基于静息态功能磁共振成像(resting-state functional Magnetic Resonance Imaging,rs-f MRI)的脑网络是一个包含大脑感兴趣区域(Regions of Interest,ROIs)和脑区之间拓扑结构的无向图,它能够通过充分利用脑区特征和各个脑区之间的相互作用模式来探索脑疾病的发病机制。图卷积网络(Graph Convolutional Network,GCN)由于其强大的非欧几里得图数据建模能力,在学习脑功能连接表示方面显示出优越性。然而,鉴于大脑的复杂性,我们发现GCN在脑网络上的应用依然面临很多挑INCB018424生产商战。例如,如何在考虑脑网络的低阶性、高阶性、动态性以及不同层次网络间的信息互补性的基础上,通过GCN实现对脑网络的特征增强进而提高脑疾病的诊断性能是一个亟待解决的问题。为此,本文从脑网络的这些特性出发,基于GCN开展了如下工作:(1)提出了一种基于自注意力池化的GCN架构,实现对低、高阶静态脑网络的特征增强。首先,通过“滑动窗口”策略将整个rs-f MRI时间序Liraglutide分子式列划分为多个子窗口进而增加样本量。其次,对于每个子窗口,分别构建低阶静态脑网络和高阶静态脑网络。最后,将这两个静态脑网络送进具有自注意力池化的图卷积模型中实现特征增强。由于低阶静态脑网络和高阶静态脑网络能够从不同的层次反映不同的静态脑网络信息,因此,我们从多视角出发,将低、高阶静态脑网络的特征融合以进一步增强脑网络的特征。该方法的亮点在于:1)采用“滑动窗口”方法能有效缓解“高维小样本”问题,避免过拟合现象发生,还可以避asymbiotic seed germination免从多个数据源收集实验数据可能会导致的参数不一致问题,有利于提高GCN性能。2)能够同时考虑脑网络的节点特征和边信息,有效实现特征增强。除此之外,低阶和高阶静态脑网络融合有助于增强鉴别性特征的表达能力,提高脑疾病分类准确率。(2)提出了一种基于GCN实现低阶动态脑网络和高阶动态脑网络联合学习的特征增强方法。首先,利用“滑动窗口”方法将整个rs-f MRI时间序列划分为多个子窗口,对于每个子窗口,分别构建低阶动态脑网络和高阶动态脑网络。其次,通过保持低阶动态脑网络的邻接矩阵和高阶动态脑网络的节点特征矩阵的一致性实现它们的联合学习。最后,结合自注意力机制同时考虑脑网络中节点和边的特征。该方法的亮点在于:1)能够实现对高阶动态脑网络的特征增强。2)实现了低、高阶动态脑网络的联合学习,同时将脑网络的动态性以及不同层次脑网络的信息互补性考虑在内。3)结合自注意力机制不仅考虑了低、高阶动态脑网络节点特征还考虑了边上权重对节点特征的影响,有利于捕获更全面的、与脑疾病相关的、更具鉴别性的特征信息。本文将提出的两种方法应用于正常受试者和自闭症谱系障碍患者的二分类实验中,实验结果表明,相较于其他对照方法,这两种方法取得的结果更佳,验证了方法的有效性。此外,我们提出的方法也可以扩展到脑电数据以实现对高度异质性神经发育障碍的诊断,并且,我们将在未来的工作中关注这一主题。