计算机应用

作者：李瑶, 赵云芃, 李欣芸, 刘志芬, 陈俊杰, 郭浩

单位：1. 太原理工大学 信息与计算机学院, 山西 晋中 030600;2. 太原理工大学 艺术学院, 山西 晋中 030600;3. 山西医科大学第一医院 精神卫生科, 太原 030000

关键词：超网络,sparse group Lasso,基于一对节点的聚类系数,多核学习,抑郁症,机器学习

基金：国家自然科学基金资助项目（61672374，61741212，61876124，61873178）；国家留学基金资助出国留学项目（201708140216）；山西省科技厅应用基础研究项目青年面上项目（201601D021073，201801D121135）；山西省教育厅高等学校科技创新研究项目（2016139）；教育部赛尔网络下一代互联网技术创新项目（NGII20170712）；山西省重点研发计划项目（201803D31043）。

功能超网络广泛地应用于脑疾病诊断和分类研究中，而现有的关于超网络创建的研究缺乏解释分组效应的能力或者仅考虑到脑区间组级的信息，这样构建的脑功能超网络会丢失一些有用的连接或包含一些虚假的信息，因此，考虑到脑区间的组结构问题，引入sparse group Lasso（sgLasso）方法进一步改善超网络的创建。首先，利用sgLasso方法进行超网络创建；然后，引入两组超网络特有的属性指标进行特征提取以及特征选择，这些指标分别是基于单一节点的聚类系数和基于一对节点的聚类系数；最后，将特征选择后得到的两组有显著差异的特征通过多核学习进行特征融合和分类。实验结果表明，所提方法经过多特征融合取得了87.88%的分类准确率。该结果表明为了改善脑功能超网络的创建，需要考虑到组信息，但不能逼迫使用整组信息，可以适当地对组结构进行扩展。

来源：2020年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第1期