發(fā)布時(shí)間：2021-03-08 00:31

　　腦功能網(wǎng)絡(luò)不僅是人們理解大腦工作機(jī)制的重要途徑,還為挖掘神經(jīng)或精神疾病生物標(biāo)記提供了重要工具.然而,大腦極度復(fù)雜,使得估計(jì)理想的腦功能網(wǎng)絡(luò)至今仍是一個(gè)充滿挑戰(zhàn)的問(wèn)題.腦功能網(wǎng)絡(luò)估計(jì)通常以靜息態(tài)功能磁共振成像（fMRI）為數(shù)據(jù)源,以大腦的感興趣區(qū)域作為節(jié)點(diǎn),旨在確定腦區(qū)之間的統(tǒng)計(jì)依賴性作為網(wǎng)絡(luò)的邊權(quán).目前估計(jì)腦功能網(wǎng)絡(luò)的方法有很多,包括Pearson相關(guān)、偏相關(guān)、正則化偏相關(guān)等.盡管這些方法獲得了成功的應(yīng)用,但它們均基于二階統(tǒng)計(jì)量,只能建模腦區(qū)之間的低階相關(guān)性,而現(xiàn)有的高階腦功能網(wǎng)絡(luò)方法主要依靠直覺(jué)和經(jīng)驗(yàn),缺乏統(tǒng)計(jì)學(xué)或概率理論的支撐.鑒于此,本文重點(diǎn)對(duì)高階腦功能網(wǎng)絡(luò)進(jìn)行研究,并取得如下研究結(jié)果:1.基于矩陣變量正態(tài)分布（MVND）提出了新型的高階腦功能網(wǎng)絡(luò)估計(jì)方法,能同時(shí)獲取低階和高階相關(guān)性,并具有明確的數(shù)學(xué)可解釋性.首先通過(guò)滑動(dòng)窗口生成動(dòng)態(tài)時(shí)間子序列,對(duì)子序列計(jì)算Pearson相關(guān)得到低階腦功能網(wǎng)絡(luò).假設(shè)低階網(wǎng)絡(luò)服從MVND,通過(guò)對(duì)模型的最大似然估計(jì)計(jì)算最終的低階和高階腦功能網(wǎng)絡(luò).在輕度認(rèn)知障礙的分類實(shí)驗(yàn)中驗(yàn)證了提出方法的有效性.2.基于矩陣正則化學(xué)習(xí)框架提出了增強(qiáng)的高階腦功能網(wǎng)絡(luò)估計(jì)... 

【文章來(lái)源】：聊城大學(xué)山東省

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

對(duì)低階和高階相關(guān)性直觀的解釋.

聊城大學(xué)碩士學(xué)位論文3.4.2 判別性特征本章基于 M-HoFCN 方法, 采用 t 檢驗(yàn)來(lái)重新選擇判別性的邊權(quán)特征. 首先構(gòu)建M-HoFCN 模型, 其中輕度認(rèn)知障礙分類任務(wù)中滑動(dòng)窗參數(shù)為 N=70, s=6, 自閉癥分類N=70, s=1, 然后采用 t 檢驗(yàn)選擇判別性特征 (p=0.001). 輕度認(rèn)知障礙和自閉癥的分類任務(wù)分別選了 72 和 67 個(gè)判別特征, 圖 3.6 中畫(huà)出了這些特征, 其中連接粗細(xì)代表的判別力與對(duì)應(yīng)的 p 值成反比.

聊城大學(xué)碩士學(xué)位論文矩陣變量正態(tài)分布的概率密度函數(shù)[39]定義如下: ( ) = ( ) 2 ( ) ( ) ( ) ( ) (2.3)其中 × 都是半正定矩陣, 分別代表 的列和行協(xié)方差矩陣, det(π)和 tr(π)分別表示矩陣的行列式和求跡運(yùn)算.2.2.2 算法本文主要關(guān)注無(wú)向的腦功能網(wǎng)絡(luò), 此時(shí)邊權(quán)矩陣 是對(duì)稱的. 假設(shè)列協(xié)方差矩陣與行協(xié)方差矩陣相等, 即 = . 我們寫(xiě)成 = = 來(lái)簡(jiǎn)化數(shù)學(xué)表示. 由于 是 × 維的, 此時(shí) 中參數(shù)的個(gè)數(shù)從 × ( ) ζ 減少到 × ( ) ζ . 在矩陣變量正態(tài)分布的假設(shè)下, 包含了追溯 的所有信息. 本章設(shè)計(jì)了兩步走的策略來(lái)計(jì)算兩個(gè)參數(shù) (低階腦功能網(wǎng)絡(luò))和 (高階腦功能網(wǎng)絡(luò)):


本文編號(hào)：3070085