本文關(guān)鍵詞： 高維數(shù)據(jù)降維 功能腦網(wǎng)絡(luò) 腦網(wǎng)絡(luò) 狀態(tài)觀測矩陣 譜特征嵌入算法 動(dòng)態(tài)特性　出處：《計(jì)算機(jī)應(yīng)用》2017年08期 　論文類型：期刊論文

【摘要】：針對(duì)基于功能核磁共振(f MRI)重構(gòu)的腦網(wǎng)絡(luò)狀態(tài)觀測矩陣維數(shù)過高且無特征表現(xiàn)的問題,提出一種基于譜特征嵌入(Spectral Embedding)的降維方法。該方法首先計(jì)算樣本間相似性度量并構(gòu)造拉普拉斯矩陣;然后對(duì)拉普拉斯矩陣進(jìn)行特征分解,選取前兩個(gè)主要的特征向量構(gòu)建2維特征向量空間以達(dá)到數(shù)據(jù)集由高維向低維映射(降維)的目的。應(yīng)用該方法對(duì)腦網(wǎng)絡(luò)狀態(tài)觀測矩陣進(jìn)行降維并可視化在二維空間平面,通過量化類別有效性指標(biāo)對(duì)可視化結(jié)果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明,與主成分分析(PCA)、局部線性嵌入(LLE)、等距映射(Isomap)等降維算法相比,使用該方法得到的腦網(wǎng)絡(luò)狀態(tài)觀測矩陣低維空間的映射點(diǎn)有明顯的類別意義表現(xiàn),且在類別有效性指標(biāo)上與多維尺度分析(MDS)和t分布隨機(jī)鄰域嵌入(t-SNE)降維算法相比,同一類樣本間平均距離Di指數(shù)分別降低了87.1%和65.2%,不同類樣本間平均距離Do指數(shù)分別提高了351.3%和25.5%;在多個(gè)樣本上的降維可視化結(jié)果均有一定的規(guī)律性體現(xiàn),該方法的有效性和普適性得以驗(yàn)證。
[Abstract]:In view of the problem that the dimension of state observation matrix of brain network based on functional nuclear magnetic resonance (MRI) reconstruction is too high and there is no characteristic representation. A dimensionality reduction method based on spectral feature embedding (Spectral embedding) is proposed, in which the similarity measure between samples is first calculated and Laplace matrix is constructed. Then the characteristic decomposition of Laplace matrix is carried out. Selecting the first two main Eigenvectors to construct the 2-D Eigenvector Space to achieve the data set Mapping from High to low Dimension (dimensionality reduction). This method is used to reduce the dimension of the state observation matrix of the brain network and visualize in the two-dimensional space plane. The experimental results show that, with the principal component analysis (PCA), local linear embedding (LLEs). Compared with the isometric mapping isomap algorithm, the mapping points in the low-dimensional space of the state observation matrix of the brain network obtained by this method have obvious category significance. And compared with MDS (Multidimensional scale Analysis) and t-SNEs (random neighborhood embedding) algorithm in class validity. The average distance Di index of the same kind of samples decreased by 87.1% and 65.2, and the average distance do index of different samples increased by 351.3% and 25.5, respectively. The dimensionality reduction visualization results on several samples are regular, and the effectiveness and universality of the method are verified.
【作者單位】： 昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61263017) 昆明理工大學(xué)教學(xué)改革項(xiàng)目(10968397)~~
【分類號(hào)】：O157.5;R445.2
【正文快照】： 0引言人類大腦由上千億個(gè)神經(jīng)細(xì)胞組成,相當(dāng)于銀河系的星體總數(shù),它長期以來保持著神秘色彩,人們對(duì)其知之甚少。近些年世界上各個(gè)國家紛紛啟動(dòng)人類大腦計(jì)劃或與人類大腦相關(guān)的研究計(jì)劃,可見研究人類大腦的重要性。如今功能核磁共振成像(functional Magnetic Resonance Imaging,

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 馬士林;梅雪;李微微;周宇;;fMRI動(dòng)態(tài)功能網(wǎng)絡(luò)構(gòu)建及其在腦部疾病識(shí)別中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2016年10期

2 韓麗;顏震;徐建國;唐棣;;基于顯著特征譜嵌入的三維模型相似性分析[J];模式識(shí)別與人工智能;2015年12期

3 高晴;陳華富;;基于動(dòng)態(tài)因果模型的運(yùn)動(dòng)執(zhí)行和運(yùn)動(dòng)想象腦網(wǎng)絡(luò)研究[J];電子科技大學(xué)學(xué)報(bào);2010年03期

相關(guān)博士學(xué)位論文 前1條

1 王昱青;基于運(yùn)動(dòng)任務(wù)的腦功能動(dòng)態(tài)網(wǎng)絡(luò)的整合研究[D];電子科技大學(xué);2011年

【共引文獻(xiàn)】

相關(guān)期刊論文 前5條

1 代照坤;劉輝;王文哲;王亞楠;;基于譜特征嵌入的腦網(wǎng)絡(luò)狀態(tài)觀測矩陣降維方法[J];計(jì)算機(jī)應(yīng)用;2017年08期

2 田華;劉俁男;顧家瑩;陳俏;;基于特征矩陣相似性度量的形狀對(duì)應(yīng)性分析[J];計(jì)算機(jī)應(yīng)用;2017年06期

3 田雪;邱江;;抑郁癥的腦功能整合異常-來自有效連接的證據(jù)[J];心理科學(xué);2015年06期

4 張彬;鄧紅霞;李海芳;;應(yīng)用兩階段遺傳算法優(yōu)化求解動(dòng)態(tài)因果模型[J];計(jì)算機(jī)應(yīng)用與軟件;2014年04期

5 鄧紅霞;游雅;李海芳;;動(dòng)態(tài)因果模型的研究綜述[J];電腦開發(fā)與應(yīng)用;2013年07期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 韓麗;黎琳;徐建國;唐棣;;基于表面及空間特征的人體模型結(jié)構(gòu)分析[J];模式識(shí)別與人工智能;2015年03期

2 楊劍;陳書q，

本文編號(hào)：1477315