人脑是最复杂的生物信息系统,多个神经元或神经元集群相互连接形成庞杂的脑网络.随着静息态功能磁共振成像技术的发展,脑功能网络对于理解大脑认知机制以及为脑疾病早期诊断提供生物标记物方面起着至关重要的作用,因此如何构建高质量的脑功能网络已成为神经科学领域的重点研究课题.目前,研究人员提出了很多估计脑功能网络的方法,包括皮尔森相关,偏相关,稀疏表示等.尽管这些方法在脑研究方面获得了成功的应用,但其仍存在一些问题.首先,为符合生物学上脑区连接的稀疏性,以往的研究通常在皮尔森相关操作的基础上采用取阈值或引入l_1正则化项来获得稀疏的脑功能网络,但其并未考虑脑区之间的邻域结构信息,导致估计的脑网络中可能存在噪声和冗余连接;其次,上述常用的方法均为二阶统计量,仅能通过计算脑区间的成对相关性来模拟低阶关系,加之现有的高阶脑功能网络估计方法缺乏清晰的数学理论支撑,从而判定构造出的脑网络不一定可靠.为此,本文针对上述两类问题展开了重点研究,并NSC 125973价格获得如下研究成果:1)基于邻域结构信息提出了新型的稀疏脑功能网络分析方法.该方法通过空间邻域结构引导重Prosthesis associated infection构皮尔森相关模型,解决了现有相关操作方法仅能实现脑网络稀疏性的缺陷.此外,提出的方法实现网络稀疏性的同时嵌入大脑拓扑结构,从而提高脑功能网络的判别性与稳健性.为了评估该方法的有效性,本文进行了轻度认知障碍的识别分类实验,结果表明提出的方法在分类性能上明显优于基线方法.2)提出了基于相关保持嵌入方法构建高阶脑功能网络的学习模型.本文提出的相关保持嵌入作为一种图表示学习方法,能够起到压缩数据的作用,通过将脑网络中的节点投影到低维向量空间,去除噪声或冗余信息,获得新的节点特征向量.这些低维特征向量总结了节点在低阶脑网络中的相关性和局部图邻域结构,使得构建的高阶脑功能网络能够提取出更具有判别性PR-171体内实验剂量的特征.在轻度认知障碍的识别任务中,相较于现有的高阶脑网络估计方法,该方法构建的高阶脑功能网络具有更高的分类精度.