基于相对极差的不确定脑网络特征提取与分类

近年来,脑网络被广泛应用在脑部疾病的诊断和分类中.考虑到大脑的不确定性特征,先前的研究将不确定图应用在脑网络建模中.在不确定脑网络研究中,传统的特征提取方法多采用均值、方差、极差等进行子图特征提取,但是它们存在泛化性能差以及子图间差异无法直接衡量的问题,进而影响分类准确率.因此,相对极差被提出作为新的特征提取方法.这一方法的优点在于既考虑到子图模式间的最大差异,又考虑到子图模式间的组间差异,可以有效避免传统方法的弊端.结果表明,相对极差与其他特征提取方法相比,其分类性能显著高于传统方法.同时,在不同的特征选择方法下相对极差表现出较好的分类性能,具有很强的泛化性.该研究为不确定脑网络特征提取方法提供了重要的参考意义.