文章目录
- Quality-Aware Fuzzy Min-Max Neural Networks for Dynamic Brain Network Analysis
- 摘要
- 方法
- 实验结果
Quality-Aware Fuzzy Min-Max Neural Networks for Dynamic Brain Network Analysis
摘要
背景： 动态功能连接（dFCs）在脑部疾病诊断中得到广泛应用。然而，现有的动态脑网络分析方法忽略了脑网络中的模糊信息，以及由于不同时间窗数据质量不一致所带来的不确定性，导致多时间窗的整合结果可能不够可靠。
目的： 针对这一问题，提出了一种基于质量感知模糊最小-最大神经网络（QFMMNet）的动态脑网络分析方法，以提升dFCs的可靠性和诊断能力。
方法： 将dFCs的单个时间窗视为一个视角，并在多视角学习框架下定义三种卷积滤波器，以从脑网络中提取特征，从而获取dFCs的多视角证据。此外，基于模糊集理论设计了多视角模糊最小-最大神经网络（MFMM），以处理脑网络中的模糊信息，该网络将多视角证据作为输入模式，并通过超盒（hyperboxes）生成分类层。为应对不确定性，引入质量感知集成模块，利用D-S证据理论对不确定性进行建模，并动态评估各视角的质量权重。
结果： 在两个精神分裂症真实数据集上的实验表明，所提出的方法在动态脑网络分析中具有优越性和有效性。代码已公开，链接为 https://github.com/scurrytao/QFMMNet。
方法
实验结果
