本文關鍵詞： 腦網絡 拓撲屬性 節(jié)點規(guī)模 機器學習 抑郁癥　出處：《計算機科學》2016年07期 　論文類型：期刊論文

【摘要】：腦網絡作為復雜網絡分析方法在神經影像領域的應用已得到廣泛的認可。研究發(fā)現腦網絡中的節(jié)點規(guī)模對網絡的拓撲屬性會產生重要的影響。利用靜息態(tài)功能影像數據,在5種不同的節(jié)點規(guī)模下分別完成抑郁癥患者和正常對照的腦網絡構建,比較了網絡拓撲屬性的變化,并選擇了4種不同的分類算法進行腦疾病分類研究。結果表明,網絡節(jié)點數量不僅對拓撲屬性產生了影響,而且對分類模型的構建也有直接作用。支持向量機(RBF核函數)模型在節(jié)點規(guī)模為250時,分類效果最好,平均正確率為83.18%。該研究結果在抑郁癥的臨床診斷中具有重要的應用價值,為基于腦網絡的機器學習分類研究在網絡節(jié)點規(guī)模的選擇上提供了重要的參考依據。
[Abstract]:As a complex network analysis method, brain network has been widely used in the field of neural imaging. It is found that the size of nodes in the brain network has an important impact on the topological properties of the network. Like data. The brain networks of depression patients and normal controls were constructed under five different nodal scales, and the changes of network topology properties were compared. Four different classification algorithms are selected to classify brain diseases. The results show that the number of network nodes not only has an impact on the topological attributes. Support vector machine (SVM) RBF kernel function model has the best classification effect when the node size is 250. The average accuracy is 83.18.The results of this study are of great value in the clinical diagnosis of depression. It provides an important reference for the research of machine learning classification based on brain network in the selection of network node size.
【作者單位】： 太原理工大學計算機科學與技術學院;
【基金】：國家自然科學基金項目(61170136,61373101,61472270,61402318) 太原理工大學青年團隊啟動基金項目(2013T047)資助
【分類號】：R749.4;O157.5
【正文快照】： 到稿日期:2015-06-03返修日期:2015-09-25本文受國家自然科學基金項目(61170136,61373101,61472270,61402318),太原理工大學青年團隊啟動基金項目(2013T047)資助。腦網絡作為復雜網絡,在神經影像領域的重要應用已經得到了越來越多研究人員的關注。有研究將復雜網絡的基本原理[

【相似文獻】

相關期刊論文 前1條

1 李越;郭浩;陳俊杰;李海芳;;抑郁癥功能腦網絡社團結構差異分析研究[J];計算機應用與軟件;2013年07期

相關博士學位論文 前1條

1 郭浩;抑郁癥靜息態(tài)功能腦網絡異常拓撲屬性分析及分類研究[D];太原理工大學;2013年

相關碩士學位論文 前1條

1 鄭晶晶;抑郁癥靜息態(tài)功能腦網絡的GSK3β基因基礎及分類研究[D];太原理工大學;2014年

，

本文編號：1445228