1、近年來，隨著醫(yī)學(xué)成像技術(shù)的發(fā)展，從神經(jīng)影像中發(fā)現(xiàn)對腦疾病敏感的生物標(biāo)記和結(jié)構(gòu)或功能連接特性，并用于腦疾病的分類，己成為一個新的研宄熱點?；跀?shù)據(jù)挖掘和機器學(xué)習(xí)的技術(shù)，對腦網(wǎng)絡(luò)進行分析，并從中發(fā)現(xiàn)規(guī)律，以用于對未知數(shù)據(jù)的預(yù)測，己成為研宄趨勢。本文基于圖挖掘的技術(shù)，對腦網(wǎng)絡(luò)分類開展了研宄。本文的主要創(chuàng)新點和研宄工作總結(jié)如下：
　　首先，提出了基于單網(wǎng)絡(luò)的頻繁和判別子網(wǎng)絡(luò)挖掘的腦網(wǎng)絡(luò)分類方法。我們的假設(shè)是同組的腦網(wǎng)絡(luò)存在相同的子網(wǎng)絡(luò)，而

2、不同組之間存在判別性的子網(wǎng)絡(luò)。便利用不同組間的頻繁和判別子網(wǎng)絡(luò)進行腦網(wǎng)絡(luò)的分類。具體而言：首先使用頻繁子圖挖掘技術(shù)在不同腦網(wǎng)絡(luò)組挖掘頻繁子網(wǎng)絡(luò)，然后基于所提出的判別子網(wǎng)絡(luò)選擇算法選出最具判別性的子網(wǎng)絡(luò)，最后用基于圖核的分類方法對腦網(wǎng)絡(luò)進行分類。實驗結(jié)果表明，提出的方法不僅能顯著提高學(xué)習(xí)算法的分類性能，而且對檢測出可能對疾病敏感的功能性連接、結(jié)構(gòu)性連接和腦區(qū)表現(xiàn)了一定的潛力。
　　其次，在單網(wǎng)絡(luò)的基礎(chǔ)上提出了基于多網(wǎng)絡(luò)融合的頻繁和判

3、別子網(wǎng)絡(luò)挖掘方法。我們的假設(shè)是，使用不同的閾值對連接網(wǎng)絡(luò)進行閾值化后產(chǎn)生不同的閾值化網(wǎng)絡(luò)，而不同閾值對應(yīng)的閾值化網(wǎng)絡(luò)具有不同層次的拓?fù)浣Y(jié)構(gòu)網(wǎng)絡(luò)特性，目的便是充分利用這些不同層次的拓?fù)浣Y(jié)構(gòu)網(wǎng)絡(luò)特性。具體地，在每一種選擇的閾值下，使用該閾值對全連接網(wǎng)絡(luò)進行閾值化。這樣，對于每一種閾值化的連接網(wǎng)絡(luò)，都進行頻繁和判別子網(wǎng)絡(luò)挖掘，并將每個閾值對應(yīng)的判別子網(wǎng)絡(luò)組合在一起。實驗結(jié)果表明，多網(wǎng)絡(luò)融合的頻繁和判別子網(wǎng)絡(luò)挖掘算法可以獲得更穩(wěn)定的分類性能，并