概括
本研究介绍了顺序模式树 (OPT),这是一个用于大脑网络分析的新方法,它结合了边缘权重和等级关系. 提出的基于最佳运输的顺序模式树 (OT-OPT) 内核有效测量大脑网络的相似性,在分类和回归任务中表现优于现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 图形理论 图形理论
- 机器学习 机器学习
背景情况:
- 大脑网络分析通常使用图形理论,但往往忽略了边缘权重信息.
- 目前用于表示大脑网络的现有方法在捕捉复杂关系方面存在局限性.
研究的目的:
- 提出一种新的脑网络表示方法,即使用边缘权重和层次结构的顺序模式树 (OPT).
- 开发一种基于运输的最佳顺序模式树 (OT-OPT) 内核,用于测量大脑网络相似性.
- 评估OT-OPT方法在对分类和回归任务的基准数据集的有效性.
主要方法:
- 使用顺序模式树 (OPT) 来表示大脑网络,其顺序边缘来自加权边缘关系.
- 开发基于最佳运输 (OT) 的顺序模式树 (OT-OPT) 内核,以计算OPT之间的相似性.
- 利用最佳运输距离来计算OT-OPT内核中的节点运输成本,证明其正确性.
主要成果:
- 拟议的顺序模式树 (OPT) 方法有效地利用大脑网络中的权重信息和层次节点关系.
- 与现有的基于图形的方法相比,OT-OPT内核在测量大脑网络相似性方面表现出卓越的性能.
- 对ADHD-200,ABIDE和ADNI数据集的实验结果显示,分类和回归任务的显著改善.
结论:
- 顺序模式树 (OPT) 为大脑网络表示和分析提供了一种强大的新方法.
- OT-OPT 内核提供了一个强大的和有效的测量大脑网络相似性.
- 拟议的方法推进了用于临床应用的神经成像分析的最新技术.
