[发明专利]一种基于权值特征属性融合与新型图核的脑网络分类方法

说明书

本发明属于机器学习与脑网络领域，具体为一种基于权值特征属性融合与新型图核的脑网络分类方法。将脑网络的多种特征属性进行融合，首先，将原始实验数据经过预处理后完成脑网络构建；其次，根据不同的阈值来提取脑网络中多种脑网络属性值；第三，利用支持向量机训练所有数据、根据训练结果的优劣、在每种网络属性值里挑选分类效果最优的阈值参数并将它们进行基于权值的特征属性融合；第四，使用基于新型图核的支持向量机训练融合后的特征向量；利用本发明方法对脑网络进行分类，提高了脑网络的分类准确率。本发明适用于脑区病变分析、阿尔茨海默症以及认知障碍机理分析等领域。

技术领域

本发明属于机器学习与脑网络领域，涉及一种特征属性融合的方法，特别涉及一种将脑网络的多种特征属性进行基于权值的融合、同时使用新型图核技术对脑网络进行分类的方法。

背景技术

脑网络的分类在脑疾病的诊断以及脑科学研究中有着广泛的应用。大脑结构和功能的复杂性导致了对脑网络进行分类的准确率一直不高。目前已有的脑网络分类方法大多是通过处理收集的信号来构建脑网络，并根据脑区之间的脑网络特征属性来进行分类，这些分类方法只考虑一个特征属性而忽略了脑网络的其他特征属性，而被忽略的特征属性很可能会对实验结果产生较大的影响。

因此，本发明将脑网络的多种特征属性进行基于权值的融合、同时使用新型图核技术，对脑网络进行分类，提高了脑网络分类的准确率。

发明内容

本发明所要解决的技术问题是，一种基于权值特征属性融合与新型图核技术的脑网络分类方法，提高脑网络分类的准确率。

本发明所采用的技术方案是，基于权值的多形式特征属性融合并使用了新型图核的脑网络分类方法，该分类方法由以下4个步骤构成：首先，将原始实验数据经过预处理后完成脑网络的构建；其次，根据不同的阈值来提取脑网络中多种脑网络属性值；第三，利用支持向量机训练所有数据，根据训练结果的优劣，在每种网络属性值里挑选分类效果最优的阈值参数，并将它们进行基于权值的特征属性融合；最后，使用基于新型图核的支持向量机训练融合后的特征向量；

本发明将原始的皮尔森相关系数矩阵与不同的特征数据进行线性融合，以此来提高分类的准确率；通过改进图分解方法，即构造一个小尺寸的子图结构，包含数个与该节点连接程度最大的点(即，皮尔森相关系数最大的点)，通过判别性函数来比较子图结构之间的相似性，从而构造出一种新型图核；

本发明的目的在于构造一种基于权值特征属性融合与新型图核的脑网络分类方法，能够提高脑网络分类的准确率，具有很好的实用性。

附图说明

图1是本发明方法实验流程图；

图2是采用本发明方法进行脑网络分类所得结果图；

图3是数据预处理流程图；

图4是采用本发明方法与其他8种方法的脑网络分类准确率对比图。相关实验方法分类准确率对比。

具体实施方式

基于权值特征属性融合与新型图核的脑网络分类方法实现流程如图1所示，该分类方法由4个步骤构成：首先，将原始实验数据经过预处理后完成脑网络的构建；其次，根据不同的阈值来提取脑网络中多种脑网络属性值；第三，利用支持向量机训练所有数据，根据训练结果的优劣，在各种网络属性值中挑选分类效果最优的阈值参数，并将它们进行特征属性融合；第四，使用基于新型图核的支持向量机训练融合后的特征向量，实现脑网络分类。