基于改进的大间隔最近邻胰腺单细胞分类方法

【目的】细胞类型鉴定是单细胞RNA测序的关键步骤之一，存在单细胞RNA测序数据分类准确率较低及各细胞类型距离特征度量不足的问题。【方法】提出一种基于多相似性损失函数(Multi Similarity Loss, MSL)的大间隔最近邻(Large Margin Nearest Neighbor, LMNN)单细胞分类方法。多相似性损失从多个角度衡量相似性，解决了LMNN算法的三元组损失函数训练样本较小时样本对之间关系利用率不高的问题，从而提升单细胞分类效果。【结果】在胰腺单细胞数据集baron＿human和segerstolpe上的实验表明，基于MSL-LMNN的分类准确率高于主要度量学习方法，而且与随机森林结合的准确率达到0.96,较现有单细胞分类方法有所提升。【结论】提出的MSL-LMNN能够准确有效地识别胰腺单细胞测序数据细胞类型，具有一定的应用价值。     

基于多模态MRI的AD分类模型

利用多模态磁共振成像数据,构建静息态功能网络,提取了网络属性及结构像中萎缩灰质的灰质体积作为分类特征,训练SVM分类器。实验结果表明,利用结构和功能组合特征,可以区分MCI与正常对照(准确率91.7%),AD与正常对照(准确率100%),AD与MCI(准确率87.8%),有效提高了两类疾病的分类正确率。结果说明提出的分类模型是一种较好的辅助诊断模型。     

基于多超图融合的超图神经网络模型构建及阿尔兹海默病分类

针对目前超图神经网络构建方法单一化,导致被试特征间的交互信息无法表征,从而影响超图神经网络模型分类性能的问题。本文提出一种多超图融合技术,融合多个超图为一个超图,从而互补多个超图各自所表征的高阶特征,以此来提高超图神经网络模型的分类性能。具体来说,基于结构磁共振成像数据,使用基于稀疏表示的LASSO方法,稀疏组LASSO方法以及覆盖组LASSO方法进行超图构建,然后分别基于超图融合技术将三个单一超图进行融合。接着基于融合的超图,构建超图神经网络模型,最终用于阿尔兹海默症及轻度认知障碍的分类。实验结果表明,本文所提方法的分类准确率达到79.21%,证明了该方法在阿尔兹海默症及轻度认知障碍的分类有较高的准确性和泛化性。     

基于同步似然的脑电分类方法研究

脑电数据的分类方法一直是疾病诊断、脑机接口等研究的热点,其关键在于分类特征的选择。目前的分类特征(例如样本熵)多基于单个通道,而近期研究报道脑电通道之间存在着相互作用。因此,本文采用了同步似然性作为新的分类特征,并利用SVM分类算法在两组脑电数据上进行了验证。结果表明,同步似然性作为分类特征的结果优于样本熵,可在脑电数据分类中得到更广泛应用。     

基于链路预测的脑功能网络重构方法及应用

【目的】传统的静息态功能磁共振成像脑网络构建方法可能存在虚假链接或者缺失边，网络表达不够准确，重复测量的稳定性有待进一步提高。【方法】基于3种局部信息指标和4种节点定义策略，将链路预测算法用于脑功能网络重构，并利用两组测试数据对重构网络拓扑指标的可靠性进行分析。【结果】实验结果表明，重构网络提高了重复测量的稳定性。此外，利用重构网络对阿尔兹海默症(alzheimer’s disease, AD)患者脑网络进行组间差异分析，结果发现重构网络存在显著的组间差异，符合已有研究结果。     

脑网络组学构建分析及应用研究

大脑是自然界最为复杂的系统之一。脑网络作为复杂网络理论在神经科学中的重要应用,极大程度上表现了不同尺度的脑结构或功能连接模型,提供了解释人脑这一复杂系统在结构组织及信息加工模式等问题的重要工具。同时,脑网络在脑疾病的临床应用研究中,也已证明很多脑疾病,在网络层面中均体现了不同程度的拓扑结构差异。这些成果为在系统水平上揭示脑疾病的病理机制提供了新的思路。笔者将以脑网络研究为重点,介绍脑网络的构建方法,包括不同影像类型下节点及边的定义方法;关联矩阵的阈值选择及稀疏度的划分方法;网络度量指标的计算,包括度、小世界属性、模块化等;脑网络的比较方法及其在抑郁症的临床应用及未来可能的研究方向。     

基于模糊熵的时间序列非线性检测方法

针对目前常用的特征量有关联维数和近似熵这两个指标在应用中存在不足,提出了一种新的替代数据法对时间序列中的非线性特性进行检测。替代数据法由零假设和检验特征量两部分组成。笔者提出将模糊熵作为特征量引入到替代数据法中检测时间序列的非线性特征,并在Logistic方程产生的非线性时间序列,以及线性AR模型产生的线性时间序列上进行了验证。研究结果表明,对于不同长度的时间序列,基于模糊熵的替代数据法是一种稳定、有效的非线性检测方法。     

复杂网络理论在酗酒分类中的应用研究

在酗酒者脑电数据基础上,利用复杂网络理论构建并分析了酗酒者EEG功能脑网络,通过统计检验和机器学习算法挖掘出正常被试和酗酒被试之间的特异性网络指标作为分类特征,用SVM分类的准确率最高可达76.8%。分类结果表明,通过复杂网络理论得到的脑网络属性可作为酗酒疾病的早期客观指标,应用到酗酒疾病的临床辅助诊断。     

功能连接偏侧化在AD早期诊断中的应用研究

借助脑功能连接方法,研究AD的偏侧化现象,并将其用于AD的辅助诊断中。实验采用ADNI数据集,首先制作可用于偏侧化研究的脑膜板,接着构建半球功能脑网络,计算网络连接强度,并计算偏侧化指数。利用统计分析的方法,筛选可用于AD辅助诊断的特征,并使用SVM(support vector machine)分类器训练分类模型。结果显示,加入偏侧化特征后的分类准确率为89.17%,敏感度为90.28%,特异度为88.24%,证明偏侧化指数的加入对于AD的分类准确率有提高作用。     

基于MEG虚相干功能连接的阅读理解能力预测模型的研究

【目的】阅读理解是人类最重要的认知能力，评价人类的阅读理解能力需要客观指标。【方法】提出一种基于脑磁图(magnetoencephalogram, MEG)虚相干脑功能连接的预测模型，使用虚相干算法构建全脑MEG功能连接，并通过单变量特征选择算法对特征进行选择，采用偏最小二乘回归(Partial Least Squares, PLS)构建预测模型对阅读理解能力进行预测。【结果】基于MEG虚相干功能连接的偏最小二乘回归模型可以成功预测阅读理解分数；进行单变量特征选择的模型预测性能更高、预测更准确(R²[PVT-Language]=0.524,MSE[PVT-Language]=5.042;R²[ORRT-Language]=0.536,MSE[ORRT-Language]=5.142),并且发现采用与阅读理解相关的任务态数据集比静息态数据集更适合用来预测阅读理解能力，且特征选择的功能连接更精确。【结论】基于MEG虚相干功能连接的PLS预测模型可以用来客观评价人类阅读理解能力。