本文關(guān)鍵詞： 高維數(shù)據(jù)降維 功能腦網(wǎng)絡 腦網(wǎng)絡 狀態(tài)觀測矩陣 譜特征嵌入算法 動態(tài)特性　出處：《計算機應用》2017年08期 　論文類型：期刊論文

【摘要】：針對基于功能核磁共振(f MRI)重構(gòu)的腦網(wǎng)絡狀態(tài)觀測矩陣維數(shù)過高且無特征表現(xiàn)的問題,提出一種基于譜特征嵌入(Spectral Embedding)的降維方法。該方法首先計算樣本間相似性度量并構(gòu)造拉普拉斯矩陣;然后對拉普拉斯矩陣進行特征分解,選取前兩個主要的特征向量構(gòu)建2維特征向量空間以達到數(shù)據(jù)集由高維向低維映射(降維)的目的。應用該方法對腦網(wǎng)絡狀態(tài)觀測矩陣進行降維并可視化在二維空間平面,通過量化類別有效性指標對可視化結(jié)果進行評價。實驗結(jié)果表明,與主成分分析(PCA)、局部線性嵌入(LLE)、等距映射(Isomap)等降維算法相比,使用該方法得到的腦網(wǎng)絡狀態(tài)觀測矩陣低維空間的映射點有明顯的類別意義表現(xiàn),且在類別有效性指標上與多維尺度分析(MDS)和t分布隨機鄰域嵌入(t-SNE)降維算法相比,同一類樣本間平均距離Di指數(shù)分別降低了87.1%和65.2%,不同類樣本間平均距離Do指數(shù)分別提高了351.3%和25.5%;在多個樣本上的降維可視化結(jié)果均有一定的規(guī)律性體現(xiàn),該方法的有效性和普適性得以驗證。
[Abstract]:In view of the problem that the dimension of state observation matrix of brain network based on functional nuclear magnetic resonance (MRI) reconstruction is too high and there is no characteristic representation. A dimensionality reduction method based on spectral feature embedding (Spectral embedding) is proposed, in which the similarity measure between samples is first calculated and Laplace matrix is constructed. Then the characteristic decomposition of Laplace matrix is carried out. Selecting the first two main Eigenvectors to construct the 2-D Eigenvector Space to achieve the data set Mapping from High to low Dimension (dimensionality reduction). This method is used to reduce the dimension of the state observation matrix of the brain network and visualize in the two-dimensional space plane. The experimental results show that, with the principal component analysis (PCA), local linear embedding (LLEs). Compared with the isometric mapping isomap algorithm, the mapping points in the low-dimensional space of the state observation matrix of the brain network obtained by this method have obvious category significance. And compared with MDS (Multidimensional scale Analysis) and t-SNEs (random neighborhood embedding) algorithm in class validity. The average distance Di index of the same kind of samples decreased by 87.1% and 65.2, and the average distance do index of different samples increased by 351.3% and 25.5, respectively. The dimensionality reduction visualization results on several samples are regular, and the effectiveness and universality of the method are verified.
【作者單位】： 昆明理工大學信息工程與自動化學院;
【基金】：國家自然科學基金資助項目(61263017) 昆明理工大學教學改革項目(10968397)~~
【分類號】：O157.5;R445.2
【正文快照】： 0引言人類大腦由上千億個神經(jīng)細胞組成,相當于銀河系的星體總數(shù),它長期以來保持著神秘色彩,人們對其知之甚少。近些年世界上各個國家紛紛啟動人類大腦計劃或與人類大腦相關(guān)的研究計劃,可見研究人類大腦的重要性。如今功能核磁共振成像(functional Magnetic Resonance Imaging,

【參考文獻】

相關(guān)期刊論文 前3條

1 馬士林;梅雪;李微微;周宇;;fMRI動態(tài)功能網(wǎng)絡構(gòu)建及其在腦部疾病識別中的應用[J];計算機科學;2016年10期

2 韓麗;顏震;徐建國;唐棣;;基于顯著特征譜嵌入的三維模型相似性分析[J];模式識別與人工智能;2015年12期

3 高晴;陳華富;;基于動態(tài)因果模型的運動執(zhí)行和運動想象腦網(wǎng)絡研究[J];電子科技大學學報;2010年03期

相關(guān)博士學位論文 前1條

1 王昱青;基于運動任務的腦功能動態(tài)網(wǎng)絡的整合研究[D];電子科技大學;2011年

【共引文獻】

相關(guān)期刊論文 前5條

1 代照坤;劉輝;王文哲;王亞楠;;基于譜特征嵌入的腦網(wǎng)絡狀態(tài)觀測矩陣降維方法[J];計算機應用;2017年08期

2 田華;劉俁男;顧家瑩;陳俏;;基于特征矩陣相似性度量的形狀對應性分析[J];計算機應用;2017年06期

3 田雪;邱江;;抑郁癥的腦功能整合異常-來自有效連接的證據(jù)[J];心理科學;2015年06期

4 張彬;鄧紅霞;李海芳;;應用兩階段遺傳算法優(yōu)化求解動態(tài)因果模型[J];計算機應用與軟件;2014年04期

5 鄧紅霞;游雅;李海芳;;動態(tài)因果模型的研究綜述[J];電腦開發(fā)與應用;2013年07期

【二級參考文獻】

相關(guān)期刊論文 前8條

1 韓麗;黎琳;徐建國;唐棣;;基于表面及空間特征的人體模型結(jié)構(gòu)分析[J];模式識別與人工智能;2015年03期

2 楊劍;陳書q，

本文編號：1477315