基于组选择的近似无偏稀疏脑功能超网络模型构建与分类研究

摘要：

针对LASSO方法构建脑功能超网络模型缺乏组效应解释能力和网络有偏性问题,提出了两种基于组变量选择的近似无偏稀疏脑功能超网络模型来改善超网络的构建,分别为组最小最大凹惩罚方法和组平滑剪裁的绝对值偏差方法,并将其分别应用于抑郁症的分类研究中.分类结果显示,两种方法的分类表现均优于传统超网络模型,且组最小最大凹惩罚方法的分类准确率最高,达到86.36％.结果表明若想构建有效的脑功能超网络模型,不仅需要考虑脑区间组效应的解释能力,还需考虑模型变量选择的有偏性问题.而且在考虑到超网络有偏性的基础上,选取较为宽松的惩罚方式来选取目标变量,则可更精确地表征人脑的复杂高阶多元交互信息.

关键词：近似无偏稀疏模型;超网络;组最小最大凹惩罚;组平滑剪裁的绝对值偏差;机器学习

所属期刊栏目：39

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;山西省重点研发计划项目;山西省科技厅应用基础研究项目;山西省科技厅应用基础研究项目;山西省研究生教育创新项目

在线出版日期：2022-03-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：744-750