分析,得出改进的算法是有效可行的.最后从实验结果得出结论GenerateItemsets算法比DGBFIG算法优.     

面向文本分类的张量残差图卷积网络模型

针对现有文本分类模型上下文信息挖掘不足、全局特征表示提取不充分等问题,提出了一种基于张量的残差图卷积网络模型．首先,以归纳学习方式构建文本图,挖掘文本中蕴含的句法关系、语义关系和序列关系并整合构建邻接张量,捕获文档的高阶上下文信息与关键局部特征信息;然后,利用残差连接加深网络深度,处理图卷积网络过平滑问题,提升模型的泛化能力;最后,设计图读出机制聚集所有节点特征,提取文本的全局特征表示．在R8和MR数据集上进行了实验评估,实验结果表明与已有文本分类方法相比,所提方法取得了优越的分类效果．     

基于静息态fMRI的人脑功能网络的小世界特性

从19个健康志愿者静息态的功能磁共振成像中提取了时间序列,计算了90个脑区的功能相关性,设定阈值建立脑功能网络的无向简单图,然后计算了一些网络测度.结果显示人脑功能网络具有小世界特性;性别分层后并没有发现各网络测度在全脑水平有显著性的性别差异.     

静息态人脑功能网络的小世界特性

研究了静息态下健康人脑的功能连接模式有助于理解人脑在正常或疾病状态下的功能活动规律.利用小波变换从健康志愿者静息态的功能磁共振成像中提取时间序列,计算90个脑区的相关性,设定阈值建立脑功能网络的无向简单图,然后计算特征路径长度和聚类系数,并对度分布进行拟合.结果显示:脑功能网络具有规则网络的大聚集系数又具有随机网络的小特征路径长度,度的拟合显示具有指数截断幂律分布,即脑功能网络具有小世界特性.