基于最小生成树的多特征融合的脑网络分类研究

《基于最小生成树的多特征融合的脑网络分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、————————————————————————————————————————————————基于最小生成树的多特征融合的脑网络分类研究作者闫朋朋,郭浩,陈俊杰机构太原理工大学计算机科学与技术学院基金项目国家自然科学基金资助项目（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）；山西省教育厅高等学校科技创新研究项目（2016139）预排期卷《计算机应用研究》2018年第35卷第11期摘要针对传统图论方法设置阈值等问题，采用最小生

2、成树方法进行脑网络的构建。传统的分类方法是从脑网络中提取一些可量化指标用于分类，忽视了多个脑区之间的拓扑信息。针对此问题，提出了一种脑区特征和连接模式相结合的多特征融合的分类方法，利用不同类型的特征来量化不同的网络性能。结果表明，抑郁症患者的最小生成树更趋向于随机网络，且局部属性出现显著异常的脑区集中在边缘系统-皮层-纹状体-苍白球-丘脑神经环路（limbic-cortical-striatal-pallidal-thalamic，LCSPT）。此外，与单一类型特征的分类方法相比，多特征融合的方法能够有效地提高分类精度。进一

3、步分析表明，最小生成树方法可以用于抑郁症的辅助诊断；不同形式的特征表示方法具有信息描述方面的互补性。关键词最小生成树；多特征融合；抑郁症；分类；脑网络作者简介闫朋朋（1990-），女，河南郑州人，硕士研究生，主要研究方向为人工智能、智能信息处理、脑信息学（ypp.90@163.com）；郭浩（1981-），男，副教授，博士，主要研究方向为智能信息处理、脑信息学、脑影像学、语义网；陈俊杰（1956-），男，教授，博导，主要研究方向为数据库与智能信息处理．中图分类号TP183访问地址http://www.arocmag.com/

4、article/02-2018-11-005.html发布日期2017年11月6日引用格式闫朋朋,郭浩,陈俊杰.基于最小生成树的多特征融合的脑网络分类研究[J/OL].2018,35(11).[2017-11-06].http://www.arocmag.com/article/02-2018-11-005.html.第35卷第11期计算机应用研究Vol.35No.11优先出版ApplicationResearchofComputersOnlinePublication基于最小生成树的多特征融合的脑网络分类研究*闫朋朋，郭浩

5、，陈俊杰(太原理工大学计算机科学与技术学院,太原030024)摘要：针对传统图论方法设置阈值等问题，采用最小生成树方法进行脑网络的构建。传统的分类方法是从脑网络中提取一些可量化指标用于分类，忽视了多个脑区之间的拓扑信息。针对此问题，提出了一种脑区特征和连接模式相结合的多特征融合的分类方法，利用不同类型的特征来量化不同的网络性能。结果表明，抑郁症患者的最小生成树更趋向于随机网络，且局部属性出现显著异常的脑区集中在边缘系统-皮层-纹状体-苍白球-丘脑神经环路（limbic-cortical-striatal-pallidal-t

6、halamic，LCSPT）。此外，与单一类型特征的分类方法相比，多特征融合的方法能够有效地提高分类精度。进一步分析表明，最小生成树方法可以用于抑郁症的辅助诊断；不同形式的特征表示方法具有信息描述方面的互补性。关键词：最小生成树；多特征融合；抑郁症；分类；脑网络中图分类号：TP183fMRIclassificationmethodofmultiplefeaturesfusionbasedonminimumspanningtreeYanPengpeng,GuoHao,ChenJunjie(CollegeofComputerSc

7、ience&Technology,TaiyuanUniversityofTechnology,Taiyuan030024,China)Abstract:Toavoidcomplicatedthresholdsettingproblembyapplyingtraditionalgraphtheorymethod,thispaperutilizedtheminimumspanningtree(MST)methodtoconstructbrainnetwork.Thetraditionalclassificationmethode

8、xtractedquantifiableattributesfromthebrainnetworkforclassification,ignoringthetopologyinformationbetweenmultiplebrainregions.Toovercomethisproble