您当前的位置： 首页 > 论文 > 2023,54(05) > 信息与计算机
扫 码 阅 读
基金项目:
国家自然科学基金资助项目(61873178；61906130)
分类号:
TP181
DOI:
10.16355/j.tyut.1007-9432.2023.05.012
期刊号:
2023,54(05)
收稿日期:
2022-02-08
修回日期:
2022-04-10
| 通讯作者 | 单位 |
| 武淑红 | 太原理工大学信息与计算机学院 |
摘要:
【目的】 从脑网络中提取准确的判别性特征作为分类特征，可以提高SCZ的分类准确率，避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息，最小生成树丢失了部分脑区连接，子图虽然保留了拓扑信息，但传统的判别子图的筛选会产生部分冗余信息，进而影响分类准确率。【方法】 提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen，FSS)，使用FSS筛选判别子图，在不损失原有判别信息的情况下，消除冗余信息。使用OpenfMRI的公开数据，对比了使用不同特征和不同分类算法的分类性能。【结果】 FSS特征的分类性能优于其他传统脑网络特征，且该特征不受分类算法影响，分类准确率优于已有SCZ分类文献。
关键字:
精神分裂症；结构和功能网络；特征选择；判别子图；分类;