面向腦網(wǎng)絡(luò)的新型圖核及其在MCI分類上的應(yīng)用
發(fā)布時(shí)間:2020-06-13 22:43
【摘要】:作為一種圖的相似性度量,圖核已經(jīng)被提出用于計(jì)算腦網(wǎng)絡(luò)的相似性,并用于分類一些腦疾病,如阿爾茨海默病(Alzheimer’s Disease,AD)以及它的早期階段,即輕度認(rèn)知功能障礙(Mild Cognitive Impairment,MCI).然而,已有圖核主要面向一般圖而構(gòu)建,從而忽略了腦網(wǎng)絡(luò)自身特有的特性,如節(jié)點(diǎn)的唯一性(即每個(gè)節(jié)點(diǎn)對(duì)應(yīng)著唯一的腦區(qū)),這可能影響到腦網(wǎng)絡(luò)分析(分類)性能.為了解決這個(gè)問(wèn)題,構(gòu)建一種面向腦網(wǎng)絡(luò)的圖核,用于測(cè)量一對(duì)腦網(wǎng)絡(luò)的相似性.具體而言就是:首先,以網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)為中心,構(gòu)建一組子網(wǎng)絡(luò)來(lái)反映網(wǎng)絡(luò)的局部多層次拓?fù)涮匦?而后,利用節(jié)點(diǎn)的唯一性,構(gòu)建測(cè)量每對(duì)子網(wǎng)組之間相似性函數(shù),從而獲得用于測(cè)量一對(duì)腦網(wǎng)絡(luò)的相似性的圖核.不同于已有的圖核,提出的圖核充分考慮到腦網(wǎng)絡(luò)自身特有的特性,以及保留了腦網(wǎng)絡(luò)局部連接特性.在兩個(gè)真實(shí)的MCI數(shù)據(jù)集上,實(shí)驗(yàn)結(jié)果表明,相對(duì)于現(xiàn)階段的圖核,文中提出的圖核能夠顯著提高分類的性能.
【圖文】:
表示基核,即構(gòu)建在第m個(gè)閾值化腦網(wǎng)絡(luò)上的圖核,Gmi和Gmj對(duì)應(yīng)著第m個(gè)閾值化后的腦網(wǎng)絡(luò),M是閾值的個(gè)數(shù),μm是一個(gè)非負(fù)權(quán)重向量,并且滿足約束∑Mm=1μm=1.許多多核學(xué)習(xí)方法采用聯(lián)合學(xué)習(xí)參數(shù)μm和SVM的其他參數(shù)[52-53].與這些方法不同的是,本文采用網(wǎng)格搜索(gridsearch)的方法來(lái)確定最優(yōu)μm.一旦確定μm,多個(gè)核將能被組合為一個(gè)核,則標(biāo)準(zhǔn)SVM將能被用于MCI病人和正常人的分類.圖2總結(jié)了整個(gè)分類框架的詳細(xì)過(guò)程.圖2提出方法的分類框架1672計(jì)算機(jī)學(xué)報(bào)2016年
為Ego-net),Borgwardt和Kriegel[41]構(gòu)建的最短路徑核(表示為Shortest-path).所有比較的圖核都是基于無(wú)標(biāo)記圖而構(gòu)建的,也就是沒(méi)有考慮連接網(wǎng)絡(luò)節(jié)點(diǎn)的標(biāo)簽(即唯一性)信息.另外,為了比較,本文也從腦網(wǎng)絡(luò)中直接提取節(jié)點(diǎn)的聚類系數(shù)[9]特征作為Baseline方法用于分類,其中t-test方法用于特征選擇,而線性SVM被用于執(zhí)行分類.表3和表4分別給出了在兩個(gè)數(shù)據(jù)集上所有方法的分類結(jié)果.圖3和圖4分別畫(huà)出了這些方法在兩個(gè)數(shù)據(jù)集上的ROC曲線.為了比較,表5和表6分別給出了在兩個(gè)數(shù)據(jù)集上僅使用單個(gè)閾值化腦網(wǎng)絡(luò)時(shí)所有方法的分類精度.表3在Duke腦網(wǎng)絡(luò)數(shù)據(jù)集上不同方法的分類性能方法分類精度/%敏感度/%特異度/%AUCBaseline67.641.780.00.57Ego-net81.141.7100.00.69Shortest-path67.60.0100.00.56WL-edge73.025.096.00.69WL-subtree81.158.392.00.87WL-Shortestpath70.325.092.00.68Proposed83.850.0100.00.90圖3在Duke腦網(wǎng)絡(luò)數(shù)據(jù)上不同方法的ROC曲線從表3、表4和圖3、圖4可以看出,在兩個(gè)數(shù)據(jù)集上,,提出圖核的分類精度和AUC值上都要好于比較的圖核.具體而言,在Duke腦網(wǎng)絡(luò)數(shù)據(jù)集上,提出方法獲得了83.8%的分類精度和0.90的AUC值,而比較方法最好分類精度是
本文編號(hào):2711851
【圖文】:
表示基核,即構(gòu)建在第m個(gè)閾值化腦網(wǎng)絡(luò)上的圖核,Gmi和Gmj對(duì)應(yīng)著第m個(gè)閾值化后的腦網(wǎng)絡(luò),M是閾值的個(gè)數(shù),μm是一個(gè)非負(fù)權(quán)重向量,并且滿足約束∑Mm=1μm=1.許多多核學(xué)習(xí)方法采用聯(lián)合學(xué)習(xí)參數(shù)μm和SVM的其他參數(shù)[52-53].與這些方法不同的是,本文采用網(wǎng)格搜索(gridsearch)的方法來(lái)確定最優(yōu)μm.一旦確定μm,多個(gè)核將能被組合為一個(gè)核,則標(biāo)準(zhǔn)SVM將能被用于MCI病人和正常人的分類.圖2總結(jié)了整個(gè)分類框架的詳細(xì)過(guò)程.圖2提出方法的分類框架1672計(jì)算機(jī)學(xué)報(bào)2016年
為Ego-net),Borgwardt和Kriegel[41]構(gòu)建的最短路徑核(表示為Shortest-path).所有比較的圖核都是基于無(wú)標(biāo)記圖而構(gòu)建的,也就是沒(méi)有考慮連接網(wǎng)絡(luò)節(jié)點(diǎn)的標(biāo)簽(即唯一性)信息.另外,為了比較,本文也從腦網(wǎng)絡(luò)中直接提取節(jié)點(diǎn)的聚類系數(shù)[9]特征作為Baseline方法用于分類,其中t-test方法用于特征選擇,而線性SVM被用于執(zhí)行分類.表3和表4分別給出了在兩個(gè)數(shù)據(jù)集上所有方法的分類結(jié)果.圖3和圖4分別畫(huà)出了這些方法在兩個(gè)數(shù)據(jù)集上的ROC曲線.為了比較,表5和表6分別給出了在兩個(gè)數(shù)據(jù)集上僅使用單個(gè)閾值化腦網(wǎng)絡(luò)時(shí)所有方法的分類精度.表3在Duke腦網(wǎng)絡(luò)數(shù)據(jù)集上不同方法的分類性能方法分類精度/%敏感度/%特異度/%AUCBaseline67.641.780.00.57Ego-net81.141.7100.00.69Shortest-path67.60.0100.00.56WL-edge73.025.096.00.69WL-subtree81.158.392.00.87WL-Shortestpath70.325.092.00.68Proposed83.850.0100.00.90圖3在Duke腦網(wǎng)絡(luò)數(shù)據(jù)上不同方法的ROC曲線從表3、表4和圖3、圖4可以看出,在兩個(gè)數(shù)據(jù)集上,,提出圖核的分類精度和AUC值上都要好于比較的圖核.具體而言,在Duke腦網(wǎng)絡(luò)數(shù)據(jù)集上,提出方法獲得了83.8%的分類精度和0.90的AUC值,而比較方法最好分類精度是
【相似文獻(xiàn)】
相關(guān)期刊論文 前6條
1 ;Microsoft鐘情系統(tǒng)集成 MCI掏1000萬(wàn)美元買單[J];每周電腦報(bào);1997年01期
2 鄒昕光,賈世樓,劉曉鋒,鐘東興;RRM交換機(jī)中MCI算法的性能分析[J];通信技術(shù);2001年03期
3 ;多媒體程序MCI指令詳解及實(shí)現(xiàn)[J];軟件世界;1997年01期
4 ;MCI和微軟拓展戰(zhàn)略合作伙伴關(guān)系;在亞太地區(qū)推出新型合作服務(wù)[J];信息產(chǎn)業(yè)報(bào)道;2005年12期
5 李朝安;;MCI通訊公司購(gòu)買15萬(wàn)公里單模光纜[J];激光與光電子學(xué)進(jìn)展;1983年11期
6 ;[J];;年期
相關(guān)重要報(bào)紙文章 前3條
1 王其瑞;Verizon計(jì)劃67.5億美元購(gòu)MCI[N];中國(guó)貿(mào)易報(bào);2005年
2 曉鏡;MCI上周赴納斯達(dá)克上市[N];人民郵電;2004年
3 ;MCI接受Verizon 76億美元報(bào)價(jià)[N];計(jì)算機(jī)世界;2005年
本文編號(hào):2711851
本文鏈接:http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/2711851.html
最近更新
教材專著