發(fā)布時(shí)間：2018-07-12 11:53

  本文選題：腦網(wǎng)絡(luò)分類 + 稠密子圖分割��； 參考：《南京航空航天大學(xué)》2017年碩士論文

【摘要】：腦疾病不僅威脅到患者的生命,而且為社會(huì)帶來沉重的負(fù)擔(dān),因此人們?cè)絹碓疥P(guān)注腦疾病的研究。隨著神經(jīng)影像技術(shù)的快速發(fā)展,研究人員將神經(jīng)影像技術(shù)應(yīng)用在腦疾病研究上,并且取得了極大的進(jìn)展。研究人員通過從神經(jīng)影像中挖掘出腦功能連接網(wǎng)絡(luò),然后應(yīng)用機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的方法從中挖掘特征,將其應(yīng)用于腦網(wǎng)絡(luò)分類。本文的研究基于腦網(wǎng)絡(luò)研究腦疾病,主要工作如下:第一部分,我們提出了基于稠密子圖分割的腦網(wǎng)絡(luò)分類方法。此部分的工作主要利用稠密子圖來反映人類大腦中連接緊密的拓?fù)淠Ｊ?具體而言,通過將腦網(wǎng)絡(luò)轉(zhuǎn)化為邊對(duì)偶圖,將轉(zhuǎn)化后的對(duì)偶圖分割為稠密度依次降低的稠密子圖,然后挑選出稠密度最大的若干稠密子圖,使用挑選出的稠密子圖重構(gòu)原有的腦網(wǎng)絡(luò)。最后使用圖核度量重構(gòu)后的腦網(wǎng)絡(luò)之間的相似性,構(gòu)建圖核矩陣,使用SVM進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,提出的分類方法可以提升分類效果,并且可以挖掘出與腦疾病相關(guān)聯(lián)的區(qū)域。第二部分,我們?cè)诔砻茏訄D的基礎(chǔ)上結(jié)合頻繁子圖的概念,提出了基于頻繁稠密子圖的腦網(wǎng)絡(luò)分類方法。此部分的工作主要基于腦疾病患者和正常人之間的拓?fù)浣Y(jié)構(gòu)出現(xiàn)顯著性差異的事實(shí),因此從患者數(shù)據(jù)集和正常人數(shù)據(jù)集中挖掘出的頻繁稠密子圖會(huì)存在顯著差異,可以用于腦網(wǎng)絡(luò)分類。具體而言:首先分別從患者和正常人數(shù)據(jù)集中挖掘出頻繁稠密子圖,然后計(jì)算每一個(gè)子圖的判別性,挑選出最具有判別性的稠密子圖并且構(gòu)建指示矩陣作為特征矩陣,最后使用SVM分類。實(shí)驗(yàn)結(jié)果表明,基于頻繁稠密子圖的分類方法不僅可以提高分類的精度,而且可以挖掘出與腦疾病相關(guān)的拓?fù)淠Ｊ健?br/>[Abstract]:Brain diseases not only threaten the lives of patients, but also bring a heavy burden to the society, so people pay more and more attention to the research of brain diseases. With the rapid development of neuroimaging technology, researchers applied neuroimaging technology to brain disease research, and made great progress. The researchers used neural images to extract brain functional connectivity networks and then used machine learning and data mining methods to extract features from them and apply them to the classification of brain networks. The main work of this paper is as follows: in the first part, we propose a classification method of brain network based on dense subgraph segmentation. In this part, dense subgraphs are mainly used to reflect the closely connected topological patterns in the human brain. In particular, by transforming the brain network into edge-pair bigraphs, the transformed digraphs are divided into dense subgraphs with decreasing density in turn. Then some dense subgraphs with the highest density are selected and the original brain network is reconstructed using the selected dense subgraphs. Finally, the similarity of the reconstructed brain network is measured by using the graph kernel, and the kernel matrix is constructed, and SVM is used to classify the reconstructed brain network. The experimental results show that the proposed classification method can improve the classification effect and can mine the regions associated with brain diseases. In the second part, combining the concept of frequent subgraph with dense subgraph, we propose a classification method of brain network based on frequent dense subgraph. This part of the work is mainly based on the fact that there are significant differences in topological structure between patients with brain disease and normal people, so there are significant differences between frequent dense subgraphs mined from patient data sets and normal person data sets. Can be used for brain network classification. Specifically, the frequent dense subgraphs are mined from the patient and normal data sets respectively, and then the discriminant properties of each subgraph are calculated, the dense subgraphs with the most discriminant characteristics are selected, and the indicator matrix is constructed as the characteristic matrix. Finally, SVM classification is used. The experimental results show that the classification method based on frequent dense subgraphs can not only improve the classification accuracy but also mine the topological patterns related to brain diseases.
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R741.044;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 董敏;湯建鋼;;求解最大完全子圖的一種DNA算法[J];江漢大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)會(huì)議論文 前5條

1 湯毅堅(jiān);;計(jì)算機(jī)環(huán)形局部網(wǎng)絡(luò)分類和性能評(píng)價(jià)的新體系[A];IEEE北京分會(huì)第一屆學(xué)術(shù)年會(huì)論文集[C];1987年

2 徐以凡;;層分解和子圖識(shí)別問題[A];2001年全國數(shù)學(xué)規(guī)劃及運(yùn)籌研討會(huì)論文集[C];2001年

3 陶劍文;丁佩芬;趙杰煜;;csgIndex:一種可擴(kuò)展的對(duì)比子圖索引模型[A];第二十七屆中國控制會(huì)議論文集[C];2008年

4 吳衛(wèi)江;李國和;;Apriori算法思想在頻繁子圖挖掘中應(yīng)用的研究[A];第六屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集（2）[C];2008年

5 吳穎華;周皓峰;袁晴晴;洪銘勝;汪衛(wèi);施伯樂;;Topology:一個(gè)快速的頻繁連通子圖的挖掘算法[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

相關(guān)博士學(xué)位論文 前6條

1 李斌龍;重子圖條件下圖的Hamilton性及相關(guān)問題[D];西北工業(yè)大學(xué);2016年

2 藺厚元;禁用子圖與圖的哈密爾頓性[D];華中師范大學(xué);2012年

3 郭嘉;回聲狀態(tài)網(wǎng)絡(luò)分類方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2011年

4 毛玲;基于層次因子圖的心電圖自動(dòng)診斷方法研究[D];國防科學(xué)技術(shù)大學(xué);2009年

5 崔慶;Tutte子圖方法及其應(yīng)用[D];南開大學(xué);2009年

6 吳云建;一致星因子圖與籠的連通性[D];南開大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 屠黎陽;基于稠密子圖挖掘的腦網(wǎng)絡(luò)分類研究及應(yīng)用[D];南京航空航天大學(xué);2017年

2 費(fèi)飛;基于圖挖掘方法的腦網(wǎng)絡(luò)分類及其應(yīng)用[D];南京航空航天大學(xué);2015年

3 杜俊強(qiáng);基于有序模式的腦網(wǎng)絡(luò)分類研究及其應(yīng)用[D];南京航空航天大學(xué);2016年

4 范淦;高效的龐大圖的頻繁子圖挖掘方法研究[D];遼寧大學(xué);2015年

5 魏真真;大規(guī)模不確定圖緊密子圖挖掘算法研究[D];燕山大學(xué);2015年

6 齊寶雷;面向不確定圖數(shù)據(jù)的子圖模式挖掘算法的研究與實(shí)現(xiàn)[D];東北大學(xué);2013年

7 王會(huì)會(huì);精確子圖數(shù)據(jù)庫查詢技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

8 白楊;復(fù)雜網(wǎng)絡(luò)圖中高密度子圖檢測(cè)方法與實(shí)現(xiàn)[D];西安電子科技大學(xué);2014年

9 王鵬;基于局部鄰域的最大密度子圖檢測(cè)方法研究與實(shí)現(xiàn)[D];西安電子科技大學(xué);2014年

10 王璐璐;不確定圖上Top-k子圖相似性查詢技術(shù)研究[D];東北大學(xué);2014年

，

本文編號(hào)：2117065