CN111325288A - 基于聚类思想的多视角动态脑网络特征维度约减方法 - Google Patents

基于聚类思想的多视角动态脑网络特征维度约减方法 Download PDF

Info

Publication number
CN111325288A
CN111325288A CN202010186386.5A CN202010186386A CN111325288A CN 111325288 A CN111325288 A CN 111325288A CN 202010186386 A CN202010186386 A CN 202010186386A CN 111325288 A CN111325288 A CN 111325288A
Authority
CN
China
Prior art keywords
order
network
central moment
time sequence
correlation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010186386.5A
Other languages
English (en)
Other versions
CN111325288B (zh
Inventor
赵峰
张祥飞
陈红瑜
冯烟利
谢青松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Information Industry Shandong Co ltd
Original Assignee
Shandong Technology and Business University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Technology and Business University filed Critical Shandong Technology and Business University
Priority to CN202010186386.5A priority Critical patent/CN111325288B/zh
Publication of CN111325288A publication Critical patent/CN111325288A/zh
Application granted granted Critical
Publication of CN111325288B publication Critical patent/CN111325288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于聚类思想的多视角动态脑网络特征维度约减方法，涉及图像处理技术领域，包括使用聚类方法把已经搭建好的动态脑网络的顶点和边进行聚类，分布在同一簇内的顶点之间的相关性时间序列规律相似；使用中心矩方法把每个簇进行处理，得到中心矩相关性时间序列；然后，基于“中心矩的中心矩思想”，使用这些相关性时间序列的中心矩构建低阶脑网络；进而，基于“相关性的相关性”，构建高阶动态网络，采用低阶动态网络的原理，构建高阶脑网络。本发明使用聚类思想构建约简型低阶动态脑网络和高阶动态脑网络，很大程度上减小了网络规模和计算复杂度；以及利用中心矩特征建立多个脑网络，从多个视角为疾病诊断提供诊断信息。

Description

基于聚类思想的多视角动态脑网络特征维度约减方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于聚类思想的多视角动态脑网络特征维度约减方法。
背景技术
脑功能连接网络(以下简称脑网络)以脑功能区为网络的顶点，以功能区之间的连接作为边，边的权重为功能区之间的关联强度。目前，脑网络有低阶脑网络和高阶脑网络之分。脑网络为神经性疾病的诊断提供了重要的方法，尤其是动态脑网络，既反映了脑功能区之间的相互连接，又反映了其连接的动态变化。
现有的脑网络的构建方法，在技术上存在以下缺点：(1)网络规模大和计算复杂度高；(2)构建的脑网络的视角单一，不能从多个角度为神经性疾病的诊断提供信息。
发明内容
为克服上述背景技术中存在的问题，本发明提供了一种基于聚类思想的多视角动态脑网络特征维度约减方法，使用聚类思想构建约简型低阶动态脑网络和高阶动态脑网络，很大程度上减小了网络规模和计算复杂度；以及利用均值和中心矩特征建立多个脑网络，从多个视角为疾病诊断提供诊断信息。
本发明的技术方案是：
一种基于聚类思想的多视角动态脑网络特征维度约减方法，该方法包括：
构建低阶动态脑网络，包括:
S11、获取静息态功能磁共振图像数据时间序列，构建滑动窗口；
S12、使用滑动窗口将整个静息态功能磁共振图像数据时间序列划分为多个重叠子段；
S13、使用每个重叠子段构建一个时序低阶网络，并将一个所述时序低阶网络作为一个低阶动态脑网络子网络；
S14、将所有时序低阶网络按时间顺序排列，构建一个低阶动态网；
S15、获取低阶动态网网络中的所有相关性时间序列，并对所有相关性时间序列进行聚类；
S16、计算每一簇中相关性时间序列的均值和中心矩，得到均值相关性时间序列和中心矩相关性时间序列，并利用所述均值相关性时间序列和中心矩相关性时间序列构建约简型低阶动态脑网络；
S17、使用中心矩方法提取低阶动态脑网络的中心矩特征，并将所提取的中心矩特征分别输入到SVM分类器中进行分类，获得所有低阶动态网的识别精度；
构建高阶动态脑网络，包括：
S21、基于“相关性的相关性思想”，利用滑动窗技术，计算时序低阶动态网络中每个滑动窗内的所有相关性时间序列的皮尔逊相关性系数，得到相应的高阶子网络，进而所有高阶子网络，按照时间顺序，构建成一个高阶时序网络；
S22、将所有高阶时序网络按时间顺序排列，构建一个高阶动态脑网；
S23、获取高阶动态脑网络中的所有相关性时间序列，并对所有相关性时间序列进行聚类；
S24、计算每一簇中相关性时间序列的中心矩，得到中心矩相关性时间序列，并利用所述中心矩相关性时间序列构建约简型高阶动态脑网络；
S25、使用中心矩方法提取高阶动态脑网络的中心矩特征，并将所提取的中心矩特征分别输入到SVM分类器中进行分类，获得所有高阶动态网的识别精度；
S26、将所有低阶动态网和所有高阶动态网的识别精度进行融合，得到最后的识别精度。
优选的，在所述S11中，构建所述滑动窗口包括采用固定的窗宽和步长，每个窗口获取一个功能磁共振图像数据矩阵的子矩阵。
优选的，所述S12中的所述滑动窗口的总数为K＝[(M-W)/s+1]，
其中，W为滑动滑动窗口的长度，M为整个扫描时间内的时间序列的采样点数目，s为滑动窗口每一次平移的步长。
优选的，所述S13中的所述低阶动态脑网络子网络构建方法为：
在每个重叠子段中，计算所有脑区对之间的皮尔逊相关系数作为两个脑区之间的关联强度，其中，计算第i个脑区和第j个脑区之间的相关性系数为：
Figure RE-GDA0002495624660000031
其中，x表示标量，
Figure RE-GDA0002495624660000032
表示第l个受试者的第i个脑区的静息态功能磁共振图像数据，
Figure RE-GDA0002495624660000033
表示第l个受试者的第j个脑区的静息态功能磁共振图像数据；k表示第k个子窗口，R表示脑功能区的数量。
优选的，所述S14中所述低阶动态网表示为
Figure RE-GDA0002495624660000034
其中，Cl(k)表示由第k个窗口得到的子网络，1≤k≤K。
优选的，所述S15中，所述相关性时间序列是将所有K个滑动窗口中的第 i个和第j个脑区的相关性串联起来形成的一个平均时间序列，该平均时间序列表示为:
Figure RE-GDA0002495624660000035
优选的，所述S16中，同一簇中每个时序低阶网络中的所有相关性系数的平均值，计算公式如下：
Figure RE-GDA0002495624660000041
其中，φn表示第n个簇，|φn|表示第n个簇中
Figure RE-GDA0002495624660000042
的数量，N为簇的数量，第n个簇中的平均时间序列可表示为
Figure RE-GDA0002495624660000043
中心矩计算公式如下：
Figure RE-GDA0002495624660000044
其中，D表示中心矩的最高阶数，
Figure RE-GDA0002495624660000045
表示第k个子窗口内的任意两个脑区之间的相关系数，d表示表示中心矩的阶数,第n个簇中的d阶中心矩时间序列可表示为
Figure RE-GDA0002495624660000046
优选的，所述S17包括：
S171、提取均值特征
Figure RE-GDA0002495624660000047
得到一个均值特征向量； m(1)＝(m1(1),m2(1),...,mN(1))T；
S172、提取动态网的中心矩特征
Figure RE-GDA0002495624660000048
得到一个中心矩特征向量m(d)＝(m1(d),m2(d),...,mN(d))T；
S173、将所有均值特征和中心矩特征分别输入到SVM分类器中进行分类，得到分类精度和SVM分类器决策得分，然后将所得到的所述决策得分进行线性融合，得到最终的分类精度。
与现有技术相比，本发明的有益效果是：
1、使用聚类方法把已经搭建好的动态脑网络的顶点和边进行聚类，这样，分布在同一个簇内的顶点之间的关联强度随时间的变化(称为相关性时间序列)规律相似，而不同簇之间表现出很大的差异。使用中心矩方法(包括二阶、三阶，…，和七阶中心矩)对每个簇进行处理，得到中心矩相关性时间序列，达到降维的目的。然后，使用这些相关性时间序列构建脑网络，很大程度地减小了网络规模和网络计算复杂度。
2、使用均值相关性时间序列和每个中心矩相关性时间序列分别构建低阶和高阶动态脑网络。这样，从每个类型的网络中提取的识别特征可以从不同的视角提供疾病诊断信息，融合这些识别特征可以很大程度地提高诊断精度。
附图说明
图1为本发明的方法流程图；
图2(a)为基于滑动窗的功能磁共振序列分割；图2(b)基于皮尔逊相关性，获得低阶动态网络；
图3为聚类示意图；
图4为每一类的中心矩时间序列；
图5为从低阶动态网获取高阶动态网络示意图；
图6为相关性时间序列；
图7(a)为位于同一簇中的相关性时间序列图，图7(b)为均值时间序列图；
图8为基于中心矩(均值、方差、三阶矩等)特征的约简型动态脑网络示意图；
图9为SVM分类器。
具体实施方式
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明提供的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其所使用的数据是静息态功能磁共振技术扫描大脑得到的数据，称为静息态功能磁共振图像数据或RS-fMRI数据，以矩阵的形式存放。其包括R＝160个脑功能区(以下简称脑区)的M＝170卷图像，即，每一个脑区有170数据，如，第l个受试者的第i个脑区的RS-fMRI数据可表示为
Figure RE-GDA0002495624660000061
每个被扫描者的数据矩阵大小为116×170，可表示为
Figure RE-GDA0002495624660000062
另外，对使用到的数学符号进行说明，小写字母(如，x)表示标量，小写字母加粗(如，x)表示向量，一般表示列向量，大写字母加粗(如，X)表示矩阵。
如图1-9所示，本发明提供的一种基于聚类思想的多视角动态脑网络特征维度约减方法，该方法包括：
构建低阶动态脑网络，包括:
S11、获取RS-fMRI数据时间序列，构建滑动窗口。
其中，构建所述滑动窗口包括采用固定的窗宽和步长，每个窗口获取一个功能磁共振图像数据矩阵的子矩阵。
S12、使用滑动窗口将整个RS-fMRI数据时间序列划分为多个重叠子段，如图2(a)所示：
其中，所述滑动窗口的总数为K＝[(M-W)/s+1]，其中，W为滑动滑动窗口的长度，s为滑动窗口每一次平移的步长。
S13、使用每个重叠子段构建一个时序低阶网络用(t-FCN表示)，并将一个所述时序低阶网络作为一个低阶动态脑网络子网络；
用X(k)由第k个滑动窗得到的重叠子段矩阵，用xi(k)表示xi在第k个窗口中的子序列，使用每个重叠子段构建一个时序低阶网络(用t-FCN表示)，即，一个低阶动态脑网络的子网络，如图2所示。
具体构建方法为：在每个重叠子段中，计算所有脑区对之间的皮尔逊相关系数作为两个脑区之间的关联强度(即，皮尔逊相关系数)，其中，计算第i 个脑区和第j个脑区之间的相关性系数为：
Figure RE-GDA0002495624660000071
其中，
Figure RE-GDA0002495624660000072
表示第l个受试者的第i个脑区的静息态功能磁共振图像数据，
Figure RE-GDA0002495624660000073
表示第l个受试者的第j个脑区的静息态功能磁共振图像数据；k表示第k个子窗口，R表示脑功能区的数量。令
Figure RE-GDA0002495624660000074
表示第p个脑区与其他脑区关联强度的向量，那么，一个t-FCN可表示为
Figure RE-GDA0002495624660000075
S14、将所有时序低阶网络(t-FCN)按时间顺序排列，构建一个低阶动态网，如图2(b)所示。其中，所述低阶动态网表示为
Figure RE-GDA0002495624660000076
其中，Cl(k)表示由第k个窗口得到的子网络，1≤k≤K。
S15、获取低阶动态网网络中的所有相关性时间序列，并对所有相关性时间序列进行聚类，使所有相关性时间序列分布在不同的簇中，如图3所示。每一种颜色代表一个簇。相关性时间序列是将所有K个滑动窗口中的第i个和第j个脑区的相关性串联起来形成的一个平均时间序列，该平均时间序列表示为:
Figure RE-GDA0002495624660000081
这个序列描述的是
Figure RE-GDA0002495624660000082
在一段时间内的变化，如图6所示。
S16、计算每一簇中相关性时间序列的均值和中心矩，得到均值相关性时间序列和中心矩相关性时间序列，并利用所述均值相关性时间序列和中心矩相关性时间序列构建约简型低阶动态脑网络，如图4所示。
其中，首先计算同一簇中每个t-FCN中的所有平均时间序列
Figure RE-GDA0002495624660000083
的平均值如图7所示，计算公式如下：
Figure RE-GDA0002495624660000084
其中，φn表示第n个簇，|φn|表示第n个簇中
Figure RE-GDA0002495624660000085
的数量，N为簇的数量，第n个簇中的平均时间序列可表示为
Figure RE-GDA0002495624660000086
如图7(b)所示。
中心矩计算公式如下：
Figure RE-GDA0002495624660000087
其中，D表示中心矩的最高阶数，本发明中D＝7,即七阶中心矩第n个簇中的d阶中心矩时间序列可表示为
Figure RE-GDA0002495624660000088
然后，使用这些均值时间序列和中心矩时间序列构建约简型动态网络(如图8所示)，这样，所构建的约简型低阶动态脑网络的规模比原来的规模小了很多，从而，该网络的计算发杂度也随之下降。需要注意的是，本发明使用均值和六个中心矩(二阶、三阶，…，七阶中心矩)分别构建了七个这样的网络。
S17、使用中心矩方法提取低阶动态脑网络的中心矩特征，并将所提取的中心矩特征分别输入到SVM分类器中进行分类，获得所有低阶动态网的识别精度。具体如下：
S171、首先提取均值特征
Figure RE-GDA0002495624660000091
得到一个均值特征向量m(1)＝(m1(1),m2(1),...,mN(1))T。
S172、然后提取动态网的中心矩特征
Figure RE-GDA0002495624660000092
得到一个中心矩特征向量m(d)＝(m1(d),m2(d),...,mN(d))T；
S173、最后将所有均值特征和中心矩特征分别输入到7个SVM分类器中进行分类，得到分类精度和SVM分类器决策得分，然后将所得到的所述决策得分进行线性融合，得到最终的分类精度。
构建高阶动态脑网络，包括：
S21、基于“相关性的相关性思想”，利用滑动窗技术，计算时序低阶动态网络中每个滑动窗内的所有相关性时间序列的皮尔逊相关性系数，得到相应的高阶子网络，进而所有高阶子网络，按照时间顺序，构建成一个高阶时序网络 (用t-HFCN表示)；
S22、将所有高阶时序网络按时间顺序排列，构建一个高阶动态脑网，如图4所示；
S23、获取高阶动态脑网络中的所有相关性时间序列，并对所有相关性时间序列进行聚类；
S24、计算每一簇中相关性时间序列的中心矩，得到中心矩相关性时间序列，并利用所述中心矩相关性时间序列构建约简型高阶动态脑网络；
S25、使用中心矩方法提取高阶动态脑网络的中心矩特征，并将所提取的中心矩特征分别输入到SVM分类器中进行分类，获得所有高阶动态网的识别精度；
S26、将所有低阶动态网和所有高阶动态网的识别精度进行融合，得到最后的识别精度。
以上公开的仅为本发明的较佳的具体实施例，但是，本发明实施例并非局限于此，任何本领域技术人员能思之的变化都应落入本发明的保护范围。

Claims (8)

1.一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，该方法包括，
构建低阶动态脑网络，包括:
S11、获取静息态功能磁共振图像数据时间序列，构建滑动窗口；
S12、使用滑动窗口将整个静息态功能磁共振图像数据时间序列划分为多个重叠子段；
S13、使用每个重叠子段构建一个时序低阶网络，并将一个所述时序低阶网络作为一个低阶动态脑网络子网络；
S14、将所有时序低阶网络按时间顺序排列，构建一个低阶动态网；
S15、获取低阶动态网网络中的所有相关性时间序列，并对所有相关性时间序列进行聚类；
S16、计算每一簇中相关性时间序列的均值和中心矩，得到均值相关性时间序列和中心矩相关性时间序列，并利用所述均值相关性时间序列和中心矩相关性时间序列构建约简型低阶动态脑网络；
S17、使用中心矩方法提取低阶动态脑网络的中心矩特征，并将所提取的中心矩特征分别输入到SVM分类器中进行分类，获得所有低阶动态网的识别精度；
构建高阶动态脑网络，包括：
S21、基于“相关性的相关性思想”，利用滑动窗技术，计算时序低阶动态网络中每个滑动窗内的所有相关性时间序列的皮尔逊相关性系数，得到相应的高阶子网络，进而所有高阶子网络，按照时间顺序，构建成一个高阶时序网络；
S22、将所有高阶时序网络按时间顺序排列，构建一个高阶动态脑网；
S23、获取高阶动态脑网络中的所有相关性时间序列，并对所有相关性时间序列进行聚类；
S24、计算每一簇中相关性时间序列的中心矩，得到中心矩相关性时间序列，并利用所述中心矩相关性时间序列构建约简型高阶动态脑网络；
S25、使用中心矩方法提取高阶动态脑网络的中心矩特征，并将所提取的中心矩特征分别输入到SVM分类器中进行分类，获得所有高阶动态网的识别精度；
S26、将所有低阶动态网和所有高阶动态网的识别精度进行融合，得到最后的识别精度。
2.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，在所述S11中，构建所述滑动窗口包括采用固定的窗宽和步长，每个窗口获取一个功能磁共振图像数据矩阵的子矩阵。
3.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，所述S12中的所述滑动窗口的总数为K＝[(M-W)/s+1]；
其中，W为滑动滑动窗口的长度，M为整个扫描时间内的时间序列的采样点数目，s为滑动窗口每一次平移的步长。
4.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，所述S13中的所述低阶动态脑网络子网络构建方法为：
在每个重叠子段中，计算所有脑区对之间的皮尔逊相关系数作为两个脑区之间的关联强度，其中，计算第i个脑区和第j个脑区之间的相关性系数为：
Figure RE-FDA0002495624650000021
其中，x表示标量，
Figure RE-FDA0002495624650000022
表示第l个受试者的第i个脑区的静息态功能磁共振图像数据，
Figure RE-FDA0002495624650000023
Figure RE-FDA0002495624650000024
表示第l个受试者的第j个脑区的静息态功能磁共振图像数据；k表示第k个子窗口，R表示脑功能区的数量。
5.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，所述S14中所述低阶动态网表示为
Figure RE-FDA0002495624650000031
其中，Cl(k)表示由第k个窗口得到的子网络，1≤k≤K。
6.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，所述S15中，所述相关性时间序列是将所有K个滑动窗口中的第i个和第j个脑区的相关性串联起来形成的一个平均时间序列，该平均时间序列表示为:
Figure RE-FDA0002495624650000032
7.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，所述S16中，同一簇中每个时序低阶网络中的所有相关性系数的平均值，计算公式如下：
Figure RE-FDA0002495624650000033
其中，φn表示第n个簇，|φn|表示第n个簇中
Figure RE-FDA0002495624650000034
的数量，N为簇的数量，第n个簇中的平均时间序列可表示为
Figure RE-FDA0002495624650000035
中心矩计算公式如下：
Figure RE-FDA0002495624650000036
其中，D表示中心矩的最高阶数，
Figure RE-FDA0002495624650000037
表示第k个子窗口内的任意两个脑区之间的相关系数，d表示表示中心矩的阶数,第n个簇中的d阶中心矩时间序列可表示为
Figure RE-FDA0002495624650000038
8.如权利要求1所述的一种基于聚类思想的多视角动态脑网络特征维度约减方法，其特征在于，所述S17包括：
S171、提取均值特征
Figure RE-FDA0002495624650000041
得到一个均值特征向量；m(1)＝(m1(1),m2(1),...,mN(1))T；
S172、提取动态网的中心矩特征
Figure RE-FDA0002495624650000042
得到一个中心矩特征向量m(d)＝(m1(d),m2(d),...,mN(d))T；
S173、将所有均值特征和中心矩特征分别输入到SVM分类器中进行分类，得到分类精度和SVM分类器决策得分，然后将所得到的所述决策得分进行线性融合，得到最终的分类精度。
CN202010186386.5A 2020-03-17 2020-03-17 基于聚类思想的多视角动态脑网络特征维度约减方法 Active CN111325288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010186386.5A CN111325288B (zh) 2020-03-17 2020-03-17 基于聚类思想的多视角动态脑网络特征维度约减方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010186386.5A CN111325288B (zh) 2020-03-17 2020-03-17 基于聚类思想的多视角动态脑网络特征维度约减方法

Publications (2)

Publication Number Publication Date
CN111325288A true CN111325288A (zh) 2020-06-23
CN111325288B CN111325288B (zh) 2022-02-25

Family

ID=71167718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010186386.5A Active CN111325288B (zh) 2020-03-17 2020-03-17 基于聚类思想的多视角动态脑网络特征维度约减方法

Country Status (1)

Country Link
CN (1) CN111325288B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112826507A (zh) * 2021-01-07 2021-05-25 华中科技大学同济医学院附属协和医院 一种感音神经性耳聋的脑功能网络演化建模方法
CN113509148A (zh) * 2021-04-28 2021-10-19 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN115359297A (zh) * 2022-08-24 2022-11-18 南京航空航天大学 一种基于高阶脑网络的分类方法、系统、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN106650818A (zh) * 2016-12-30 2017-05-10 太原理工大学 基于高阶超网络的静息态功能磁共振影像数据分类方法
CN110232332A (zh) * 2019-05-23 2019-09-13 中国人民解放军国防科技大学 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统
CN110473202A (zh) * 2019-06-18 2019-11-19 山东工商学院 一种高阶动态功能连接网络的时序不变特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715261A (zh) * 2015-03-23 2015-06-17 南京工业大学 fMRI动态脑功能子网络构建及并联SVM加权识别方法
CN106650818A (zh) * 2016-12-30 2017-05-10 太原理工大学 基于高阶超网络的静息态功能磁共振影像数据分类方法
CN110232332A (zh) * 2019-05-23 2019-09-13 中国人民解放军国防科技大学 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统
CN110473202A (zh) * 2019-06-18 2019-11-19 山东工商学院 一种高阶动态功能连接网络的时序不变特征提取方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112826507A (zh) * 2021-01-07 2021-05-25 华中科技大学同济医学院附属协和医院 一种感音神经性耳聋的脑功能网络演化建模方法
CN113509148A (zh) * 2021-04-28 2021-10-19 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN113509148B (zh) * 2021-04-28 2022-04-22 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN115359297A (zh) * 2022-08-24 2022-11-18 南京航空航天大学 一种基于高阶脑网络的分类方法、系统、电子设备及介质
CN115359297B (zh) * 2022-08-24 2024-01-26 南京航空航天大学 一种基于高阶脑网络的分类方法、系统、电子设备及介质

Also Published As

Publication number Publication date
CN111325288B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN111325288B (zh) 基于聚类思想的多视角动态脑网络特征维度约减方法
Kim et al. Iterative kernel principal component analysis for image modeling
Marroquin et al. Some extensions of the k-means algorithm for image segmentation and pattern classification
CN108171279B (zh) 一种多视角视频自适应乘积Grassmann流形子空间聚类方法
CN109598220B (zh) 一种基于多元输入多尺度卷积的人数统计方法
US7693299B2 (en) Method, system, storage medium, and data structure for image recognition using multilinear independent component analysis
CN111583285B (zh) 一种基于边缘关注策略的肝脏影像语义分割方法
CN109376787B (zh) 流形学习网络及基于其的计算机视觉图像集分类方法
CN107067367A (zh) 一种图像超分辨重建处理方法
CN110826462A (zh) 一种非局部双流卷积神经网络模型的人体行为识别方法
CN111340697B (zh) 一种基于聚类回归的图像超分辨方法
CN115049629A (zh) 基于线图扩展的多模态脑超图注意力网络的分类方法
CN109712150A (zh) 基于稀疏表示的光学微波图像融合重建方法和装置
CN112529063B (zh) 一种适用于帕金森语音数据集的深度域适应分类方法
CN113298129A (zh) 基于超像素和图卷积网络的极化sar图像分类方法
CN109711269A (zh) 一种基于3d卷积谱空特征融合的高光谱图像分类算法
CN110097499B (zh) 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法
CN114359785A (zh) 基于自适应矩阵特征融合网络的唇语识别方法、装置及电子设备
CN111695570B (zh) 一种基于变分原型推理的小样本下语义分割方法
CN108596831B (zh) 一种基于AdaBoost实例回归的超分辨率重建方法
CN111428555A (zh) 一种分关节的手部姿态估计方法
CN116188428A (zh) 一种桥接多源域自适应的跨域组织病理学图像识别方法
CN112613405B (zh) 任意视角动作识别方法
CN115496933A (zh) 基于空间-光谱原型特征学习的高光谱分类方法及系统
CN112561935B (zh) 一种大脑影像智能分类方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220728

Address after: 264006 room 208-2, building 1, No. 5, wanshoushan Road, Yantai Development Zone, China (Shandong) pilot Free Trade Zone, Yantai, Shandong

Patentee after: Zhongke information industry (Shandong) Co.,Ltd.

Address before: 264005 191 Binhai Middle Road, Laishan District, Yantai, Shandong

Patentee before: SHANDONG INSTITUTE OF BUSINESS AND TECHNOLOGY