泛研网

公众版 查看说明
全球科研项目数据库2026版

静息态功能脑网络高阶复杂时空效应分析及建模研究

项目来源

国家自然科学基金(NSFC)

项目主持人

郭浩

项目受资助机构

太原理工大学

项目编号

61876124

立项年度

2018

立项时间

未公开

研究期限

未知 / 未知

项目级别

国家级

受资助金额

16.00万元

学科

信息科学-人工智能-认知与神经科学启发的人工智能

学科代码

F-F06-F0609

基金类别

面上项目

关键词

静息态脑网络 ; 高序功能脑网络 ; 功能超网络 ; 复杂网络 ; 机器学习 ; Resting-state Brain Network ; complex network ; high-order functional brain network ; functional hyper-network ; machine learning

参与者

陈俊杰；张月琴；程忱；温昕；李瑶；刘峰；张豪；刘鸿丽

参与机构

太原理工大学

项目标书摘要：人脑是大量神经元、神经元集群或者脑区相互作用的复杂网络。基于复杂网络理论的人脑连接组研究可以为理解大脑机制及精神类疾病的病理机制提供新的视角。人脑工作机理的复杂性体现在时间上的时变效应，空间上的多元关系以及二者之间的交互效应。由于受到方法的限制，传统的基于简单、低阶的功能网络构建方法，无法满足对人脑真实神经元活动的复杂交互效应的建模及分析。本项目将在已有研究的基础上，分别针对时间和空间维度，提出动态高序功能网络构建技术及多元功能超网构建技术，并提出基于随机分块模型的连接可信度分析技术以保证所建网络的可信度。在此基础上，提出高阶时空交互效应模型，反映脑区间存在的多元复杂交互作用的时变特性，模拟真实人脑的高阶复杂的活动机理。同时，提取高阶特征并构建分类模型，将研究成果应用于寻找精神类脑疾病影像学标志的实际应用中。本研究不仅是国际前沿基础科学问题，也是国家重大需求，具有重要的理论意义和应用价值。

Application Abstract: The human brain is a complex network of large numbers of neurons,neuron clusters or brain regions.The study of human brain connectome based on complex network theory can provide a novel perspective for understanding the brain mechanism and the pathological mechanism of mental disorders.The complexity of the human brain’s working mechanism is reflected in the temporal time-varying effect,the spatial multivariate relationship and the interaction effect between the above two factors.Due to the limitation of methods,the traditional low order resting state functional brain network construction method cannot satisfy the modeling and analysis of the complex interaction effect on real neuron activities of human brain.Based on the existing researches,respectively according to the temporal and spatial dimension,this project will propose the construction technologies of dynamic high-order functional network and multivariate hyper-network,and then propose the connection reliability analysis technology based on stochastic block model to ensure the reliability of the constructed network.Besides,the high order spatio-temporal interaction effect model is proposed,which reflects the time-varying characteristics of multivariate complex interactions in brain regions and simulates the high-order complex activity mechanism of real human brain.Meanwhile,the high-order features are extracted and the classification model is constructed.The results of our researches are applied to the practical application of finding imaging biomarkers of mental brain disease.This study is not only an international frontier basic science issue,but also a major national demand,which has important theoretical significance and application value.

项目受资助省

山西省

项目结题报告(全文)

人脑是现实世界中最为复杂的网络系统之一。近年来，将复杂网络理论应用在神经认知科学中，利用复杂网络基本原理等方法进行属性分析，以期发现网络基本属性及节点间潜在的拓扑关系，为人脑的研究提供了一个新的方向。尽管研究人员非常重视复杂脑网络领域的研究并做出了一些重要的发现，但是由于网络构建与分析技术的不成熟，这一领域仍然存在着诸多亟待解决的问题。特别是在脑网络构建分析方法论领域，由于受到传统简单、低阶的网络构建方法的限制，无论在时间维度分析以及空间维度分析等方法仍无法令人满意。目前所构建网络多为静止、二元的简单网络，而缺乏对真实神经元活动的动态性、多元性的表征能力。人脑工作机理是复杂的。其复杂性体现在时间上的时变效应及空间上的多元交互效应。只有完成构建时空交互效应模型，才能真正模拟脑工作机理的动态性和多元性。在分别完成高阶时间、空间效应分析的基础上，课题组构建高阶时空交互效应模型，反映脑区间存在的多元复杂交互作用的时变特性。同时，课题组利用基于不确定图的频繁子图挖掘方法，提取动态子图模式做为特征，力求从不同角度完成脑网络时空特征表征，增强组间差异表示能力，以提高分类准确率，辅助临床诊断。研究主要创新工作包括有:(1)高序功能连接网络构建及分析;(2)不确定功能脑网络构建及分析;(3)基于Elastic Net和Group Lasso方法的脑功能超网络构建及分析。本项目重点探讨静息态功能脑网络建模及分析关键技术，完善和发展基于复杂网络理论的脑网络分析方法论，并将研究成果应用于寻找弥散性脑疾病影像学标志的实际应用中。本研究是国际前沿的基础科学问题与解决重大脑疾病的早期诊断和干预这一国家重大需求的紧密结合，具有重要的科研价值和临床意义。

  • 排序方式：
  • 1
  • /

  • 1.GReS: Graphical Cross-domain Recommendation for Supply Chain Platform

    • 关键词：
    • Clock and data recovery circuits (CDR circuits) ; Forestry ; Trees (mathematics);Commerce platforms ; Cross;domain recommendations ; Data sparsity problems ; Domain informations ; Down;stream ; E; commerces ; Recommendation performance ; Supply chain platforms ; Target domain ; Users' interests
    • JingZhiwen;ZhaoZiliang;FengYang;MaXaochen;WuNan;KangShengqiao;YangCheng;ZhangYujia;GuoHao
    • 《31st ACM International Conference on Information and Knowledge Management, CIKM 2022》
    • 2022年
    • October 17, 2022 - October 21, 2022
    • Atlanta, GA, United states
    • 会议

    Supply Chain Platforms (SCPs) provide downstream industries with raw materials. Compared with traditional e-commerce platforms, data in SCPs is more sparse due to limited user interests. To tackle the data sparsity problem, one can apply Cross-Domain Recommendation (CDR) to improve the recommendation performance of the target domain with the source domain information. However, applying CDR to SCPs directly ignores hierarchical structures of commodities in SCPs, which reduce recommendation performance. In this paper, we take the catering platform as an example and propose GReS, a graphical CDR model. The model first constructs a tree-shaped graph to represent the hierarchy of different nodes of dishes and ingredients, and then applies our proposed Tree2vec method combining GCN and BERT models to embed the graph for recommendations. Experimental results show that GReS significantly outperforms state-of-the-art methods in CDR for SCPs. © 2022 ACM.

    ...
  • 排序方式：
  • 1
  • /