【摘要】：靜息狀態(tài)功能磁共振成像(fMRI)是研究人腦功能的重要技術之一。對腦功能網(wǎng)絡的動態(tài)屬性進行分析是目前腦功能研究的熱點,而腦功能網(wǎng)絡狀態(tài)劃分則是腦功能網(wǎng)絡動態(tài)屬性分析的重要方面。目前國際上廣泛采用的腦功能網(wǎng)絡狀態(tài)劃分策略是基于k-means聚類算法對短時功能網(wǎng)絡矩陣進行聚類,而k-means聚類算法存在聚類個數(shù)難以確定及對聚類結(jié)果有重大影響的初始類中心這兩個問題,并且k-means聚類算法不能考慮腦功能網(wǎng)絡的動態(tài)時序性。為有效解決這些問題,本研究開展了如下三項工作:其一,基于描峰聚類的腦功能網(wǎng)絡狀態(tài)劃分�？紤]描峰聚類能直觀展現(xiàn)合理的類別數(shù),從而有效解決k-means聚類中k值難以確定的問題,我們率先引入描峰聚類開展人腦動態(tài)功能網(wǎng)絡劃分研究。此外,考慮基于滑動窗方法獲取的功能連接特征的高維度,在描峰聚類之前,我們基于多種距離度量使用多維尺度分析算法進行有效降維。實驗結(jié)果表明,有效的腦功能網(wǎng)絡狀態(tài)數(shù)為3到5。其二,基于隱馬爾可夫模型(Hidden Markov Model,HMM)的腦功能網(wǎng)絡狀態(tài)轉(zhuǎn)移研究�？紤]HMM能充分利用腦功能網(wǎng)絡的動態(tài)時序性,從而有效彌補k-means聚類忽略動態(tài)時序性信息的缺點。此外,考慮基于滑動窗方法獲取的功能連接特征的高維度,在使用HMM之前,我們基于多種降維算法,對功能連接特征進行有效降維。實驗結(jié)果表明,基于時序性無監(jiān)督算法能獲取不同視角的人腦功能網(wǎng)絡的動態(tài)屬性信息。其三,基于時序子空間聚類的腦功能網(wǎng)絡研究�？紤]人腦中隨時間變化而重復出現(xiàn)的“時空連續(xù)的模式(Spatiotemporal Pattern)”具有重要意義,我們率先引入時序子空間聚類開展腦動態(tài)功能網(wǎng)絡劃分研究。此外,考慮短時功能網(wǎng)絡與全序時間序列數(shù)據(jù)意義不同,我們使用時序子空間聚類同時捕捉兩種數(shù)據(jù)中存在的“時空連續(xù)的模式”。兩種實驗結(jié)果均表明,大腦功能網(wǎng)絡狀態(tài)與發(fā)育之間具有強相關性。本研究的創(chuàng)新性在于:(1)引入描峰聚類,解決傳統(tǒng)的基于k-means聚類的人腦功能網(wǎng)絡狀態(tài)劃分中類別數(shù)難以確定的問題;(2)引入HMM,充分考慮人腦功能網(wǎng)絡狀態(tài)間的時序性;(3)引入時序子空間聚類概念,充分考慮人腦功能網(wǎng)絡的時空域上連續(xù)的模式。實驗結(jié)果表明,本文提出的三類腦功能網(wǎng)絡狀態(tài)劃分策略均可行并且有效。
【圖文】：

則點＇成為聚類中心的可能性越大。逡逑根據(jù)文獻［４（）］所述，每個樣本點可以在新的二維坐標下表示，這樣可以得到數(shù)據(jù)逡逑集Ｘ的聚類決策圖。使用描峰聚類進行的一個人工數(shù)據(jù)集簡單示例如圖２－１所示。逡逑Ａ邐Ｂ逡逑＠邐１，０－邐（？）逡逑？？％邋？邋＠邋0，：邋？逡逑＠邐０．２－邐熱逡逑邐�。保㈠澹у澹殄澹у澹慑澹ⅲ窟姡卞澹翦澹у澹驽�、邐．ｒ．邋．邋ｋ邋；邐ｉ逡逑邐邋Ｃ１２３４Ｓ６７８逡逑Ｐ逡逑圖２－１人工數(shù)據(jù)集上的聚類結(jié)果R[（來自Ａｌｅｘｅｔａｌ．，邋２０１４）逡逑Ｆｉｇｕｒｅ邋２－１邋Ｃｌｕｓｔｅｒｉｎｇ邋ｒｅｓｕｌｔｓ邋ｏｎ邋ａｒｔｉｆｉｃｉａｌ邋ｄａｔａｓｅｔｓ［４０］（ｆｒｏｍ邋Ａｌｅｘ邋ｅｔ邋ａｌ．，２０１４）逡逑圖２－ｌ（Ａ）展示了人工數(shù)據(jù)集中的樣本點分布�？梢园l(fā)現(xiàn)樣本點１和樣本點１０逡逑的局部密度大而且與密度更高的點間的距離也大，故將其作為類簇中心。圖２－ｌ（Ｂ）逡逑７逡逑

則點＇成為聚類中心的可能性越大。逡逑根據(jù)文獻［４（）］所述，每個樣本點可以在新的二維坐標下表示，這樣可以得到數(shù)據(jù)逡逑集Ｘ的聚類決策圖。使用描峰聚類進行的一個人工數(shù)據(jù)集簡單示例如圖２－１所示。逡逑Ａ邐Ｂ逡逑＠邐１，０－邐（？）逡逑？？％邋？邋＠邋0，，：邋？逡逑＠邐０．２－邐熱逡逑邐！１＂邋＇邋ｉ邋＇邋Ｉ邋，＂？邐１邋ｔ邋＇邋ｆ邋、邐．ｒ．邋．邋ｋ邋；邐ｉ逡逑邐邋Ｃ１２３４Ｓ６７８逡逑Ｐ逡逑圖２－１人工數(shù)據(jù)集上的聚類結(jié)果R[（來自Ａｌｅｘｅｔａｌ．，邋２０１４）逡逑Ｆｉｇｕｒｅ邋２－１邋Ｃｌｕｓｔｅｒｉｎｇ邋ｒｅｓｕｌｔｓ邋ｏｎ邋ａｒｔｉｆｉｃｉａｌ邋ｄａｔａｓｅｔｓ［４０］（ｆｒｏｍ邋Ａｌｅｘ邋ｅｔ邋ａｌ．，２０１４）逡逑圖２－ｌ（Ａ）展示了人工數(shù)據(jù)集中的樣本點分布。可以發(fā)現(xiàn)樣本點１和樣本點１０逡逑的局部密度大而且與密度更高的點間的距離也大，故將其作為類簇中心。圖２－ｌ（Ｂ）逡逑７逡逑
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R445.2;TP181

【參考文獻】

相關期刊論文 前3條

1 趙守盈;呂紅云;;多維尺度分析技術的特點及幾個基礎問題[J];中國考試;2010年04期

2 蔡曉妍;戴冠中;楊黎斌;;譜聚類算法綜述[J];計算機科學;2008年07期

3 李新蕊;;主成分分析、因子分析、聚類分析的比較與應用[J];山東教育學院學報;2007年06期

本文編號：2684294