换一批基于相位相干图自编码器的阿尔茨海默病分类
Classification of Alzheimer's Disease Based on Phase Coherence Graph Autoencoder
摘要传统主特征向量动力学分析(leading eigenvector dynamics analysis,LEiDA)在数据降维策略采用线性降维方法,忽略了大脑的非线性信息,同时在大脑状态识别使用k-means硬聚类方法,粗略的标准划分容易忽略一些非典型子状态及特征.针对这一问题,提出基于相位相干图自编码器(phase coherence graph autoencoder,PCGAE)分析方法.该方法利用PCGAE对大脑数据降维,并使用软硬聚类联合分析方法进行特征提取并对差异结果进行特征选择,最后利用支持向量机构建分类模型来检验分类效能.结果表明:所提方法在降维上具有更加优秀的聚类效应,并且在分类结果优于传统的LEiDA分类结果,达到83.7％.证明了该方法可以更好地进行动态功能模式分析和疾病分类.
更多相关知识
关键词
相位相干图自编码器(PCGAE)阿尔茨海默病软硬聚类联合分析静息态功能性磁共振成像(rs-fMRI)分类phase coherence graph autoencoder(PCGAE)Alzheimer's diseasecombined soft-hard clustering analysis methodresting-state functional magnetic resonance imaging(rs-fMRI)classification
栏目名称
DOI
10.12404/j.issn.1671-1815.2500509
发布时间
2025-12-24（万方平台首次上网日期，不代表论文的发表时间）
基金项目
山西省科技厅基础研究计划（20210302123129）
山西省科技厅基础研究计划（20210302123099）
山西省科技厅基础研究计划（20210302124166）
山西省科技厅基础研究计划青年项目（202203021222095）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
