[发明专利]一种基于权值特征属性融合与新型图核的脑网络分类方法

权利要求书

1.一种基于权值特征属性融合与新型图核的脑网络分类方法，其特征在于，该分类方法由以下4个步骤构成：首先，将原始实验数据经过预处理后完成脑网络的构建；其次，根据不同的阈值来提取脑网络中多种脑网络属性值；第三，利用支持向量机训练所有数据，根据训练结果的优劣，在每种网络属性值里挑选分类效果最优的阈值参数，并将它们进行基于权值的特征属性融合；最后，采用基于新型图核的支持向量机训练融合后的特征向量。

2.根据权利要求1所述的一种基于权值特征属性融合与新型图核的脑网络分类方法，其特征在于，将原始的皮尔森(Pearson)相关系数矩阵与不同的特征数据进行线性融合，以此来提高分类的准确率，其具体的实现步骤为，①根据原始脑网络矩阵计算不同的拓扑属性，例如：皮尔斯相关系数矩阵P、聚类系数矩阵CC、特征路径长度矩阵CL和节点的度矩阵D；②将①得到的矩阵(P、CC、CL、D)进行阈值化处理，得到不同阈值t下的拓扑属性矩阵(P(t)、CC_b(t)、CL_b(t)、D_b(t))；③使用多核SVM(Support Vector Machine，支持向量机)训练②得到的矩阵，记录准确的个数，计算准确率M，其中M的具体计算方式为，在对不同拓扑属性进行预测时，为每种拓扑属性(代号为L)分配一个计数器C_L(正整数)，用于记录这种方法预测准确的个数；则，M_L为C_L与所有实验次数N(正整数)的比值，即：M_L＝C_k/N；④选取每种拓扑属性中分类效果最好的阈值化矩阵；⑤将每各种拓扑属性融合成新的矩阵A；

设，皮尔森相关系数矩阵为P：

最佳阈值的聚类系数矩阵为CC_b：

最佳阈值特征路径长度矩阵为CL_b：

最佳阈值的节点度矩阵为D_b：

则，融合后的特征属性矩阵A为：

至此，将脑网络的各种特征属性融合并作为新的实验样本。