一种面向脑疾病分类的模块化特征选择方法与流程

技术特征：
1.一种面向脑疾病分类的模块化特征选择方法，其特征在于，包括以下步骤：步骤一：对采集到的每个被试的大脑功能磁共振图像进行预处理，包括：时间矫正、头动矫正、空间配准、滤波、平滑操作；在预处理之后选定一种标准化大脑分区模板与预处理后的功能磁共振图像进行匹配，划分图像为若干个大脑区域，每个脑区分别对应大脑功能网络中的一个节点；步骤二：提取所有脑区对应的平均时间序列，计算两两脑区的pearson相关系数，构建大脑功能脑图g(v,e,w)，其中v表示网络中m个节点的集合，即大脑区域的集合，e表示边的集合，即脑区之间连接的集合，w∈r
m
×
m
为图的邻接矩阵；步骤三：利用有符号的谱聚类方法找到脑图的模块化信息，具体的算法如下：(1)根据邻接矩阵w构造有符号的度矩阵d；要构造的模块数目k；(2)构造有符号的标准拉普拉斯矩阵l＝i
‑
d
‑
1/2
wd
‑
1/2
；(3)计算l的前k小个特征值对应的特征向量u1,
…
,u
k
；(4)令u＝(u1,
…
,u
k
)，将u中的每一行作为一个点，使用k
‑
means进行聚类，得到模块划分(a1,
…
，a
k
)；步骤四：利用模块化信息重新排列邻接矩阵，使得同一个模块里的节点能够彼此相邻；步骤五：使用具有先验模块化信息的group
‑
lasso选择判别性特征；步骤六：将选择的判别性特征输入到线性svm分类器中得到分类结果。2.如权利要求1所述的面向脑疾病分类的模块化特征选择方法，其特征在于：所述的步骤四包括以下具体步骤：(1)对每个被试的邻接矩阵w重新排列，使属于同一个模块的节点彼此相邻；(2)将每一个重排的邻接矩阵的上三角元素的列向量拼接成一个维数为m(m
‑
1)/2的向量，即功能连接向量；(3)将每个被试的功能连接向量共同组合成一个功能连接聚合矩阵x＝[x
w x
b
]∈r
n
×
d
，其中n表示被试的个数，d＝d
w
d
b
表示全部的特征数目即边的数目；聚合矩阵x由两部分组成，第一部分是它包含每个模块内部的d
w
条边，把每个模块作为一个特定的组；第二部分是组；第二部分是它包含k个模块间的d
b
条边，把每条边作为一个单独的组；这样，d个特征可以被分成g＝k d
b
个组，每个被试的功能脑图都可以用模块内的特征边和模块间的特征边来表示。3.如权利要求2所述的面向脑疾病分类的模块化特征选择方法，其特征在于包括以下步骤：由于x∈r
n
×
d
是针对n个样本的设计矩阵，并且被自然地划分为g个组，定义d
g
为第g(g＝1，
…
，g)个组中的特征个数，y∈r
n
为标签向量，那么，模块化特征选择方法可表述为：其中，λ>0是正则化参数，ω是每个特征的加权系数，它也被分成g个组，ω
g
表示第g个组对应的加权系数；上述式子中的第二项可以生成一个稀疏解，并且使得ω中有些元素被压缩成零，这样有助于选择那些在ω中系数为非零的特征边。

技术总结
本发明公开了一种面向脑疾病分类的模块化特征选择方法(Modular


技术研发人员：张丽梅 乔立山 张阳阳
受保护的技术使用者：聊城大学
技术研发日：2021.07.12
技术公布日：2021/10/19