由于静息态功能磁共振成像（Resting Functional Magnetic Resonance Imaging,R-f MRI）技术的发展和成熟,现如今已被广泛应用于预测抑郁症等精神疾病中。超网络因能充分反应各个脑区之间的互动而被广泛应用。现有的超网络构建多是基于稀疏表示方法,传统的基于LASSO的稀疏表示方法缺乏解释脑区之间的组效应的能力,因而提出基于分组的超网络构建方法,但仍存在局限性:一方面它们多是基于自动分组,忽视了人脑中复杂的先验组结构;另一方面它们只能进行单级选择而忽略了人脑中复杂的层次关系;另外,由于惩罚函数对系数的过强压缩,导致模型中目标变量回归系数的有偏估计,使得噪声变量在压缩的同时,目标变量也进行了一定程度的压缩。因此,本文考虑到这些问题,并在组效应的基础上,提出三种基于预定义分组的无偏稀疏模型的超网络构建方法以改进原有方法:复合最小最大凹惩罚（Minimax Concave Penalty,MCP）方法、组MCP方法以及组平滑剪裁绝对值偏差（Smoothly Clipped Absolute Deviation,SCAD）方法。第一种方法既能在组间进行变量选择,又能选择组内重要变量,称为双级选择;后两种方法则不具有双级选择能力,只能在组级上进行变量选择。但复合MCP和组MCP方法均是基于最小最大凹惩罚的无偏稀疏模型,而组SCAD是基于平滑剪裁绝对值偏差方法,并将SCAD惩罚应用到组的层面上,从而实现组级选择。实验结果表明,三种方法的超网络在结构上具有差异。组MCP方法和组SCAD方法构建的超网络结构相似,但二者与基于复合MCP方法构建的超网络结构差异较大。分类结果表明复合MCP方法得到较另两种方法好的分类表现。因此在基于预定义分组的超网络构建方法中,复合MCP方法具有较好的解释组效应的能力。本文提出的方法所构建的脑功能超网络可以更好地表达抑郁症患者与正常对照的结构差异,具有重要的理论意义和临床价值。本文的主要创新工作有以下几点:第一,提出基于预定义分组的脑功能超网络构建方法。自动组效应模型只是对具有强相关性的变量实现组选择,没有考虑到人脑中天然形成的组结构。预定义分组模型可对任意变量进行组选择,同时也考虑到人脑中具有相关性的变量。复合MCP、组MCP以及组SCAD方法均通过人为定义分组数目,使用聚类算法将具有相关性的变量划分到特定的组里,重复多次,可对任意变量进行组选择。第二,提出基于无偏稀疏模型的脑功能连接建模方法。复合MCP、组MCP和组SCAD方法均是基于无偏稀疏模型进行超网络构建的。LASSO模型是传统的构建脑网络的方法,但该方法是有偏估计,主要体现在求解稀疏线性模型过程中,对目标变量回归系数的估计上。而LASSO产生有偏估计的原因在于其对噪声变量和目标变量的回归系数的压缩程度是相同的。于是针对LASSO的有偏估计这一缺点,引入了无偏稀疏模型。相比于LASSO方法,三种超网络构建方法所使用的无偏稀疏模型对目标变量回归系数的压缩程度表现出逐渐减小,甚至对目标变量回归系数的压缩彻底消除也是有可能的。第三,提出基于变量的双级选择方法。复合MCP方法在组结构的基础上,引入了双级选择,指既能在组级层面上进行变量选择,又能在组内选择重要的变量,因而变量选择更为严格,但最能反映人脑中复杂的层次结构。结果表明,双级选择的复合MCP方法具有最好的分类表现。本文提出的三种脑功能超网络构建方法,可以有效解决针对LASSO以及以LASSO为基础的各种稀疏表示模型的有偏估计的问题,更好地表达了人脑结构中复杂的层次关系。实验结果表明,基于预定义分组的无偏稀疏模型脑功能超网络构建方法,具有较好的分类表现和分类权重。本文工作受到了国家自然科学基金项目（61472270,61672374,61741212,61876124,61976150）、山西省重点研发计划项目（201803D31043）、山西省科技厅应用基础研究项目青年面上项目（201801D121135,201803D31043）、山西省教育厅高等学校科技创新研究项目（2016139）以及教育部赛尔网络下一代互联网技术创新项目（NGII20170712）的支持。本文的重点是无偏稀疏模型的超网络构建方法对抑郁症患者的分类研究,具有重要的理论意义和临床价值。

利用脑网络模板对脑网络进行构建是当前脑网络疾病领域的一个研究重点,该方法为脑神经疾病的诊断提供了一种更有效的技术。研究发现,不同模板定义下的网络节点规模的差异对网络的结构及其拓扑属性会产生极大影响。然而,传统单一模板构建的网络忽略了节点的规模,也缺乏不同节点规模对拓扑属性可信度影响的探究。同时,对于机器学习方法中网络节点规模的差异是如何影响网络结构、分类准确率的仍在研究中。为解决这些问题,本文在前人的基础上,针对节点规模对网络拓扑属性、分类特征表现、选择策略及分类准确率的影响进行深入研究。以下为本文的主要工作:第一,定义多节点模板并构建网络。本文使用纽约大学公开的正常被试的数据集和山西医科大学抑郁症的数据集分别进行脑区划分,得到五个不同节点数量的脑网络。第二,探究不同节点数量对拓扑属性的影响。对纽约大学公开的正常被试的数据集构建的不同节点规模的脑网络的局部属性进行提取,然后对比拓扑属性的差异,最后对脑网络的功能连接和网络拓扑属性的可靠性进行分析。第三,探究节点规模对分类特征的选择及性能的影响。首先提取抑郁症数据集构建的不同节点规模的脑网络的局部属性,然后通过K-S检验法在局部属性之间进行统计分析,经过判断,选取判别性特征（显著性差异的属性）作为分类特征,采用SVM对抑郁症与正常人进行分类。第四,使用最大相关最小冗余法对特征间的冗余性进行分析,并判断不同节点规模的脑区间的距离对冗余度的影响与传统的统计显著性的特征选择方法在不同节点规模的可行性,最后检验实验中高维特征是否存在过拟合问题。综合考量发现,随着空间节点数量的增加,网络结构的可靠性在逐渐提高,分类效果也在不断改善。结果表明,不同节点规模得到的特征有效性相当,即节点数量多的模板虽然不能提供更有效的特征,但是,却可以提供更多的有效特征,这将导致分类准确率的提升。同时,节点数量多的模板由于脑区间距离更接近,特征间的冗余程度也在增强。文中还发现传统的统计显著性的特征选择方法在不同节点规模下均可行,但分析结果表明,传统的0.05的阈值设置过于严格。本研究得到国家自然科学基金（61672374,61741212,61876124,61873178）,山西省自然科学基金（201601D021073,201801D121135）,山西省高校科技创新项目（2016139）的研究资助。山西省重点研发（R＆D）项目（201803D31043）。本文的研究重点在于多节点模板定义及网络构建,在此基础上进一步探讨了网络节点规模对网络拓扑属性以及分类特征的选择及性能的影响。本文为今后将脑网络拓扑属性应用到机器学习方法时,为构建网络选择合适的模板提供了一定的参考价值。

大脑是一个复杂且精密的器官,尽管人类对大脑的结构以及功能有了一定的认知,但鉴于大脑以及与其相关联器官运作的复杂程度,人类对大脑的探索还在继续。有研究表明,脑疾病的出现与大脑某些区域无法正常工作有关。近年来,核磁共振技术的发展为脑疾病的预防与诊断提供了技术支撑,图论的引入使得脑网络成为了研究的热点。研究者们将脑网络与人工智能领域中应用较广泛的计算机技术如:机器学习、深度学习等结合起来,对脑网络进行频繁子图挖掘、特征提取与选择、分类等工作,进而获得与疾病有关的生物学标志。传统的脑网络研究主要集中在确定图上,该方法忽略了脑网络间的不确定性信息,而且在构建确定图时需要考虑稀疏度选择的问题,但是目前稀疏度的选择并没有黄金标准。因此,有研究者将不确定图应用到大脑的建模中,构建不确定脑网络,它能够很好地体现脑区间的不确定性信息。通过对比已有的不确定脑网络和确定脑网络的研究发现,从分类准确率的角度无法说明使用哪一种模型对大脑建模是有效的。而且,目前对脑网络模型的选择并没有黄金标准。另外,在传统的不确定脑网络研究中,均值、方差、极差等统计指标被用于特征提取。但是,均值存在分类准确率低、泛化性能差的问题;方差反映的是子图模式间的平均差异,其结果是对样本值取平方,无法直接反映子图间的个体差异;极差由计算公式可知它反映的是子图间的最大差异,受最大值最小值影响较大,无法直接衡量子图间的差异。因此,为了解决上述的两个问题,本文的主要工作为:（1）提出了基于独立成分分析的不确定脑网络构建方法考虑到脑网络所具有的不确定性特征,本文将不确定图应用到脑网络建模中。同时,不确定图对应的节点由组独立成分分析方法来确定。该方法采用盲源信号分离方法,加入了组元素,将其应用在群体水平上,其获得的结果具备统计学意义。与传统方法中使用脑图谱对脑部进行划分的方法相比,该方法无先验模板的要求,避免了因为采用不同模板而对实验结果产生的影响,能够更好地反映不同成分间所蕴涵的空间关系。（2）提出了基于判别性子图的不确定脑网络与确定脑网络的对比方法考虑到脑网络的不确定性特征,传统方法中使用的确定图对大脑进行建模忽略了大脑的不确定性特征。但是通过对已有实验中不确定脑网络与确定脑网络的分类结果进行对比,从最终的准确率方面无法说明两种模型的优劣。且目前没有相应的研究表明使用哪一种模型进行脑网络建模的效果更好,这对于以后的研究中两种模型的使用情况没有一个有效的参考。因此,以判别性子图为特征,本文提出了不确定图子图模式稀疏度化和确定图子图模式权值化的双向对比方法,对不确定脑网络模型和确定脑网络模型进行脑疾病的分类性能对比,从分类准确率的角度判断选用哪一种模型对大脑进行建模是合适的且能够有效地对脑疾病进行预测。（3）提出基于相对极差的特征提取方法通过分析已有统计指标均值、方差、极差中存在的问题,本文提出了相对极差作为新的统计指标进行特征提取,它是均值和极差的结合,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,可以有效克服原有方法中统计指标所存在的受最大最小值影响较大以及子图差异无法直接衡量的问题,并结合相应的判别分数函数进行特征选择,最终构建特征矩阵进行分类。结果表明:稀疏度在（0.05-0.25）范围内,不确定脑网络的分类性能优于确定脑网络,而稀疏度在（0.25-0.40）范围内,确定脑网络分类性能优于不确定脑网络。本结论为以后脑疾病诊断中脑网络的模型选择提供了参考。另外,本文提出的相对极差作为新的特征提取方法,其分类性能显著高于已有统计指标均值、方差、极差。且该指标在不同的特征选择方法下表现出较好的分类性能,具有很强的泛化性。本文重点研究了不确定脑网络模型和确定脑网络模型的对比方法,并提出了新的特征提取方法,旨在找到最适合脑网络建模的模型以及最具有判别力的特征,为脑疾病的预防和诊断提供方法。

人脑是现实世界中结构复杂、功能强大的系统之一。目前,人脑内的结构和功能连接模式已经成为神经影像学研究领域越来越受关注的主题。在传统的神经影像学研究分析中,通常利用单一脑图谱模板划分脑区进而构建脑网络。然而,利用单个脑图谱模板提取的脑网络拓扑特征可能不足以揭示患者组和对照组之间的潜在差异。具体地,不同的脑图谱模板对所构建网络的结构及其拓扑属性影响很大。此外,网络的不同分割节点数量对网络的小世界属性、局部属性、功能连接强度以及网络连通性均存在显著影响。同时,脑图谱模板的不同对网络的影响还体现在以网络拓扑属性作为特征的分类中。然而,以往基于多模板脑网络的研究在选择模板时忽略了各个脑模板构建的脑网络中存在潜在的拓扑关联信息。基于此,本文提出一种基于参数自寻优框架的关系诱导稀疏多模板特征选择模型,通过建立不同模板以及不同被试之间的关联关系,挖掘出了多个模板间脑区的对应关系以及不同模板下同一被试的对应关系,表征了具有多个脑图谱模板对于网络拓扑属性的显著影响。本文主要研究工作如下:第一,提出一种基于参数自寻优框架的关系诱导稀疏多模板特征选择模型。关系诱导稀疏模型用于提取不同被试在同一脑图谱模板中的相关关系以及同一被试在不同脑图谱模板下的相关关系。针对该模型中涉及的三个参数的优化问题,本文利用网格搜索与随机搜索相结合的方法构建了参数自寻优框架。为评估这一多模板下特征选择方法的功效,本文分别在基于功能核磁共振成像的抑郁症分类研究和基于弥散张量成像的艾森克人格分类研究的两组实验中进行验证。第二,在基于功能核磁共振成像的抑郁症数据集中验证。该实验将基于参数自寻优框架的关系诱导稀疏模型应用在抑郁症被试的特征选择中,研究结果表明,功能核磁共振成像采集的数据集通过利用本文提出的方法取得了比传统多模板方法更高的分类准确率。该结果证明了基于参数自寻优框架的关系诱导稀疏模型应用在功能核磁共振成像的数据集中是可行并且有效的,同时证明了多个脑图谱模板间存在潜在相关关系,表征了多模板对于功能脑网络拓扑属性的显著影响,针对现有的脑网络领域中仅使用单一脑图谱模板及传统多模板方法的不足,实现了在静息态功能核磁共振成像的分类研究上的突破,为抑郁症数据的分类研究提供了新的参考方案。第三,在基于弥散张量成像的艾森克人格数据集中验证。该实验将基于参数自寻优框架的关系诱导稀疏模型应用在不同人格被试的特征选取中,实验结果显示,弥散张量成像采集的数据集通过利用本文提出的方法取得了比传统多模板方法更高的分类准确率。基于以上结果,本文肯定了基于参数自寻优框架的关系诱导稀疏模型在弥散张量成像数据集中的可行性及有效性,为基于弥散张量成像的病理学诊断的多模板研究奠定了基础,同时为未来突破人格分类研究提供了有力的支持。本研究得到国家自然科学基金（No.61672374,61873178,61741212,61876124）,山西省自然科学基金（201601D021073）,山西省科技厅应用基础研究项目（201801D121135）,山西省高校科技创新项目（2016139）的研究资助。研究还得到了山西省重点研发（R＆D）项目（201803D31043）以及教育部赛尔网络下一代互联网技术创新项目（NGII20170712）的支持。本文重点研究多模板下关系诱导稀疏特征选择模型的应用,并探索该模型参数的设置问题,提出参数自寻优框架以获得参数的最优组合。通过将这种方法应用在基于功能核磁共振成像的抑郁症数据集及基于弥散张量成像的艾森克人格数据集中,验证了该方法的有效性。本文为脑疾病的诊断提供了新的方法思路,并为行为学与神经影像学结合的相关研究提出了可供参考的研究方法。

复杂脑网络的分析与研究是近几年来神经精神疾病领域的研究热点。作为复杂网络理论在神经认知科学的具体应用,复杂脑网络在了解有关神经精神疾病的发病机理方面起到了很重要的作用。将图论应用于复杂网络中,会为复杂网络的研究提供更多的方向和思路。最小生成树是应用最为广泛的图论算法之一,作为新兴的有效研究手段,活跃于神经精神疾病的相关研究中。该方法能够确保脑网络的连通性,按一定规则对边进行删减,最终获得总权重最小的生成树。在进行相关指标的计算时,其结果也不会受到网络大小以及密度等因素的干扰,同时,该网络在神经学上也具有良好的可解释性。尽管这一领域已经取得许多令人惊喜的成果,但仍然存在一些亟待解决的问题。先前的研究发现,传统最小生成树的特征提取方法使用局部可量化指标来分类脑疾病,忽略了低权重的连接和集群在大脑网络中信息处理的重要作用,造成网络中一些有用信息丢失,较其他网络特征而言,其分类正确性明显偏低,特征有效性和分类准确率都将会因此下降。在此基础上,本文希望找到一种综合方法既可以最大程度实现组间差异的表征,又能提供更多更有效的分类特征,以服务分类研究。为解决这些问题,本文提出了一种在局部差异网络的基础上构建最小生成树功能网络进行特征提取的新方法。具体的创新工作如下:首先,基于网络的统计被用于识别抑郁组与对照组间功能连接强度有明显区别的连接及连接所涉及的大脑区域,作为构建局部差异网络的第一步。该方法是对大型网络进行统计分析的一种处理图上多重比较问题的非参数统计的有效方法。许多研究已经使用这种方法来识别与实验效果或组间差异相关的连接以及包含人类连接体的网络。其次,对每个局部差异子网进行最小生成树脑网络的构建。所构建的网络在确保连通性的同时,尽可能保持较高的连接强度。本文分别构建以每个脑区及其差异连接所涉及的脑区为节点的局部差异网络,在此基础上,对每个子网进行最小生成树功能连接网络的构建,进行下一步的分析研究。最后,本文对局部差异最小生成树脑网络进行分类研究。大脑作为一种复杂网络,需要对其从多方面进行量化。在每一个局部差异最小生成树脑网络上进行全局和局部指标的计算,可以获得更多可用于分类的有效特征,能在一定程度上提升分类准确率。结果表明,与传统在全脑使用最小生成树构建脑网络的分类方法相比,本文的方法能够提供更多的有效特征,这将使分类准确率有明显的提升。本文为今后在脑网络拓扑属性分析及机器学习应用方面,对网络构建以及特征提取提供重要的可参考依据,也为医学辅助诊断和脑科学特别是脑疾病的研究提供一定的帮助。本文是国家自然科学基金项目《静息态功能脑网络高阶复杂时空效应分析及建模研究》（61876124）的主要组成部分。研究工作还得到了山西省科技厅应用基础研究项目（201801D121135）,山西省教育厅高等学校科技创新研究项目（2016139）,山西省科技厅重点研发计划项目（201803D31043）,教育部赛尔网络下一代互联网技术创新项目（NGII20170712）的支持。本文的关键是在局部差异最小生成树脑网络上进行相关的研究,以及发掘脑疾病患者在其脑网络上发生的改变,希望能获得可以为脑疾病早期诊断起到一定帮助的标志物。这一课题在国际和国内都非常热门且重要。

脑网络分析已广泛应用于神经影像领域的研究。传统功能连接网络大多是基于两两相关构建大脑区域之间的二阶关系,为有效构建大脑区域之间的高阶交互关系,基于超网络的脑功能构建方法被提出。超网络是基于超图概念下的复杂网络,超网络中的超边可用来表示多个脑区之间的交互作用。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归模型构建。现有的稀疏线性回归模型大多是采用套索的方法解决的。虽然套索方法应用广泛,但也存在几个缺点。首先,当预先知道了关于特征变量的次序信息时此方法显然忽略了变量之间的次序关系;其次此方法不能有效的解释分组效应信息。为有效解决分组效应的影响,有关研究曾将组套索方法引入来进行超网络构建,虽然有效解决了组效应问题但其仅适用于互不相交的组,对于有重叠的组来说仍不适用。为分析已有方法的上述两点不足是否会对脑功能超网络的结构产生不利影响,本文希望分别找到解决两点不足的数学建模方法,并尝试应用于脑功能超网络的模型构建上来,并将新模型应用于抑郁症患者的分类识别中来,以探索在新模型下是否会有更优的分类性能,以及在什么情况下会有最优的分类性能。本文将两种新的数学建模方法应用于脑功能超网络的模型构建中来,并在每个模型下进行了寻优实验。本文具体的创新工作包括以下三点:第一,基于套索方法在应用时,当预先知道了关于特征变量的次序信息时忽略了变量之间的次序关系的问题,本文提出将融合套索的方法应用于脑功能超网络的模型构建中来,融合套索的方法通过惩罚回归系数之差实现自动组效应,使解具有分段常数化的特点,可简单的解决前后相邻变量次序信息的问题。第二,基于已应用于脑功能超网络构建的方法未考虑脑区组间的重叠性问题,本文提出将重叠组套索的方法应用到脑功能超网络的模型构建中来。大脑结构复杂,不仅在完成某一特定功能时会涉及到多个脑区的协同合作,而且从另一个角度说,同一个脑区会对多种特定功能起作用,且在同一时间下,同一个脑区可能就参与了多种特定功能的实现,这就产生了大脑脑区在实现特定功能时的组间重叠性问题。重叠组套索方法从数学建模上就将组间可能出现的重叠问题考虑其中,将其应用到脑功能超网络的模型构建上可以有效的解决脑区组间重叠性问题。第三,在完成脑功能超网络模型构建后,要将其应用于相关脑类疾病的分类识别就必须找到患病者与正常人之间构建好的模型里具有显著差异性的特征,这就需要进行特征提取和特征选择的过程。在之前已应用于脑功能超网络构建的方法中,在特征提取过程中仅提取了最常用的三个不同角度的聚类系数属性,属性较为单一。在重叠组套索脑功能超网络构建方法下,本研究在特征提取阶段,还提取了另外三个属性,分别是最短路径、节点的超边数（边度）和节点的介质中心度,与聚类系数属性一起进行多特征融合分析,新加入的三个属性也是超网络模型研究领域中较为常用的特征,将其与原有特征进行融合分析会对最终分类模型的分类效果产生显著影响。研究分别基于以上三个创新点进行了实验设计,并与原有的常用的套索方法作比较分。结果表明,融合套索方法和重叠组套索方法下构建的超网络与套索方法下构建的超网络相比结构基本类似。在对同样被试下的三种方法构建模型的聚类系数属性作比较分析时,结果显示重叠组套索与套索方法下的结果高度相关,融合套索与套索方法下的结果具有一定的相关性。在对三种方法下的聚类系数属性进行差异分析时,结果显示融合套索方法与套索方法结果具有显著差异,重叠组套索方法与套索方法的结果略有区别但不具有显著差异。在对使用三种方法下构建的模型仅使用聚类系数特征进行抑郁症分类识别的准确率实验比较中,结果表明,与基于套索的超网络构建方法相比,基于融合套索的超网络构建方法下的分类效果有所下降,基于重叠组套索的超网络构建方法下的分类效果有所提高。在重叠组套索方法构建脑功能超网络模型后进行特征选择时,增加最短路径、节点度和介质中心度属性与聚类系数属性一起进行融合分析的实验中,结果表明,通过与仅使用聚类系数下的效果数据对比分析可得,在重叠组套索方法下,进行多特征融合后的分类性能较仅使用聚类系数下的分类性能有显著提高,准确率达到87.87%。本文受到多项国家级、省部级基金和项目支持。本文的关键是在脑功能超网络构建方法层面及在特征提取阶段对原有方法的一些不足之处进行改进,以研究抑郁症患者较正常人在脑网络结构上的更多的差异性特征,希望能为抑郁症的早期诊断及治疗提供一定的帮助。这一课题受到了国内外广大学者们的重视。

脑功能超网络模型已经被广泛的应用于脑疾病诊断的应用研究当中。因为超网络模型能够表示多个脑区间的高阶关系,所以该方法在脑疾病的诊断领域已经表现出了极强的生命力。然而,现有的大多数科研人员主要集中于研究不同的脑功能超网络构建方法的优劣。均利用单一属性（如聚类系数）或简单的线性拼接来表征脑网络的拓扑。但是不同的拓扑属性代表着超网络中不同的拓扑关系,虽然聚类系数在脑疾病诊断系统中也表现出了很好的分类性能,但可能忽视了超网络中其他拓扑属性的作用。而且,现有的研究中并没有黄金标准规定哪些指标更有利于量化脑功能超网络的拓扑,无法区分不同拓扑指标分类性能的优劣。同时,利用单一拓扑属性或简单线性拼接构成的特征集包含的信息也可能过于片面,无法全面地表征超网络的拓扑结构,最终影响诊断模型的准确性。此外,传统分类器在分类过程中也可能无法很好的发挥融合特征集的性能。因此,本文引入了超网络领域常见的拓扑指标,先将单一特征进行了对比。然后构建出了一个包含信息更完备的融合特征集并进一步结合多核扩展的方法提出了一种基于多特征融合的脑疾病诊断模型。该模型能够融合不同拓扑属性的信息,显著提高模型的精确度。为以后的脑功能超网络领域的研究者提供了一个更好的选择。本文的主要创新工作如下:第一,引入了多种不同的超网络拓扑指标用于分类研究,并设计详细的实验对比了不同属性特征分类性能的优劣,挖掘并分析使用不同特征在分类过程中的潜在差异,筛选出更有利于脑疾病分类的拓扑属性。实验结果表明11种常见的超网络拓扑属性中,有3种单节点聚类系数、2种双节点聚类系数以及平均最短路径6种特征明显表现出更好的分类性能,为该领域的相关研究者选择拓扑属性时,提供更全面的参考依据。第二,构建出包含信息更完备,更适合脑疾病分类的融合特征集。为了弥补过往研究中特征集包含信息可能过于片面的缺点,本实验使用本领域中最常用的线性拼接的方法将对比实验中筛选的6种优秀特征构建出的融合特征集。并通过设计多组对照实验,证明该融合特征集在P＜0.05、相同特征数目下的分类精度、Relif-F权重、相关性、冗余性、过往方法的对比等多个角度都比单一特征和其他融合特征集更优越。第三,建立完整的多特征融合的分类模型。传统的分类器可能无法在分类过程中很好的发挥融合特征的性能,因此还需要进一步的引入晚期融合的方法。多核学习中的加权线性核虽然在脑疾病领域应用广泛,但是该方法无法很好的保留原特征集中的局部信息。因此本文在构建的融合特征集的基础上进一步结合多核学习中的多核扩展方法构建出完整的多特征融合的分类模型。该分类模型一方面使用六种优秀特征来构成融合特征集,包含的信息更充分全面,另一方面也使用基于多核扩展的特征融合方法进一步提高了模型的分类性能。并且在P＜0.05、Relif-F等多个方面证明了该分类模型分类性能的优越性。本文还在ADNI公开数据集上进行了重复性验证,证明了本文融合特征集和多特征融合分类模型性能的可重复性。综上所述,本文一方面通过对比实验分析出了11种常见拓扑属性分类性能的优劣,为疾病诊断中拓扑属性的提取提供了一个参考依据。另一方面,也提出了一个包含信息更全面的融合特征集,并进一步提出了一种分类性能更优秀的多特征融合分类模型。可以为之后的脑功能超网络诊断系统的开发提供一个更好的选择,避免了使用单一特征以及盲目使用特征拼接可能带来的信息缺失的问题。