超顺序模式:测量大脑疾病网络中的高顺序连接关系

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:

• 大脑超级网络,以超图形表示,对于分析大脑区域的高阶相互作用至关重要.
• 现有的超图法往往忽略了超边缘内的加权信息,限制了它们在脑网络分析中的有效性.
• 轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 研究受益于先进的大脑超级网络分析.

研究的目的:

• 提出一种新的方法,即超级顺序模式 (HOP),用于表示和分析大脑超级网络.
• 解决现有方法的局限性,将加权信息纳入超边缘.
• 开发一个新的内核,基于顺序模式的超级网络 (OPHN),用于大脑超级网络相似性计算和疾病分类.

主要方法:

• 通过在加权的超边缘上利用顺序模式关系构建超顺序模式 (HOP).
• 开发了一个节点HOP (NHOP) 内核,用于测量大脑超级网络中的节点相似性.
• 引入了基于顺序模式的超级网络 (OPHN) 内核,以计算大脑超级网络相似性.

主要成果:

• 与最先进的方法相比,OPHN内核在分类大脑疾病 (MCI和AD) 中表现出更高的性能.
• NHOP内核成功地识别了神经障碍患者的大脑超级网络中改变的超级顺序模式.
• 实验结果验证了拟议的OPHN内核在脑疾病分类任务中的有效性.

结论:

• 拟议的OPHN内核为疾病分类的大脑超级网络分析提供了显著的进步.
• HOPs和NHOP内核为理解大脑网络中的复杂相互作用提供了新的工具.
• 这种方法有望改善MCI和AD等神经退行性疾病的诊断能力.