摘要：为了深入表征和刻画精神分裂症患者大脑活动时各个电极通道的状态变化,通过利用复杂网络同步稳定理论以及精分工作记忆实验范式对EEG信号进行分析。从复杂网络角度出发构建脑功能网络,并利用特征谱比值法分析脑网络及其同步性随时间的演化过程。对比实验表明精分患者和正常对照组同步能力具有很大差异且差异主要源于对应脑网络的一个局部化区域S的不同,并通过设计对比实验进一步验证此区域对脑网络同步影响的有效性。脑网络同步稳定区域S的发现对研究神经精神性疾病下脑网络的演化过程提供了新的思路。

摘要：为提高利用脉冲耦合神经网络(pulse coupled neural network,PCNN)模型进行人脸识别时的准确率,并解决利用PCNN进行人脸识别时,模型中多个参数需凭经验设定的问题,提出一种基于脉冲发放强度的PCNN(QD-PCNN)模型和改进的网格搜索算法。QD-PCNN模型在简化的PCNN模型基础上,引入脉冲发放强度,细化模型的输出。改进的网格搜索算法在进行参数寻优时,根据识别对象,在较大范围内搜索,在得到的寻优结果附近区域进行精确搜索。在实验中,将通过改进的网格搜索法得到的参数组合运用到QD-PCNN模型中进行人脸识别,实验结果验证了该方法的有效性。

摘要：针对传统的活动轮廓模型不能有效处理灰度非均匀图像以及权重参数需要手动调节等问题,提出一种基于最大类间方差的权重参数自动调节模型。将最大类间方差的思想引入LIF模型并作为局部项,通过最大化目标和背景的类间差异提高分割准确度;将C-V模型作为全局项降低对初始轮廓的敏感性;引入图像熵自适应调节局部项与全局项的比重,提高运算效率和精度。实验结果表明,该模型对多种灰度非均匀和噪声图像均可实现理想分割,对初始轮廓的位置不敏感,提高了分割效率。

摘要：为提高利用脉冲耦合神经网络(pulse coupled neural network,PCNN)进行人脸识别时的准确率,提出基于加权强度PCNN模型的分块人脸识别方法。在简化PCNN模型的基础上,引入自发脉冲发放强度、耦合脉冲发放强度和加权强度的概念,细化模型的输出;根据人脸图像各部分灰度分布的不同和局部识别率的不同,将人脸图像进行分块;进行人脸识别时,分块的权值会根据分块图像的局部信息熵自适应地设定,模型的参数会根据分块图像内容设定,一幅人脸图像的识别结果会综合各分块的识别结果。多个数据库上的实验结果表明,该算法可以有效地提高识别率。

摘要：为解决面向一般图的频繁子图挖掘忽略了脑网络自身特点的问题,根据脑网络结点唯一性的特点,提出面向脑网络的不确定图上的频繁子图挖掘算法。针对已有的不确定图判别性特征选择方法分类精度不高的问题,提出几种判别性特征选择方法。通过计算子图模式在样本中出现概率的均值、方差等指标,结合已有确定图中的判别分数函数,计算子图模式的判别分数。实验结果表明了该方法的有效性。

摘要：为比较3类链路预测指标(共同邻居、节点的度以及将二者相结合)中哪类指标更适用于功能脑网络建模,从5种脑网络全局与局部属性的角度分析建模效果,提出一种评价模型网络与真实网络整体相似度的指标"E值"。采用将脑网络结构与功能特性相结合的方法进行建模,结构特性为解剖距离,功能特性为节点相似度。实验结果表明,不同的链路预测指标对网络属性的拟合程度各不相同,从整体拟合度E值来看,共同邻居最好,共同邻居与度相结合次之,度最差。

摘要：为克服传统使用单一尺度的脑网络特征进行精神疾病分类的局限性,提升抑郁症临床诊断率,对使用静息态功能磁共振成像数据得到的多尺度脑网络局部特征分类进行研究。通过将影像划分为不同规模的区域,构建不同尺度的脑网络;在利用统计分析对不同尺度网络下的局部属性进行特征选择的基础上,用支持向量机对抑郁症患者与正常被试进行分类并验证尺度的影响因素。实验结果表明,小尺度脑网络的分类准确率高于大尺度分类准确率,尺度减小带来有效特征数的提升会影响分类结果,进一步验证了尺度划分在脑网络数据分类中的重要性。

摘要：针对传统的结构脑网络构建以及分析方法缺乏对网络中连接的可信程度的验证,且在现有的研究中对结构脑网络进行优化的方法存在缺陷,介绍一种基于随机分块模型的算法,对结构脑网络中的连接可靠性进行量化评价,作为基础对网络结构进行优化。利用网络中节点间的模块化结构,以及节点间是否存在连接依赖于节点在网络中起到的作用这两个属性,将节点分为模块,迭代多次,直到节点发挥其最大作用为止。通过与真实网络相比较,验证该方法是否可以应用在结构脑网络。结果表明,在不同的网络稀疏度情况下,使用该算法优化后的网络的正确边的比率,均远高于原有的方法说明该方法对结构脑网络的优化有显著效果。

摘要：现有的超网络模型仅将局部脑区指标作为特征,忽略了网络的全局拓扑信息,导致分类性能降低。因此,提出一种基于判别子图的超网络功能磁共振影像分类方法,在构建超网络的基础上,将判别子图作为特征,采用基于图核的支持向量机分类器进行分类。该方法可以反应多个脑区之间的交互作用,不丢失网络的全局拓扑信息。通过对阿尔兹海默症患者和正常被试数据集进行分类,验证了该方法的有效性。

摘要：为解决现有脑网络构建方法存在的不足,研究功能连接的动态特性,改进之前研究提出的高序功能连接网络的构建方法,提出一种构建高序最小生成树功能连接网络的方法,将时变特性考虑到固有的功能连接网络中,保证网络在神经学上的可解释性,相比传统的功能连接网络,高序最小生成树功能连接网络揭示了更高层次的和更复杂的交互关系。提出基于高序最小生成树功能连接网络的静息态功能磁共振成像分类方法,与现有的分类方法进行比较,分类结果表明,基于高序最小生成树的磁共振成像分类方法提高了抑郁症检测的准确率。