針對(duì)在動(dòng)態(tài)腦功能網(wǎng)絡(luò)的模塊化屬性研究中,Louvain算法因過(guò)度追求模塊度值最大化而導(dǎo)致的動(dòng)態(tài)腦功能網(wǎng)絡(luò)模塊辨識(shí)度不高的問(wèn)題,提出了一種帶時(shí)間約束的Louvain算法。該算法以整個(gè)數(shù)據(jù)采集區(qū)間上的模塊度值分布為依據(jù)構(gòu)建迭代結(jié)束條件,以時(shí)間約束來(lái)達(dá)到模塊在規(guī)模和數(shù)量上的均衡,從而保證模塊劃分更加合理。將本文算法用于靜息態(tài)腦功能的模塊劃分實(shí)驗(yàn)時(shí),對(duì)比結(jié)果顯示,與原Louvain算法相比,帶時(shí)間約束的Louvain算法能夠得到更為合理的模塊化結(jié)果,并可以觀測(cè)到動(dòng)態(tài)腦功能網(wǎng)絡(luò)中小規(guī)模的模塊結(jié)構(gòu)。而采用本文算法用于健康人和自閉癥患者的動(dòng)態(tài)腦功能網(wǎng)絡(luò)模塊度對(duì)比實(shí)驗(yàn),能夠揭示兩者在模塊化上存在顯著差別,從而驗(yàn)證了本文算法的有效性。 

【文章來(lái)源】：計(jì)算機(jī)工程與科學(xué). 2020,42(07)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

動(dòng)態(tài)腦功能網(wǎng)絡(luò)構(gòu)建及模塊劃分流程

圖2所示的是使用Louvain算法對(duì)動(dòng)態(tài)腦功能網(wǎng)絡(luò)進(jìn)行模塊劃分得出的不同時(shí)間點(diǎn)的模塊度Q值時(shí)間序列,其中,圖2a和圖2c為2個(gè)健康人樣本,圖2b為自閉癥患者樣本。由圖2可以看出,3個(gè)樣本的峰值分別達(dá)到0.82,0.83,081,最小值分別為0.71,0.68,0.55,平均值分別為0.77,0.76,0.71,而模塊度Q值的合理范圍應(yīng)該在0.3～0.7。規(guī)模過(guò)大的腦功能模塊可能會(huì)使得一些重要的亞功能腦模塊被忽略,不利于深入研究腦功能網(wǎng)絡(luò)的屬性。針對(duì)上述問(wèn)題,本文提出了一種帶時(shí)間約束的Louvain算法,其原理如圖3所示,圖3a中原Louvain算法要不斷迭代至模塊度增益為0時(shí)才停止,而帶時(shí)間約束的Louvain算法,如圖3b所示,在不斷合并小模塊過(guò)程中,采用與時(shí)間相關(guān)的約束使得迭代在適當(dāng)?shù)臅r(shí)候停止,因此動(dòng)態(tài)腦功能網(wǎng)絡(luò)中的一些小規(guī)模模塊也會(huì)被識(shí)別出來(lái)。

針對(duì)上述問(wèn)題,本文提出了一種帶時(shí)間約束的Louvain算法,其原理如圖3所示,圖3a中原Louvain算法要不斷迭代至模塊度增益為0時(shí)才停止,而帶時(shí)間約束的Louvain算法,如圖3b所示,在不斷合并小模塊過(guò)程中,采用與時(shí)間相關(guān)的約束使得迭代在適當(dāng)?shù)臅r(shí)候停止,因此動(dòng)態(tài)腦功能網(wǎng)絡(luò)中的一些小規(guī)模模塊也會(huì)被識(shí)別出來(lái)。2.2 帶時(shí)間約束的Louvain算法原理與步驟

【參考文獻(xiàn)】：
期刊論文
[1]非線性腦區(qū)相關(guān)性分析及動(dòng)態(tài)腦網(wǎng)絡(luò)構(gòu)建方法[J]. 龍雨涵,王彬,薛潔,杜芬,劉輝,熊新.  信號(hào)處理. 2018(08)



本文編號(hào)：3592666