本文關(guān)鍵詞：局部信息方法在功能腦網(wǎng)絡(luò)建模中的應(yīng)用研究

  更多相關(guān)文章： 功能腦網(wǎng)絡(luò)建模 局部信息指標(biāo) 網(wǎng)絡(luò)相似度 鏈路預(yù)測

【摘要】：近年來,隨著研究的深入,腦網(wǎng)絡(luò)已經(jīng)成為了熱點(diǎn)領(lǐng)域。腦網(wǎng)絡(luò)由結(jié)構(gòu)腦網(wǎng)絡(luò)與功能腦網(wǎng)絡(luò)兩部分組成,并且二者之間有著密不可分的關(guān)系。人們對腦網(wǎng)絡(luò)進(jìn)行研究,其主要關(guān)注點(diǎn)在于結(jié)構(gòu)腦網(wǎng)絡(luò)與功能腦網(wǎng)絡(luò)的拓?fù)涮匦砸约皩傩苑治�。腦網(wǎng)絡(luò)是一個(gè)非常復(fù)雜的系統(tǒng)。在人腦中,神經(jīng)元數(shù)量達(dá)數(shù)十億之多,規(guī)模非常龐大。并且,神經(jīng)元的連接還存在著不同的行為、認(rèn)知模式。目前人們對腦網(wǎng)絡(luò)的研究有神經(jīng)元級別、體素級別以及腦區(qū)級別等不同的研究層面。有研究顯示,當(dāng)腦區(qū)劃分達(dá)到4000個(gè)時(shí),其計(jì)算量已經(jīng)超出了目前的計(jì)算能力。由此可見,對功能腦網(wǎng)絡(luò)的研究在很大程度上依賴于科學(xué)計(jì)算。正是由于計(jì)算量問題,許多學(xué)者開始尋求利用模擬仿真的方法來研究功能腦網(wǎng)絡(luò)的拓?fù)鋵傩?腦網(wǎng)絡(luò)建模這一熱點(diǎn)問題也就應(yīng)運(yùn)而生了。隨著腦網(wǎng)絡(luò)建模研究的不斷發(fā)展,人們已經(jīng)嘗試過基于很多網(wǎng)絡(luò)特性的建模方法,并已取得了一定的成果。在功能腦網(wǎng)絡(luò)建模領(lǐng)域,經(jīng)過大量的研究證實(shí),結(jié)構(gòu)度在預(yù)測功能腦網(wǎng)絡(luò)特性方面具有很大的優(yōu)勢。也有一些研究將解剖距離作為功能連接的一個(gè)參數(shù),也取得了一定的效果。還有一些研究將節(jié)點(diǎn)的共同鄰居(Common Neighbor,CN)作為節(jié)點(diǎn)相似度指標(biāo)用于模擬功能連接,并經(jīng)過證實(shí),基于共同鄰居的建模結(jié)果非常好。至于建模所采用的數(shù)學(xué)模型,目前主流的模型是將腦網(wǎng)絡(luò)的結(jié)構(gòu)特性與功能特性分別作為建模的變量來模擬功能連接。經(jīng)過大量的調(diào)研,本文最終也沿用了基于結(jié)構(gòu)特性與功能特性的數(shù)學(xué)模型。本文的主要?jiǎng)?chuàng)新工作有以下幾點(diǎn):第一,將鏈路預(yù)測方法中所采用的局部信息指標(biāo)應(yīng)用到功能腦網(wǎng)絡(luò)建模中。鏈路預(yù)測中的局部信息指標(biāo)指的是根據(jù)節(jié)點(diǎn)的相似度來對節(jié)點(diǎn)之間是否存在連接進(jìn)行預(yù)測。先前研究曾將節(jié)點(diǎn)的共同鄰居作為節(jié)點(diǎn)相似性指標(biāo)用于功能腦網(wǎng)絡(luò)建模。本文經(jīng)過調(diào)研發(fā)現(xiàn),共同鄰居就是一個(gè)最典型的局部信息指標(biāo)。而且,除了共同鄰居之外,還有很多局部信息指標(biāo)存在,如果將這些指標(biāo)用于建模,是否也能取得與共同鄰居一樣甚至更好的效果呢?本文根據(jù)鏈路預(yù)測精確度篩選出了8個(gè)指標(biāo),并將其用于預(yù)測功能腦網(wǎng)絡(luò)的連接。局部信息指標(biāo)的計(jì)算方式其實(shí)是有所不同的。有的指標(biāo)是基于節(jié)點(diǎn)的度計(jì)算得到的,有的則是基于共同鄰居計(jì)算得到的,而還有的指標(biāo)是既要考慮節(jié)點(diǎn)的度,又要考慮共同鄰居。因此,本文將局部信息指標(biāo)分為3種類型:基于共同鄰居的指標(biāo);基于節(jié)點(diǎn)的度的指標(biāo);將二者相結(jié)合的指標(biāo)。本文重點(diǎn)研究了究竟哪類指標(biāo)對功能腦網(wǎng)絡(luò)建模的適用度最高。第二,提出了一種基于腦網(wǎng)絡(luò)屬性之間相對誤差的網(wǎng)絡(luò)相似度評價(jià)方法。在腦網(wǎng)絡(luò)領(lǐng)域,公認(rèn)的網(wǎng)絡(luò)性能的評價(jià)指標(biāo)是腦網(wǎng)絡(luò)的全局與局部屬性。全局屬性,如特征路徑長度,全局效率等;局部屬性,如聚合系數(shù),局部效率等。腦網(wǎng)絡(luò)屬性從本質(zhì)上說是衡量網(wǎng)絡(luò)通信效率的指標(biāo)。在計(jì)算腦網(wǎng)絡(luò)屬性時(shí),采用的是圖論中的節(jié)點(diǎn)和邊的概念。并且,腦網(wǎng)絡(luò)屬性都是復(fù)雜網(wǎng)絡(luò)領(lǐng)域所采用的網(wǎng)絡(luò)分析指標(biāo)。但是對于網(wǎng)絡(luò)相似度,目前腦網(wǎng)絡(luò)領(lǐng)域尚沒有一個(gè)權(quán)威的評價(jià)方法。本文結(jié)合腦網(wǎng)絡(luò)實(shí)際問題提出了一種新的相似度的量化指標(biāo)。在本文提出的相似度計(jì)算方法中,利用相對誤差的絕對值來衡量各個(gè)模型網(wǎng)絡(luò)的屬性與真實(shí)網(wǎng)絡(luò)屬性的差異程度,并將各個(gè)屬性的相對誤差的絕對值相加,給出了一個(gè)綜合多種腦網(wǎng)絡(luò)屬性的整體相似度評價(jià)指標(biāo)。事實(shí)上,相對誤差越大,說明網(wǎng)絡(luò)的差異越大,所以更確切地說,相對誤差衡量的是網(wǎng)絡(luò)的差異程度而不是相似度。因此,本文沿用了先前研究中的E值形式,將多種腦網(wǎng)絡(luò)屬性的相對誤差值作為分母,使得E值越大,網(wǎng)絡(luò)的相似度越高。第三,提出了一種基于鏈路預(yù)測精確度的快速判斷建模效果的方法。腦網(wǎng)絡(luò)建模非常復(fù)雜,包括前期的數(shù)據(jù)采集,數(shù)據(jù)預(yù)處理,以及后續(xù)的功能腦網(wǎng)絡(luò)構(gòu)建,網(wǎng)絡(luò)屬性的計(jì)算以及網(wǎng)絡(luò)相似度的評價(jià)等。完成腦網(wǎng)絡(luò)建模需要付出大量的時(shí)間和計(jì)算成本。本文根據(jù)局部信息指標(biāo)在鏈路預(yù)測實(shí)驗(yàn)中的表現(xiàn)提出了一種快速判斷建模效果的方法(實(shí)驗(yàn)假設(shè)):假設(shè)局部信息指標(biāo)在鏈路預(yù)測實(shí)驗(yàn)中精確度越高,則越適合用于功能腦網(wǎng)絡(luò)建模。為了驗(yàn)證該假設(shè),本文將網(wǎng)絡(luò)相似度E值與鏈路預(yù)測精確度指標(biāo)Precision Power進(jìn)行了關(guān)聯(lián)分析。結(jié)果顯示,二者之間存在顯著的線性關(guān)系,說明假設(shè)成立,我們可以根據(jù)鏈路預(yù)測精確度的數(shù)值大小來對局部信息指標(biāo)用于功能腦網(wǎng)絡(luò)建模的效果進(jìn)行事前判斷。
【關(guān)鍵詞】：功能腦網(wǎng)絡(luò)建模 局部信息指標(biāo) 網(wǎng)絡(luò)相似度 鏈路預(yù)測
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：O157.5
【目錄】：

• 摘要3-6
• ABSTRACT6-12
• 第一章 緒論12-21
• 1.1 研究背景及意義12-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-18
• 1.2.1 結(jié)構(gòu)腦網(wǎng)絡(luò)與功能腦網(wǎng)絡(luò)的關(guān)系15-16
• 1.2.2 基于解剖距離的腦網(wǎng)絡(luò)建模16-17
• 1.2.3 局部信息指標(biāo)的應(yīng)用17-18
• 1.3 本文主要內(nèi)容18-19
• 1.4 本文的章節(jié)安排19-20
• 1.5 本章小結(jié)20-21
• 第二章 靜息態(tài)功能腦網(wǎng)絡(luò)的構(gòu)建21-29
• 2.1 數(shù)據(jù)采集及預(yù)處理21-24
• 2.1.1 實(shí)驗(yàn)數(shù)據(jù)的采集21-23
• 2.1.2 數(shù)據(jù)的預(yù)處理23-24
• 2.2 腦網(wǎng)絡(luò)的構(gòu)建24-28
• 2.2.1 節(jié)點(diǎn)的定義25-26
• 2.2.2 時(shí)間序列的提取26-27
• 2.2.3 邊的定義27
• 2.2.4 閾值選擇27-28
• 2.3 本章小結(jié)28-29
• 第三章 基于解剖距離及局部信息指標(biāo)的功能腦網(wǎng)絡(luò)建模方法29-42
• 3.1 建模實(shí)驗(yàn)的控制因素29-33
• 3.2 腦網(wǎng)絡(luò)模型定義33-34
• 3.3 局部信息指標(biāo)的選擇34-36
• 3.4 功能腦網(wǎng)絡(luò)拓?fù)鋵傩缘挠?jì)算36-38
• 3.4.1 局部屬性36-37
• 3.4.2 全局屬性37-38
• 3.5 模型評價(jià)標(biāo)準(zhǔn)38-41
• 3.6 本章小結(jié)41-42
• 第四章 局部信息指標(biāo)對功能腦網(wǎng)絡(luò)屬性的擬合42-49
• 4.1 對局部與全局網(wǎng)絡(luò)屬性的擬合42-47
• 4.1.1 屬性的相對誤差分析42-45
• 4.1.2 擬合效果的統(tǒng)計(jì)學(xué)差異45-47
• 4.2 網(wǎng)絡(luò)整體相似度的評價(jià)47-48
• 4.3 本章小結(jié)48-49
• 第五章 基于鏈路預(yù)測的快速判斷建模效果的方法探究49-56
• 5.1 鏈路預(yù)測方法簡介49-50
• 5.2 鏈路預(yù)測精確度的評價(jià)指標(biāo)50-52
• 5.3 建模效果的快速判斷方法探究52-55
• 5.3.1 實(shí)驗(yàn)假設(shè)52
• 5.3.2 實(shí)驗(yàn)驗(yàn)證52-55
• 5.4 本章小結(jié)55-56
• 第六章 總結(jié)與展望56-59
• 6.1 總結(jié)56-57
• 6.2 展望57-59
• 參考文獻(xiàn)59-66
• 致謝66-67
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文67

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 苑瑋琦;徐露;林忠華;;一種基于局部信息統(tǒng)計(jì)的虹膜分塊編碼方法[J];光學(xué)學(xué)報(bào);2007年11期

2 樊斌鋒;蔡虹;;基于局部信息的單播容錯(cuò)路由算法研究[J];太原師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年02期

3 蘆碧波;郭志昌;曹楊;李美慧;胡歆瑤;;非局部偏微分方程去噪模型[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2007年06期

4 ;[J];;年期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 周連波;基于局部信息的復(fù)雜網(wǎng)絡(luò)社團(tuán)挖掘算法研究[D];燕山大學(xué);2015年

2 于健;帶有隨機(jī)擾動(dòng)的風(fēng)場優(yōu)化調(diào)度策略的研究[D];北京交通大學(xué);2016年

3 牛會(huì)蘭;局部信息方法在功能腦網(wǎng)絡(luò)建模中的應(yīng)用研究[D];太原理工大學(xué);2016年

4 賈桂敏;基于物體局部信息的跟蹤算法研究[D];天津大學(xué);2008年

5 龍麗君;網(wǎng)絡(luò)內(nèi)容監(jiān)管系統(tǒng)中基于局部信息的語義傾向性識別算法[D];南京理工大學(xué);2004年

6 王聰;基于局部信息交流的命名游戲問題研究與應(yīng)用[D];大連理工大學(xué);2013年

7 謝德燕;局部信息保持投影及應(yīng)用[D];西安電子科技大學(xué);2010年

8 楊雨澤;基于整體和局部信息的多經(jīng)驗(yàn)核學(xué)習(xí)及其應(yīng)用研究[D];華東理工大學(xué);2014年

9 夏磊;一種基于局部信息的社會(huì)網(wǎng)絡(luò)聚類算法[D];哈爾濱工程大學(xué);2012年

10 陳書楊;局部信息缺失情況下人臉識別研究[D];遼寧大學(xué);2014年

，

本文編號：1114359